Modelar una organización como un grafo permite ir más allá del organigrama tradicional y revelar las redes reales de colaboración, identificar cuellos de botella y tomar decisiones arquitectónicas con datos. La propuesta parte del esquema formal de reporting como esqueleto inicial y lo enriquece con fuentes complementarias: datos de comunicación de Slack o encuestas para visibilizar flujos transversales; ownership de servicios desde herramientas como Backstage, que aplican la Ley de Conway a la planificación técnica; pull requests de los repositorios para extraer la propiedad real del código, los puentes entre equipos y los expertos de dominio; encuestas de confianza, documentación de Notion y tareas de Jira para añadir contexto operativo.
Sobre ese grafo se aplican algoritmos clásicos: Leiden para detectar comunidades que revelan equipos ocultos o rutas de descomposición de monolitos; betweenness centrality para localizar a las personas o servicios que actúan como puentes críticos; y PageRank para clasificar influencia y puntos neurálgicos del sistema. La capa más avanzada conecta un modelo de lenguaje a la base de datos de grafo (como Neo4j) para responder en lenguaje natural preguntas sobre riesgos, composición óptima de equipos y dependencias.
La metodología sigue un proceso iterativo, desde formular hipótesis hasta importar datos y experimentar en Neo4j. Sus autores insisten en un uso ético: los resultados sirven para entender la dinámica del sistema, nunca para evaluar rendimiento individual, lo que exige confidencialidad estricta y gestión cuidadosa de las expectativas con los equipos.