Kontekst er det nye gullet: Den neste bølgen av Agentic AI handler om å kjøpe forståelse, ikke prosesseringskraft

AI-revolusjonen står fast – ikke på grunn av manglende beregningskraft, men fordi organisasjonene løser feil problemer.

Mens global GenAI-utgift forventes å nå 644 milliarder dollar i 2025, advarer eksperter også om at over 40% av agentic AI-prosjekter vil bli kansellert innen utgangen av 2027. Faktisk viser nylig M&A-aktivitet – som Snowflakes 250 millioner dollar oppkjøp av Crunchy Data og Rubriks oppkjøp av Predibase – en fundamental endring: entreprise AI sin neste fase handler om mer enn beregningskapasitet… Det handler om dypere forståelse.

Smart pengene flytter på seg

Ifølge S&P Global Market Intelligences 2025-undersøkelse, har 42% av bedriftene skrotet de fleste av sine nylige AI-initiativer, opp fra bare 17% i 2024. En annen 46% forlot proof-of-concept-demonstrasjoner før produksjonen overhode begynte.

Disse AI-prosjektene mislykkes ikke på grunn av tekniske begrensninger, men på grunn av semantiske gap. Hvis et AI-system kan prosessere petabyte med data, men ikke forstår hva “kundens livstidsverdi” betyr på tvers av ulike avdelingsbehov, vil feilpunktene sannsynligvis være kontekstuelle.

Vurdér strategien bak Snowflakes integrering av Postgres’ semantiske AI-kapasiteter, som har som mål å skape en basis hvor AI-agenter kan forstå transaksjonskontekst og forretningssemantikk — og muliggjør at utviklere kan “bygge pålitelige AI-agenter” med “økt fleksibilitet, synlighet og kontroll.” Rubriks Predibase-oppkjøp har et lignende mål, å hjelpe kunder med å “sikkerhetsmessig distribuere agentic AI” ved å prioritere kontekstuell nøyaktighet sammen med beregningskraft.

Der kontekst møter skala

Suksessen med Palantirs samarbeid med Qualcomm for å utvide AI-forståelseskapasiteter er et annet eksempel på den transformative kraften av kontekst-først AI-arkitektur. Deres “Ontologi”-tilnærming — å skape språklige forutsetninger for å kartlegge forretningskonsepter, relasjoner og regler til maskinlesbare formater — transformerer AI fra mønstergjenkjenning til forretningsråd og viser hvordan semantisk forståelse muliggjør at AI kan fungere effektivt, selv i offline- eller ressursbegrensede miljøer.

For eksempel, i forhold til deres atomenergi-initiativer, Palantirs AI forutsier ikke bare utstyrfeil — den forstår også de kasuselle forretningsvirkningene på tvers av leverandørkjeder og regulatorisk overholdelse som enten fører til eller følger av disse feilene. Liksom i produksjon, forstår deres systemer interavhengighetene mellom kvalitetskontroll, lagerstyring og kundeengasjement, og gir en helhetlig oversikt over operasjonene som hjelper med å forutsi og forebygge problemer.

Som en Palantir-eksekutiv sa, “Ontologi-basert tilnærming muliggjør at brukerne kan konstruere arbeidsflyter som inkorporerer og kombinerer heterogene logiske aktiva,” og muliggjør at AI kan “sikkerhetsmessig introduseres i stadig mer komplekse beslutningskontekster.”

Kontekst-først-infrastruktur-revolusjonen

Skiftet fra effisiens-først til mening-først-arkitektur representerer en fundamental omtenkning av entreprise AI. Ifølge Gartners 2025 Data & Analytics Summit henger denne transformasjonen på tre kritiske faktorer:

• Semantisk dataarkitektur: Hver datapunkt må bære forretningsmening, ikke bare beregningsverdi. Ifølge Enterprise Knowledge-forskning tjener semantiske lag som broer mellom rådata og applikasjoner, og gir “unifiede og kontekstualiserte visninger” som muliggjør intuitive brukerinteraksjoner.
• Forretningslogikk-integrasjon: For å levere maksimal verdi, krever moderne AI integrasjon med forhåndsbestemte forretningskontekster, proprietære til organisasjonens behov. Oracles AI Agent Studio eksemplifiserer denne tilnærmingen ved å gi tilgang til Oracle Fusion Applications API-er, kunnskapslager og forhåndsdefinerte verktøy som bevare organisasjonsspesifikke forretningslogikk i AI-drevne arbeidsflyter. Slike løsninger muliggjør at agentic AI-systemer kan fungere effektivt på tvers av ulike organisasjonsdatakilder.
• Kontekstuelle beslutningsmotorer: McKinseys 2025 AI-arbeidsplass-rapport understreker at suksessfulle entreprise AI-systemer må forstå forretningsimplikasjonene av enhver oppgave, for enhver organisasjon. Likevel tror bare 1% av bedriftene at de har nådd AI-modenhet, og understreker gapet mellom nåværende kapasiteter og kontekstuelle krav.

Konkurranserelaterte implikasjoner

Organisasjoner som kan etablere kontekst-rike AI-systemer, vil skape selvforsterkende fordeler for seg selv.

Hver forretningsinteraksjon har potensialet til å dykke Agentic AI sin nuanserte forståelse av de spesifikke behovene til enhver bedrift, og forbedre ytelsen og skape konkurranserelaterte fordeler som vil være vanskelige å replikere gjennom beregningskraft alene. Deloittes State of Generative AI-rapport bekrefter at mens 60% av organisasjonene driver opp til 20 AI-eksperimenter, ser de som fokuserer på “bransje- og forretningsspesifikke utfordringer” dramatisk bedre resultater.

Talentimplikasjonene er like signifikante. Mens AI-ingeniører krever premium-lønn, er den virkelige mangel profesjonelle som forstår både AI-implementering samt forretningsdomæne-ontologi. PwCs 2025-prediksjoner understreker at “AI-suksess vil være like mye om visjon som adopsjon, med bedrifter som trenger systematisk, transparente tilnærming til å bekrefte varig verdi.” Med andre ord, hvis personer som trener AI til å forstå forretningsbehovene ikke forstår disse behovene selv, vil heller ikke AI-agenter de skaper.

Strategisk imperativ

Hva er da de arkitektoniske endringene organisasjonene må gjøre?

Gartners Data & Analytics Summit understreker viktigheten av å flytte fra teknisk metadata til semantisk metadata—data som er beriket med forhåndsdefinerte forretningsdefinisjoner, ontologier og relasjoner. Denne ‘Semantisk-Først-Design’-skiftet er kritisk for organisasjoner som ønsker å trekke meningfulle innsikter og sikre klarhet på tvers av systemer. Samtidig er effektiv kontekstuell AI-styring avgjørende for å differensiere sanne agentic AI-kapasiteter fra utilstrekkelige modeller som bare tilbyr grunnleggende automatisering, men er misvisende markedsført som agentic.

Bedriftene som lykkes med agentic AI, vil være de hvis AI-agenter er strategisk konfigurert til å forstå forretningskontekster dypt nok til at de kan handle autonomt og effektivt.

Agentic AI-muligheten

Gartner forutsier at 33% av entreprise-programvare vil inkludere agentic AI innen 2028, opp fra mindre enn 1% i 2024. Oppsvinget i agentic AI gjør semantisk infrastruktur essensiell; for å oppnå dette, krever AI-systemer:

• Dyp kontekstuell forståelse for å ta autonome beslutninger i samsvar med forretningsmål.
• Semantisk konsistens på tvers av alle datakilder for å forebygge motstridende handlinger mellom ulike avdelinger og oppgaver
• Forretningslogikk-integrasjon for å sikre overholdelse av organisatoriske regler og reguleringer

Etterhvert som organisasjonene heller milliarder i agentic AI-utvikling, vil de uten semantiske grunnlag møte økende feilrater.

Kontekst-imperativet

Etterhvert som agentic AI-systemer blir mer utbredt, vil skillet mellom organisasjonene med semantisk infrastruktur og de uten, bare øke. For bedrifter som investerer i agentic AI, er valget klart: bygg semantiske grunnlag nå eller se på mens kontekst-bevisste konkurrenter omgjør smartere AI-investeringer til ubeseirelige fordeler.

I en tid med overflod av beregningskraft, er kontekst det nye gullet, og de som kan lære sine AI-systemer å virkelig forstå bedriften de tjener, vil tjene sin Midas-berøring.