Kontekst: Opbygning af et pålideligt datagrundlag for agentisk AI

Kontekst er afgørende for, hvordan vi kommunikerer. Bemærkninger taget ud af deres sammenhæng kan komme til at betyde det stik modsatte af det tilsigtede. Møder vi nogen uden for deres sædvanlige sammenhæng, kan vi have svært ved at genkende dem. Kontekst er det kit, der binder menneskelige relationer sammen og gør det muligt for os at finde mening i vores sociale samspil.

Det samme gælder AI-agenter. Kontekst gør det muligt for agenter at fjerne tvetydighed – for eksempel at skelne mellem Apple (teknologivirksomheden), Apple (pladeselskabet) og et æble (frugten).

Denne entitetsafklaring er afgørende, fordi virksomheds-AI træffer beslutninger og handler lynhurtigt: markerer transaktioner, godkender kredit og udløser advarsler. Hvis agenter ikke forstår de entiteter, der indgår i deres arbejdsgange, vil de fortsat handle, men du kan være sikker på, at de begår fejl.

Nogle estimater tyder på, aten typisk stor virksomhed vil bruge helt op til 1.600 agenter inden årets udgang, og disse fejl vil hurtigt vokse i omfang.

Udfordringerne ved at afklare digitale identiteter

Agentisk AI vækker med god grund stor begejstring, men indtil agenter virkelig kan forstå entiteterne i deres datasæt, risikerer vi at bygge luftkasteller.

Det er ikke et problem, der er let at løse. En enkelt kunde kan for eksempel optræde på forskellige måder i forskellige virksomhedsdatabaser (J. Bloggs, Jane Bloggs, Bloggs osv.). Tilsvarende kan en enkelt virksomhedsenhed være registreret særskilt under flere af sine datterselskaber. Hvordan kan agenter vide, at disse tilsyneladende forskellige entiteter faktisk hænger sammen og tilhører én og samme profil?

I øjeblikket kan de ofte ikke. Det skyldes den måde, agenter er bygget på. En agent er grundlæggende et system, der modtager input og leverer output. Men præcis hvor mange data bør vi give agenter? Forskning viser, at alt for lange kontekstvinduer får agenter til at hallucinere. Omvendt vil agenten træffe en beslutning med stor sikkerhed og handle på grundlag af ukorrekte oplysninger, hvis den får for få data. Virksomheder skal finde den rette balance og give systemet hverken mere eller mindre kontekst, end det har brug for.

Dataintegration er afgørende

Datamængden er kun en del af udfordringen. Virksomheder skal også tage højde for datakvalitet og integration. Dårlig kontekst skyldes data, der ikke er ordentligt forbundet. Hallucinationer kan opstå, når de data, en agent har brug for til at træffe en beslutning, er fordelt på en række isolerede databaser, apps og forretningsenheder. Omtrent 80-90 % af virksomhedens kontekst findes i isolerede og ustrukturerede filer på tværs af systemer, der ikke er forbundet. Uden adgang til disse oplysninger vil AI-output bygge på ufuldstændige antagelser.

Trods alle disse udfordringer fortsætter udrulningen af AI-agenter i højt tempo. Hvis virksomhedsledere ikke kan stole på, at deres agenter træffer præcise beslutninger og handler korrekt, bliver de nødt til at investere i mere menneskeligt tilsyn, end der ellers ville være nødvendigt. I stedet for de autonome og yderst effektive agenter, de havde håbet på, står virksomhederne tilbage med upålidelige værktøjer, som de er nødt til at holde øje med. Alternativet er at øge forretningsrisikoen og arbejdsbyrden for compliance- og juridiske teams.

Opbygning af et kontekstuelt datagrundlag

Hvad skal der så gøres? Nøglen er at give agenterne et præcist og verificeret datagrundlag. Dette grundlag samler fragmenterede data fra interne og eksterne kilder og sikrer ensartet datastyring på tværs af strukturerede og ustrukturerede data. Derefter tilføjer det kontekst, så de data, der tilføres AI-systemet, afspejler relationer i den virkelige verden frem for isolerede registreringer. Det gør det muligt for agenter at knytte en person til vedkommendes aliaser eller et datterselskab til dets moderselskab.

Med et kontekstuelt datagrundlag bliver AI-drevne processer præcise, forklarlige og i stand til at understøtte velbegrundede beslutninger. Virksomheder kan stole på deres agenter i stedet for at skulle holde øje med dem, så de kan høste det fulde udbytte af agentisk automatisering uden behov for overdreven kontrol.

Set fra et teknisk perspektiv opnås kontekst gennem to funktioner. Den første er entitetsafklaring. Den forbinder registreringer, der vedrører den samme entitet, når oplysningerne findes spredt på tværs af forskellige systemer og datatyper. Registreringerne samles i én pålidelig oversigt over personer, organisationer og aktiver. Dermed løses problemerne med dubletter og tvetydighed, som ofte forringer datakvaliteten og fører til fejlagtige AI-resultater.

Den anden funktion er vidensgrafer. De tilføjer kontekst ved at modellere relationerne mellem entiteter: hvordan kunder forbindes med konti, hvordan transaktioner hænger sammen med adfærd, og hvordan risici spreder sig på tværs af netværk. Sammen med entitetsafklaring skaber vidensgrafer et præcist billede af data, sådan som de findes i den virkelige verden, og giver AI-agenter det grundlag, de har brug for til at fungere effektivt i stor skala.

Fordele ud over agentisk AI

AI-agenter er naturligvis ikke de eneste i virksomhederne, der bruger data. Et kontekstbaseret datagrundlag sikrer, at driftsmedarbejdere, compliance-teams, forretningsanalytikere, HR-teams og alle andre databrugere også får gavn af et samlet og præcist billede af verden. 

Det kan til gengæld bidrage til at forbedre kundeoplevelsen. Hvis en virksomhed for eksempel har flere profiler af den samme kunde, kan det føre til, at forskellige teams kontakter kunden flere gange. Den slags oplevelser kan mildest talt frustrere kunderne. Data beriget med kontekst forbedrer kundeoplevelsen, fordi de gør det muligt for organisationer at forstå deres kunder mere fuldstændigt og sikre, at kunderne bliver kontaktet på den rette måde. Det er i sidste ende en mere menneskecentreret tilgang, som kan spare virksomhederne tid og penge. 

Sådan holder man AI ærlig

Gartner forudser, at 40 % af virksomhedsapps vil indeholde opgavespecifikke AI-agenter i år, sammenlignet med under 5 % i 2025. Tiden med agentisk AI er kommet. 

De fulde fordele ved agentiske AI-arbejdsgange vil dog ikke komme alle, der investerer i teknologien, lige meget til gode. De organisationer, der lægger grunden ved at sikre et samlet, kontekstrigt datagrundlag, vil kunne stole på AI-resultaterne og hurtigt opskalere. Resten vil spilde tid og kræfter på at passe deres nye systemer. Succes afhænger derfor af, at man fra dag ét integrerer et dynamisk kontekstlag i den agentiske teknologistak.