Kontekst er det nye guld: Den næste bølge af Agentic AI køber forståelse, ikke proceskraft

AI-revolutionen er nået til et vendepunkt – ikke på grund af utilstrækkelig beregningskraft, men fordi organisationer løser de forkerte problemer.

Mens det globale GenAI-udgifter forventes at nå 644 milliarder dollars i 2025, advarer eksperter også om, at over 40% af agentic AI-projekter vil blive annulleret inden udgangen af 2027. Faktisk viser den seneste M&A-aktivitet – som Snowflakes køb af Crunchy Data for 250 millioner dollars og Rubriks køb af Predibase – en fundamental ændring: Enterprise AI’s næste fase handler om mere end beregningskapacitet… Det handler om dybere forståelse.

Smart Money Is Moving

Ifølge S&P Global Market Intelligences undersøgelse fra 2025 har 42% af virksomhederne aflyst de fleste af deres seneste AI-initiativer, op fra kun 17% i 2024. 46% afledte deres proof-of-concept-demonstrationer, før produktionen overhovedet begyndte.

Disse AI-projekter fejler ikke på grund af tekniske begrænsninger, men på grund af semantiske huller. Hvis et AI-system kan behandle petabyte af data, men ikke kan forstå, hvad “kundens livstidsværdi” betyder på tværs af forskellige afdelingsbehov, vil fejlpunktet sandsynligvis være kontekstuel.

Overvej strategien bag Snowflakes integration af Postgres’ semantiske AI-kapaciteter, som sigter mod at skabe en grund, hvor AI-agenter kan forstå transaktionskontekst og forretningssemantik — og ermögiller udviklere at “bygge troværdige AI-agenter” med “større agility, synlighed og kontrol.” Rubriks køb af Predibase sigter ligeledes mod at hjælpe kunderne med at “sikret deployere agentic AI” ved at prioritere kontekstuel nøjagtighed sammen med beregningskraft.

Where Context Meets Scale

Succesen med Palantirs samarbejde med Qualcomm for at udvide AI-forståelseskapaciteter er endnu et eksempel på den transformative kraft af kontekst-først AI-arkitektur. Deres “Ontologi”-tilgang — som skaber sproglige forudgående betingelser for at kortlægge forretningsbegreber, relationer og regler i maskinlæsbare formater — transformerer AI fra mønstergenkendelse til forretningsråden og viser, hvordan semantisk forståelse ermögiller AI at fungere effektivt, selv i offline- eller ressourcebegrænsede miljøer.

For eksempel, i forhold til deres kerneenergi-initiativer, forstår Palantirs AI ikke kun udstyrsfejl — det forstår også de kaskaderende forretningsvirkninger på tværs af leverandørkæder og reguleringsoverholdelse, der enten fører til eller følger af disse fejl. Ligeledes i fremstilling forstår deres systemer afhængighederne mellem kvalitetskontrol, lagerstyring og kundeengagementer, hvilket ermögiller en helhedsorienteret oversigt over operationerne, der hjælper med at forudse og forebygge problemer.

Som en Palantir-direktør bemærkede, “Ontologi-tilgangen ermögiller brugerne at konstruere arbejdsgange, der inkorporerer og kombinerer heterogene logikaktiver,” og ermögiller AI at blive “sikret introduceret i stadig mere komplekse beslutningskontekster.”

Kontekst-Først Infrastruktur-Revolusionen

Skiftet fra effektivitet-først til mening-først-arkitekturer repræsenterer en fundamental genovervejelse af enterprise AI. Ifølge Gartners 2025 Data & Analytics Summit hænger denne transformation på tre kritiske faktorer:

• Semantisk Data-Arkitektur: Hver datapunkt skal bære forretningsmæssig betydning, ikke kun beregningsværdi. Som konsulentfirmaet Enterprise Knowledge viser, fungerer semantiske lag som broer mellem rådata og applikationer, og giver “enhedlige og kontekstualiserede visninger”, der ermögiller intuitive brugerinteraktioner.
• Forretningslogik-Integration: For at levere maksimal værdi kræver moderne AI integration med forudbestemte forretningskontekster, der er specifikke for organisationens behov. Oracles AI Agent Studio exemplificerer denne tilgang ved at give adgang til Oracle Fusion Applications API’er, videnlagre og foruddefinerede værktøjer, der bevarer virksomhedsspecifik forretningslogik inden for AI-drevne arbejdsgange. Sådanne løsninger ermögiller agentic AI-systemer ved at integrere forretningsontologier med Model Context Protocols (MCP), der ermögiller ubesværet, kontekst rig datafortolkning og låter AI-agenter fungere på tværs af forskellige virksomhedsdatakilder.
• Kontekstuelle Beslutningsmotorer: McKinseys 2025 AI-arbejdsrapport understreger, at succesfulde enterprise AI-systemer må ganske godt forstå de forretningsmæssige implikationer af enhver given opgave, for enhver given organisation. Dog mener kun 1% af virksomhederne, at de har nået AI-modenhed, hvilket understreger gapet mellem nuværende evner og kontekstuelle krav.

De Konkurrencemæssige Implikationer

Organisationer, der kan etablere kontekst-rige AI-systemer, vil skabe selvforstærkende fordele for sig selv.

Hver forretningsinteraktion har potentialet for at dykke Agentic AI’s nuancerede forståelse af de specifikke behov for enhver given forretning, og forbedrer præstationen og skaber konkurrencemæssige barrierer, der vil være svære at replikere gennem beregningskraft alene. Deloittes State of Generative AI-rapport bekræfter, at mens 60% af organisationerne søger op til 20 AI-eksperimenter, ser de, der fokuserer på “industri- og forretnings-specifikke udfordringer”, dramatisk bedre resultater.

Talent-implikationerne er ligeledes betydelige. Mens AI-ingeniører kræver premium-lønninger, er den virkelige mangel på professionelle, der forstår både AI-implementering og forretningsdomæne-ontologi. PwCs 2025-prædiktioner understreger, at “AI-succes vil være lige så meget om vision som adoption, med virksomheder, der har brug for systematiske, transparente tilgange til at bekræfte vedvarende værdi.” Med andre ord, hvis personerne, der træner AI til at forstå forretningsbehov, ikke selv forstår disse behov, vil AI-agenterne, de skaber, heller ikke forstå dem.

Den Strategiske Imperativ

Hvad er så de arkitektoniske ændringer, organisationerne må gøre?

Gartners Data & Analytics Summit understreger vigtigheden af at gå fra teknisk metadata til semantisk metadata — data, der er beriget med foruddefinerede forretningsdefinitioner, ontologier og relationer. Denne ‘Semantisk-Først-Design’-skift er kritisk for organisationer, der sigter mod at udlede meningsfulde indsigt og sikre klarhed på tværs af systemer. Samtidig er effektiv kontekstuel AI-styring afgørende for at differentiere sande agentic AI-kapaciteter fra utilstrækkelige modeller, der kun tilbyder grundlæggende automatisering, men er misvisende markedsført som agentic.

Virksomhederne, der lykkes med agentic AI, vil være dem, hvis AI-agenter er blevet strategisk konfigureret til at forstå forretningskontekster dybt nok, så de kan handle autonomt og effektivt.

Agentic AI-Muligheden

Gartner forudser, at 33% af enterprise-software vil inkludere agentic AI i 2028, op fra mindre end 1% i 2024. Stigningen i agentic AI gør semantisk infrastruktur essentiel; for at opnå dette kræver AI-systemer:

• Dybe kontekstuelle forståelser for at træffe autonome beslutninger, der er tilpasset forretningsmål.
• Semantisk konsistens på tværs af alle datakilder for at forhindre modstridende handlinger mellem forskellige afdelinger og opgaver
• Forretningslogik-integration for at sikre overholdelse af organisationsregler og reguleringer

Da organisationer hælder milliarder i agentic AI-udvikling, vil de uden semantiske grundlag opleve stigende fejlratier.

Kontekst-Imperativet

Da agentic AI-systemer bliver mere udbredte, vil skellet mellem organisationer med semantisk infrastruktur og dem uden kun blive bredere. For virksomheder, der investerer i agentic AI, er valget klart: Byg semantiske grundlag nu eller se, hvordan kontekst-bevidste konkurrenter omdanner klogere AI-investeringer til uovervindelige fordele.

I en tid med overflod af beregningskraft er kontekst det nye guld, og de, der kan lære deres AI-systemer at virkelig forstå den forretning, de betjener, vil opnå deres Midas Touch.