Kontekst er det nye guld: Den næste bølge af agentisk AI er at købe forståelse, ikke processorkraft

AI-revolutionen er gået i stå – ikke på grund af utilstrækkelig computerkraft, men fordi organisationer løser de forkerte problemer.

Mens de globale GenAI-udgifter forventes at nå $ 644 milliarder i 2025, advarer eksperter også om, at over 40% af agentiske AI-projekter vil blive annulleret inden 2027. Faktisk er den seneste M&A-aktivitet – såsom Snowflakes $ 250 millioner erhvervelse af Crunchy Data og Rubriks erhvervelse af Predibase – signalerer et fundamentalt skift: Den næste fase af virksomheds-AI handler om mere end beregningsmuligheder ... Det handler om dybere forståelse.

Smarte penge bevæger sig

Ifølge S&P Global Market Intelligences undersøgelse fra 202542 % af virksomhederne har skrottet de fleste af deres seneste AI-initiativer, en stigning fra kun 17 % i 2024. Yderligere 46 % opgav proof-of-concept-demoer, før produktionen overhovedet begyndte.

Disse AI-projekter fejler ikke på grund af tekniske begrænsninger, men snarere på grund af semantiske huller. Hvis et AI-system kan behandle petabytes af data, men ikke kan forstå, hvad "kundens livstidsværdi" betyder på tværs af forskellige afdelingsbehov, vil fejlpunkterne sandsynligvis være kontekstuelle.

Overvej strategien bag Snowflakes integration af Postgres' semantiske AI-funktioner, som har til formål at skabe et fundament, hvor AI-agenter kan forstå transaktionel kontekst og forretningssemantik – hvilket gør det muligt for udviklere at "bygge troværdige AI-agenter" med "større agilitet, synlighed og kontrol". Rubriks opkøb af Predibase har ligeledes til formål at hjælpe kunder med "sikker implementering af agentisk AI" ved at prioritere kontekstuel nøjagtighed sammen med beregningskraft.

Hvor kontekst møder skala

Succesen med Palantirs nylige samarbejde med Qualcomm at udvide AI-forståelseskapaciteter er endnu en demonstration af den transformative kraft i kontekstorienteret AI-arkitektur. "Ontologi"-tilgangen — skabelse af sproglige præcedenser for kortlægning af forretningskoncepter, relationer og regler til maskinlæsbare formater — transformerer AI fra mønstergenkendelse til almindelig forretningsræsonnement og viser, hvordan semantisk forståelse gør det muligt for AI at fungere effektivt, selv i offline eller ressourcebegrænsede miljøer.

For eksempel med hensyn til deres initiativer inden for atomenergi, Palantirs AI forudsiger ikke kun udstyrsfejl – den forstår de kaskaderende forretningsmæssige konsekvenser på tværs af forsyningskæder og overholdelse af lovgivningen, der enten fører til eller er et resultat af disse fejl. Tilsvarende i Produktion, deres systemer forstår indbyrdes afhængigheder mellem kvalitetskontrol, lagerstyring og kundeforpligtelser, hvilket giver et holistisk overblik over driften, der hjælper med at forudsige og forebyggende afbøde problemer.

Som en Palantir-leder bemærkede: "Ontologi-tilgangen [gør det muligt for brugerne at konstruere arbejdsgange, der inkorporerer og kombinerer heterogene logiske aktiver", hvilket gør det muligt at "introducere AI sikkert i stadig mere komplekse beslutningssammenhænge".

Den kontekst-først infrastrukturrevolution

Skiftet fra effektivitetsfokuserede til meningsfokuserede arkitekturer repræsenterer en fundamental gentænkning af virksomhedens AI. Ifølge Gartners 2025 Data & Analytics-topmøde Hans transformation afhænger af tre kritiske faktorer:

• Semantisk dataarkitekturHvert datapunkt skal have forretningsmæssig betydning, ikke kun beregningsmæssig værdi. Som konsulentvirksomhed Virksomhedsviden forskning viser, at semantiske lag fungerer som broer mellem rådata og applikationer og giver "enede og kontekstualiserede visninger", der muliggør intuitive brugerinteraktioner.
• Integration af forretningslogikFor at levere maksimal værdi kræver moderne AI integration med forudbestemte forretningskontekster, der er tilpasset den givne organisations behov. Oracles AI Agent Studio eksemplificerer denne tilgang ved at give adgang til Oracle Fusion Applications API'er, videnslagre og foruddefinerede værktøjer, der bevarer virksomhedsspecifik forretningslogik i AI-drevne arbejdsgange. Sådanne løsninger styrker agentiske AI-systemer ved at integrere forretningsontologier med Model Context Protocols (MCP), som muliggør problemfri, kontekstrig datafortolkning og giver AI-agenter mulighed for at fungere på tværs af forskellige virksomhedsdatakilder.
• Kontekstuelle beslutningsmotorer: McKinseys rapport om AI-arbejdspladser i 2025 understreger, at succesfulde AI-systemer til virksomheder skal have en grundig forståelse af de forretningsmæssige konsekvenser af enhver given opgave for enhver given organisation. Alligevel mener kun 1% af virksomhederne, at de har nået AI-modenhed, hvilket fremhæver kløften mellem nuværende muligheder og kontekstuelle krav.

De konkurrencemæssige konsekvenser

Organisationer, der med succes kan etablere kontekstrige AI-systemer, vil skabe selvforstærkende fordele for sig selv.

Hver forretningsinteraktion har potentiale til at uddybe Agentic AI's nuancerede forståelse af de specifikke behov i en given virksomhed, forbedre præstationen og skabe konkurrencedygtige voldgrave, som vil være vanskelige for andre at replikere alene gennem computerkraft. Deloittes rapport om tilstanden af ​​generativ AI bekræfter, at mens 60 % af organisationerne udfører op til 20 AI-eksperimenter, ser dem, der fokuserer på "branche- og forretningsspecifikke udfordringer", dramatisk bedre resultater.

Talentkonsekvenserne er lige så betydelige. Mens AI-ingeniører har høje lønninger, er den virkelige mangel fagfolk, der forstår både AI-implementering samt ontologi inden for forretningsdomænet. PwC's forudsigelser for 2025 understrege, at "AI-succes vil handle lige så meget om vision som om implementering, hvor virksomheder har brug for systematiske, transparente tilgange til at bekræfte vedvarende værdi." Med andre ord, hvis de personer, der træner AI til at forstå forretningsbehov, ikke selv forstår disse behov, så vil de AI-agenter, de skaber, heller ikke gøre det.

Den strategiske imperativ

Så hvilke arkitekturændringer skal organisationer præcist foretage?

Gartners Data & Analytics-topmøde understreger vigtigheden af at gå fra tekniske metadata til semantiske metadata – data, der er beriget med foruddefinerede forretningsdefinitioner, ontologier og relationer. Dette skift i 'Semantic-First Design' er afgørende for organisationer, der sigter mod at udlede meningsfuld indsigt og sikre klarhed på tværs af systemer. Samtidig er effektiv kontekstuel AI-styring afgørende for at differentiere ægte agentiske AI-funktioner fra utilstrækkelige modeller der blot tilbyder grundlæggende automatisering, men som vildledende markedsføres som agenturvirksomheder.

De virksomheder, der får succes med agentisk AI, vil være dem, hvis AI-agenter er strategisk konfigureret til at forstå forretningsmæssige kontekster dybt nok til, at de kan handle autonomt og effektivt.

Agentic AI-muligheden

Gartner forudsiger at 33 % af virksomhedssoftware vil inkludere agentisk AI inden 2028, en stigning fra mindre end 1 % i 2024. Fremkomsten af agentisk AI gør semantisk infrastruktur afgørende; for at opnå dette kræver AI-systemer:

• Dyb kontekstuel forståelse til at træffe autonome beslutninger i overensstemmelse med forretningsmål.
• Semantisk konsistens på tværs af alle datakilder for at forhindre modstridende handlinger mellem forskellige afdelinger og opgaver
• Integration af forretningslogik for at sikre overholdelse af organisatoriske regler og forskrifter

I takt med at organisationer investerer milliarder i udvikling af agentisk AI, vil dem uden et semantisk fundament stå over for eskalerende fejlrater.

Kontekstimperativet

Efterhånden som agentiske AI-systemer bliver mere udbredte, vil kløften mellem organisationer med semantisk infrastruktur og dem uden kun blive større. For virksomheder, der investerer i agentisk AI, er valget klart: opbyg semantiske fundamenter nu, eller se, hvordan kontekstbevidste konkurrenter forvandler mere intelligente AI-investeringer til uovertrufne fordele.

I en tid med rigelig computerkraft, kontekst er det nye guld, og dem, der kan lære deres AI-systemer virkelig at forstå den forretning, de betjener, vil optjene deres Midas Touch.