Una intranet amb graf de coneixement no és un directori de pàgines internes. És un sistema que organitza la informació de l'empresa a partir de relacions significatives entre conceptes, persones, projectes i processos. Perquè aquest model funcioni, l'organització ha de preparar tres dimensions: la semàntica de les seves dades, l'operativa dels equips i la tecnologia que sosté el sistema.
La primera pregunta no és quina eina comprar, sinó quin problema es vol resoldre. La intranet amb graf de coneixement sol plantejar-se per accelerar la cerca, evitar duplicitats, connectar perfils de clients amb documentació tècnica o automatitzar respostes a l'empresa. Definir casos d'ús concrets ajuda a delimitar l'abast i evita construir una capa de coneixement massa abstracta. Per a cada cas d'ús convé identificar qui és l'usuari final, quin és el flux actual i quina decisió vol prendre aquella persona quan consulta la plataforma.
També és necessari fixar indicadors d'èxit abans del desenvolupament. Temps d'incorporació d'un empleat, nombre de clics per trobar un document, hores dedicades a tasques de cerca o percentatge de tiquets resolts amb la documentació interna són exemples que es poden convertir en KPIs. Sense una línia base, l'equip no podrà saber si el graf de coneixement aporta valor.
El següent bloc de preparació és el govern de les dades. Un graf de coneixement s'alimenta de fonts heterogènies: ERP, CRM, bases de dades SQL, documents a SharePoint, correus, xats, fitxers Excel, APIs externes. Cal inventariar aquestes fonts, avaluar-ne la qualitat i triar els responsables de mantenir-les. La coherència és clau. Si el mateix client apareix amb tres noms diferents en dos sistemes, el graf replicarà aquesta confusió. Convindria definir identificadors únics i regles de sincronització abans de modelar les entitats.
A més de les dades, cal revisar els processos d'actualització. Un graf que s'actualitza un cop l'any perd rellevància ràpidament. L'arquitectura ha de definir la freqüència d'extracció, transformació i càrrega, així com el grau d'automatització. Aquí apareixen conceptes com pipelines de dades, orquestració per API o esdeveniments, i la possibilitat d'incorporar agents d'IA que classifiquin documents, extreguin entitats o suggereixin relacions.
En el pla tècnic, una intranet amb graf de coneixement difícilment es resol amb una plataforma tancada. La major part del valor es troba en la connexió amb sistemes interns ja existents. Les empreses que ja treballen amb programari a mida necessiten una capa d'integració que respecti els seus models de dades. Q2BSTUDIO, per exemple, dissenya programari a mida perquè el graf no convisqui de manera aïllada, sinó que es converteixi en una peça més de l'ecosistema tecnològic. Això inclou APIs, connectors i adaptadors per a ERP o CRM.
La inversió en infraestructura també s'ha de planificar. Un graf de coneixement sol allotjar-se en el núvol AWS/Azure, amb serveis gestionats de bases de dades, cerca i autenticació. L'elecció entre núvol públic, privat o híbrid depèn de la criticitat de la informació. Les organitzacions amb dades sensibles necessiten entorns privats, VPN, xifratge en repòs i en trànsit, i polítiques d'accés granular. La ciberseguretat no és un afegit: és un requisit previ. Abans de posar el sistema en producció cal revisar l'autenticació, els rols, el registre d'auditoria i els plans de resposta davant incidents.
Un altre element estratègic és la visualització i l'analítica. Un graf no és només una base de dades semàntica; també és una font d'informació per a la direcció. Connectar-lo amb un quadre de comandament tipus BI/Power BI permet observar patrons d'ús, continguts sense actualitzar, departaments amb més activitat o colls d'ampolla en els fluxos de treball. La capa de Business Intelligence s'ha de definir al principi perquè el graf emmagatzemi les metadades necessàries i no s'hagin de reconstruir dades més endavant.
L'aspecte humà és tan important com el tècnic. Cal una persona o un equip que lideri el projecte, entengui el negoci i tingui capacitat per prioritzar casos d'ús. No n'hi ha prou amb el patrocinador del pressupost; es necessita un product owner intern que conegui quina informació és crítica, quin vocabulari fa servir cada departament i quins conflictes de propietat de dades existeixen. A més, els usuaris finals han de participar en el disseny, perquè amb el seu coneixement es defineixen les relacions rellevants del graf.
També s'ha de pensar en com s'integrarà la IA. Els assistents conversacionals, els motors de cerca semàntica i els agents d'IA que automatitzen tasques depenen d'un graf amb qualitat. La IA ha d'estar acotada: quines preguntes pot respondre, de quines fonts s'alimenta, quin nivell de confiança exigeix abans de donar una resposta. Definir aquestes regles evita que la intranet generi respostes parcials o, encara pitjor, respostes incorrectes amb aparença de certesa. La supervisió humana continua sent necessària en processos d'alt impacte.
Q2BSTUDIO aborda aquests projectes mitjançant una fase de descobriment orientada a conèixer el context real de cada empresa i a convertir-lo en un pla tècnic. El seu equip d'arquitectura i integració connecta el graf amb les eines actuals i construeix una IA que millora l'experiència de cerca i de recomanació. La proposta inclou portals d'administració perquè el client pugui ajustar models, prompts i permisos sense dependre d'un proveïdor extern en cada canvi, i utilitza el núvol AWS/Azure quan l'escala o la seguretat ho requereixen.
El pressupost no s'hauria de fixar només a partir del desenvolupament del MVP. Cal contemplar l'evolució del model de dades, l'actualització dels continguts i l'optimització contínua del sistema. Una intranet amb graf de coneixement madura amb l'ús. Per això és recomanable acordar un full de ruta incremental: primer un pilot amb una àrea de negoci, després una ampliació progressiva a més departaments.
També convé preparar l'àmbit legal. El graf centralitza dades de diferents orígens i pot incloure informació personal. Les polítiques de privadesa, els temps de retenció i els drets d'eliminació han d'estar documentats. La transparència en l'origen de les dades és un dels valors del graf, però exigeix un marc normatiu clar.
La diferència clau entre una intranet tradicional i una amb graf de coneixement és la semàntica. En una intranet clàssica, un document es troba per paraules clau; en una intranet amb graf, el document es connecta amb la persona que el va escriure, el projecte al qual pertany, les eines que fa servir i els procediments que el mencionen. Aquesta manera de navegar canvia la forma en què els empleats busquen coneixement.
Un error freqüent és pensar que la tecnologia resoldrà la manca d'ordre. Si els processos interns estan desestructurats, un graf els reflectirà amb tot detall. La preparació inclou ordenar mínimament les fonts perquè el model sigui útil. L'avantatge d'una intranet amb graf de coneixement apareix quan hi ha un substrat de dades estable i un equip que vol gestionar el coneixement de manera activa.
En definitiva, abans de començar una intranet amb graf de coneixement, l'organització ha de respondre cinc grans preguntes: quin problema resol, quines dades necessita, qui sostenirà el projecte, com s'integrarà amb els sistemes actuals i quina arquitectura de seguretat s'aplicarà. Les respostes no han de ser perfectes, però sí explícites. Amb aquesta base, el projecte es pot abordar amb agilitat i amb una base sòlida perquè la tecnologia es converteixi en un avantatge competitiu.
