En kund hör av sig: ”Mitt paket kom aldrig fram, kan ni skicka ett nytt?” Din assistent söker igenom allt den har sett och hittar en nästan perfekt träff från förra veckan: ”Mitt paket kom fram skadat, kan ni skicka ett nytt?” Den skickar förra veckans svar, en ersättning, utan att ställa några frågor. Orden var nästan desamma. Fallet var det inte, eftersom ett borttappat paket börjar med en efterforskning hos fraktbolaget.
Sökningen gjorde sitt jobb. Den hittade den närmaste träffen, vilket är vad uppslagning gör. RAG hittar textavsnitt som liknar frågan, vektordatabaser hittar det som ligger nära, kunskapsgrafer hittar det som någon har länkat, cachar returnerar det som frågats förut och minne plockar fram det som sparats. Var och en av dem hittar något som redan finns. Men likt är inte detsamma som rätt, och ju närmare en felaktig träff verkar ligga, desto mer självsäkert serveras den.
Inlärning är något annat. Den förstår mönstret bakom ditt arbete, komprimerar det till det som generaliserar och förutsäger vad som kommer härnäst. Duplex lär sig, och dina uppslagsverktyg blir dess verktyg: den anropar vart och ett när ett steg behöver det och avgör vad svaret ska vara.
Ställd på samma sätt hittar uppslagningen det lagrade svaret, och Duplex kan det också.
Inlärning för mönstret vidare till nya fall.
Nästa förfrågan stämmer sällan ord för ord med den förra. Någon formulerar den annorlunda, utelämnar en detalj eller lägger till sammanhang som inte ändrar något. En cache returnerar det som frågats förut, så den behöver att den nya förfrågan ser ut som en gammal. En likhetssökning klarar nya formuleringar bättre, eftersom den hittar det som ligger nära, men nära är ett mått på orden, inte på fallet.
Inlärning arbetar med själva fallet. När ditt team bekräftar ett resultat lär sig Duplex mönstret bakom det: varför det fungerade och var det gäller. Därför känner den igen samma förfrågan i nya ord, och den vet när en förfrågan som låter likadan ber om något annat.
Det är när snarlika fall ska skiljas åt som skillnaden syns mest. Ett borttappat paket och ett skadat har nästan alla ord gemensamma, och det har också en order som avbröts innan den skickades och en som avbröts efteråt. Ett verktyg som serverar det som ser likt ut besvarar varje par på samma sätt, med samma säkerhet. Duplex ser skillnaden och tar in din AI, informerad om det Duplex vet om fallet.
I ett test som sträckte sig från exakta upprepningar till förfrågningar från en annan domän svarade Duplex fel på 7.5% av de vilseledande snarlika fallen, mot 45.3% för en cache. Över alla förfrågningar hanterades 98.98% korrekt: rätt besvarade eller överlämnade till din AI.
Dina uppslagsverktyg blir dess verktyg.
Uppslagsverktyg är bra på det de gör, och Duplex använder dem till just det. Hämtning är rätt sätt att hitta en klausul i en policy, en kunskapsgraf rätt sätt att se hur en leverantör hänger ihop med allt annat, och en cache det snabbaste sättet att returnera ett beslut som redan är fattat. Sådana fakta hör hemma i dina system, aktuella och ägda av de människor som tar hand om dem.
Det verktygen inte kan är att avgöra. De hittar och lämnar resten åt den som frågade: vilken källa man ska lita på, vad man ska göra när två av dem säger emot varandra, vad svaret betyder för just det här fallet. Duplex bidrar med det omdömet. Den anropar varje verktyg när ett steg behöver det, lär sig vilken källa som besvarar vilken sorts fråga och avgör med de aktuella fakta framför sig.
En enda faktura kan behöva alla tre: policyn, leverantörens status och det senaste beslutet om den leverantören. De flesta dagar stämmer de överens. Den dag leverantören spärras är det senaste beslutet inaktuellt, och svaret måste följa det nyaste faktumet och visa var varje del kom ifrån.
Det är en rimlig arbetsfördelning, och allt du har byggt förblir i bruk. Dina verktyg fortsätter att hitta det de byggdes för att hitta, vart och ett mer användbart nu när något avgör när det ska användas. Duplex lär sig, beslutar och agerar, med varje svar spårat tillbaka till sina källor.
För att hantera en faktura behöver Duplex en policy, leverantörens status och det senaste beslutet.
Ett inlärt mönster visar vad som kommer härnäst.
Uppslagning handlar om det förflutna: den hittar det som hände. Inlärning sträcker sig framåt. När Duplex väl vet hur en viss sorts arbete utvecklar sig kan den förutsäga vad en handling kommer att ändra, planera stegen efter den och avgöra om den ska svara, lämna över eller avböja.
Supportärenden följer ett mönster: öppnat, sorterat, åtgärdat, bekräftat, stängt. Uppslagning kan hitta ett ärende som liknar det framför dig. Duplex har lärt sig av de bekräftade, så den vet vad just det här ärendet behöver härnäst och vad som bör följa. När ett ärende tar en vändning som inget tidigare har tagit lämnar Duplex det steget till din AI, och när ditt team har bekräftat hur det slutade blir vändningen en del av mönstret.
I World of Workflows, ett offentligt benchmarktest för företag byggt på ServiceNow, förutsåg Duplex hur systemet förändras efter en operation bättre än GPT-5.1, Gemini 3 Pro och Claude Sonnet 4.5, utan modellanrop. I planering hittade den den kortaste vägen varje gång utan en enda modelltoken.
Ett bibliotek berättar vad som har skrivits. En kollega som har lärt sig arbetet förstår vad fallet på bordet betyder, märker när det är nytt och går vidare med nästa steg. Dina uppslagsverktyg är biblioteket, lika användbara som de alltid har varit. Duplex är kollegan, och för varje resultat kan den arbetet lite bättre.
Bekräftade ärenden lär Duplex hur den här typen av arbete utvecklar sig, steg för steg.