Kontekst: Slik bygger du et pålitelig datagrunnlag for agentisk KI

Kontekst er avgjørende for hvordan vi kommuniserer. Utsagn tatt ut av sammenhengen kan synes å bety det stikk motsatte av det som var ment. Møter vi noen utenfor den vanlige sammenhengen, kan det være vanskelig å kjenne dem igjen. Kontekst er limet som binder menneskelige relasjoner sammen og gjør det mulig for oss å finne mening i samspillet med andre.

Det samme gjelder KI-agenter. Kontekst gjør det mulig for agenter å fjerne tvetydighet – for eksempel å skille mellom Apple (teknologiselskapet), Apple (plateselskapet) og apple (en frukt). 

Denne entydiggjøringen er avgjørende fordi KI i virksomheter tar beslutninger og handler lynraskt: flagger transaksjoner, innvilger kreditt og utløser varsler. Hvis agenter ikke forstår enhetene som inngår i arbeidsflytene deres, vil de fortsette å handle, men du kan være sikker på at de gjør feil. 

Ettersom enkelte anslag tyder på at en typisk stor virksomhet vil bruke opptil 1 600 agenter innen utgangen av året, vil slike feil raskt bli mange flere.

Utfordringene ved å avklare digitale identiteter

Det er forståelig at agentisk KI vekker stor begeistring, men så lenge agenter ikke virkelig kan forstå enhetene i datasettene sine, risikerer vi å bygge luftslott. 

Dette er ikke et enkelt problem å løse. Én og samme kunde kan for eksempel være oppført på ulike måter i forskjellige databaser i virksomheten (J. Bloggs, Jane Bloggs, Bloggs osv.). Tilsvarende kan én og samme juridiske enhet være registrert separat i flere av datterselskapene. Hvordan kan agenter vite at disse tilsynelatende forskjellige enhetene faktisk tilhører én og samme profil? 

Foreløpig klarer de ofte ikke det. Det skyldes hvordan agenter er bygd opp. En agent er i bunn og grunn et system som tar imot inndata og gir utdata. Men nøyaktig hvor mye data bør vi gi agentene? Forskning viser at altfor lange kontekstvinduer får agenter til å hallusinere. Gir man dem derimot for lite data, vil agenten ta en beslutning med stor sikkerhet og handle på grunnlag av feilaktig informasjon. Virksomheter må finne en hårfin balanse og gi systemet verken mer eller mindre kontekst enn det trenger. 

Dataintegrasjon er avgjørende

Datamengden er bare en del av utfordringen. Virksomheter må også ta hensyn til datakvalitet og integrasjon. Dårlig kontekst skyldes data som er dårlig koblet sammen. Hallusinering kan oppstå når dataene en agent trenger for å ta en beslutning, er fordelt på en rekke isolerte databaser, apper og forretningsenheter. Omtrent 80–90 % av forretningskonteksten ligger i datasiloer og ustrukturerte filer på tvers av frakoblede systemer. Uten tilgang til denne informasjonen vil KI-resultatene bygge på ufullstendige antakelser. 

Til tross for alle disse utfordringene går innføringen av KI-agenter fortsatt raskt. Hvis bedriftsledere ikke kan stole på at agentene tar riktige beslutninger og handler korrekt, må de investere i mer menneskelig tilsyn enn det ellers ville vært nødvendig. I stedet for de autonome og svært effektive agentene de hadde håpet på, vil virksomhetene sitte igjen med upålitelige verktøy som de må passe på. Alternativet er økt forretningsrisiko og større arbeidsbelastning for etterlevelses- og juridiske team. 

Slik bygger du et datagrunnlag med kontekst

Hva må så gjøres? Det viktigste er å gi agentene et nøyaktig og verifisert datagrunnlag. Dette grunnlaget samler fragmenterte data fra interne og eksterne kilder og sørger for enhetlig styring av både strukturerte og ustrukturerte data. Deretter tilfører det kontekst, slik at dataene som mates inn i KI, gjenspeiler virkelige relasjoner i stedet for isolerte oppføringer. Dermed kan agenter knytte en person til aliasene sine eller et datterselskap til morselskapet. 

Med et kontekstdatagrunnlag på plass blir KI-drevne operasjoner nøyaktige, forklarbare og i stand til å støtte veloverveide beslutninger. Virksomheter kan stole på agentene sine i stedet for å måtte passe på dem, og får dermed fullt utbytte av agentisk automatisering uten behov for overdreven oppfølging. 

Teknisk sett oppnås kontekst gjennom to funksjoner. Den første er entitetsoppløsning. Denne kobler sammen oppføringer som viser til samme entitet, når referansene er spredt på tvers av ulike systemer og datatyper. Oppføringene samordnes til én samlet og pålitelig oversikt over personer, organisasjoner og eiendeler. Dermed løses problemene med duplisering og tvetydighet, som ofte svekker datakvaliteten og fører til feilaktige KI-resultater. 

Den andre funksjonen er kunnskapsgrafer. De tilfører kontekst ved å modellere relasjonene mellom entiteter: hvordan kunder er knyttet til kontoer, hvordan transaksjoner henger sammen med atferd, og hvordan risiko sprer seg gjennom nettverk. Sammen med entitetsoppløsning gir kunnskapsgrafer et nøyaktig bilde av dataene slik de finnes i den virkelige verden, og gir KI-agenter grunnlaget de trenger for å fungere godt i stor skala. 

Fordeler utover agentisk KI

KI-agenter er selvsagt ikke de eneste som bruker data i virksomheten. Et datagrunnlag med kontekst sikrer at også driftsmedarbeidere, etterlevelsesavdelinger, forretningsanalytikere, HR-team og alle andre databrukere får nytte av et samlet og korrekt bilde av virkeligheten.

Dette kan igjen bidra til å løfte kundeopplevelsen. Hvis en virksomhet for eksempel har flere profiler av samme kunde, kan det føre til at ulike team kontakter kunden flere ganger. Slike opplevelser kan mildt sagt gjøre kundene frustrerte. Data beriket med kontekst forbedrer kundeopplevelsen ved at virksomheter får en mer helhetlig forståelse av kundene sine og kan sørge for at de blir fulgt opp på riktig måte. Dette er til syvende og sist en mer menneskesentrert tilnærming som kan spare virksomheter for tid og penger.

Slik holder du KI ærlig

Gartner spår at 40 % av bedriftsappene vil ha oppgavespesifikke KI-agenter i år, opp fra under 5 % i 2025. Tiden med agentisk KI er her.

Fordelene ved arbeidsflyter med agentisk KI vil imidlertid ikke komme alle som investerer i teknologien, like mye til gode. Organisasjoner som legger grunnlaget ved å sikre et enhetlig, kontekstrikt datagrunnlag, vil kunne stole på KI-resultatene og skalere raskt. Resten vil kaste bort tid og krefter på å passe på de nye systemene sine. Suksess handler derfor om å bygge inn et levende kontekstlag i teknologistakken for agentisk KI fra første dag.