En kunde skriver: »Min pakke kom aldrig frem, kan der sendes en ny?« Din assistent søger i alt, hvad den har set, og finder et næsten perfekt match fra sidste uge: »Min pakke kom beskadiget frem, kan der sendes en ny?« Den sender sidste uges svar, en erstatning, uden at stille spørgsmål. Ordene var næsten de samme. Sagen var ikke, for en forsvundet pakke begynder med en efterlysning hos fragtfirmaet.
Søgningen gjorde sit arbejde. Den fandt det nærmeste match, og det er det, opslag gør. RAG finder passager, der ligner spørgsmålet, vektordatabaser finder det, der ligger tæt på, vidensgrafer finder det, nogen har forbundet, caches returnerer det, der er blevet spurgt om før, og hukommelse genkalder det, der blev gemt. Hver eneste af dem finder noget, der allerede findes. Men lignende er ikke det samme som rigtigt, og jo tættere et forkert match ser ud til at være, jo mere selvsikkert serveres det.
Læring er en anden handling. Den forstår mønsteret bag dit arbejde, komprimerer det til det, der kan generaliseres, og forudsiger, hvad der kommer derefter. Duplex lærer, og dine opslagsværktøjer bliver dens værktøjer: den kalder hvert af dem, når et trin har brug for det, og beslutter, hvad svaret skal være.
Når der spørges på samme måde, finder opslag det gemte svar, og Duplex kender det også.
Læring fører mønsteret videre til nye sager.
Den næste forespørgsel matcher sjældent den forrige ord for ord. Nogen formulerer den anderledes, udelader en detalje eller tilføjer kontekst, der ikke ændrer noget. En cache returnerer det, der er blevet spurgt om før, så den kræver, at den nye forespørgsel ligner en gammel. En søgning efter lighed klarer nye formuleringer bedre, fordi den finder det, der ligger tæt på, men tæt på er et mål for ordene, ikke for sagen.
Læring arbejder med selve sagen. Når dit team bekræfter et resultat, lærer Duplex mønsteret bag det: hvorfor det virkede, og hvor det gælder. Så den genkender den samme forespørgsel i nye ord, og den kan se, når en forespørgsel, der lyder ens, beder om noget andet.
Det er ved at skelne dobbeltgængere fra hinanden, at forskellen viser sig mest. En forsvundet pakke og en beskadiget pakke deler næsten hvert ord, og det samme gør en ordre, der annulleres før afsendelse, og en, der annulleres efter. Et værktøj, der serverer det, der ligner, besvarer hvert par på samme måde, med samme selvsikkerhed. Duplex ser forskellen og henter din AI ind, orienteret om det, Duplex ved om sagen.
I en test, der gik fra præcise gentagelser til forespørgsler fra et andet område, svarede Duplex forkert på 7.5% af de vildledende dobbeltgængere, mod 45.3% for en cache. På tværs af alle forespørgsler blev 98.98% håndteret korrekt: besvaret rigtigt eller givet videre til din AI.
Dine opslagsværktøjer bliver dens værktøjer.
Opslagsværktøjer er gode til det, de gør, og Duplex bruger dem til netop det. Genfinding er den rigtige måde at finde en klausul i en politik på, en vidensgraf den rigtige måde at se, hvordan en leverandør hænger sammen med alt andet, og en cache den hurtigste måde at returnere en beslutning, der allerede er truffet. De kendsgerninger hører hjemme i dine systemer, aktuelle og ejet af de folk, der har ansvaret for dem.
Det, værktøjerne ikke kan, er at beslutte. De finder og overlader resten til den, der spurgte: hvilken kilde man skal stole på, hvad man skal gøre, når to af dem er uenige, hvad svaret betyder for denne sag. Duplex bringer den dømmekraft. Den kalder hvert værktøj, når et trin har brug for det, lærer, hvilken kilde der besvarer hvilken slags spørgsmål, og beslutter med de aktuelle kendsgerninger foran sig.
En enkelt faktura kan kræve alle tre: politikken, leverandørens status og den seneste beslutning om den leverandør. De fleste dage stemmer de overens. Den dag, leverandøren sættes i bero, er den seneste beslutning forældet, og svaret skal følge den nyeste kendsgerning og vise, hvor hver del kom fra.
Det er en rimelig arbejdsdeling, og alt det, du har bygget, forbliver i brug. Dine værktøjer bliver ved med at finde det, de blev bygget til at finde, og hvert af dem er mere nyttigt nu, hvor noget beslutter, hvornår det skal bruges. Duplex lærer, beslutter og handler, og hvert svar kan spores tilbage til sine kilder.
For at afgøre én faktura skal Duplex bruge en politik, leverandørens status og den seneste beslutning.
Et lært mønster fortæller dig, hvad der kommer bagefter.
Opslag handler om fortiden: det finder det, der skete. Læring rækker fremad. Når Duplex ved, hvordan en type arbejde udfolder sig, kan den forudsige, hvad en handling vil ændre, planlægge trinene efter den og beslutte, om den skal svare, overdrage eller afvise.
Supportsager følger et mønster: oprettet, triageret, løst, bekræftet, lukket. Opslag kan finde en sag, der ligner den, du har foran dig. Duplex har lært af de bekræftede, så den ved, hvad denne sag har brug for nu, og hvad der skal følge. Når en sag tager en vending, ingen tidligere sag har taget, overdrager Duplex det trin til din AI, og når dit team har bekræftet, hvordan det endte, bliver vendingen en del af mønsteret.
På World of Workflows, en offentlig enterprise-benchmark bygget på ServiceNow, forudsagde Duplex bedre end GPT-5.1, Gemini 3 Pro og Claude Sonnet 4.5, hvordan systemet ændrer sig efter en operation, uden modelkald. I planlægning fandt Duplex den korteste rute hver gang uden et eneste modeltoken.
Et bibliotek fortæller dig, hvad der er skrevet. En kollega, der har lært arbejdet, ved, hvad sagen på bordet betyder, bemærker, når den er ny, og går videre med næste trin. Dine opslagsværktøjer er biblioteket, lige så nyttige, som de altid har været. Duplex er kollegaen, og med hvert resultat kender den arbejdet lidt bedre.
Bekræftede sager lærer Duplex, hvordan denne slags arbejde udfolder sig, trin for trin.