Kontekst to nowe złoto: Następna fala agentywnego AI kupuje zrozumienie, a nie moc obliczeniową

Rewolucja AI jest w impasie – nie z powodu niewystarczającej mocy obliczeniowej, ale dlatego, że organizacje rozwiązują niewłaściwe problemy.

Podczas gdy globalne wydatki na GenAI mają osiągnąć 644 miliardy dolarów w 2025 roku, eksperci również ostrzegają, że ponad 40% projektów agentywnego AI zostanie anulowanych do 2027 roku. W rzeczywistości, ostatnia aktywność M&A – taka jak 250-milionowy zakup Crunchy Data przez Snowflake i zakup Predibase przez Rubrik – sygnalizuje fundamentalną zmianę: następna faza przedsiębiorczego AI dotyczy więcej niż tylko możliwości obliczeniowych… Dotyczy to głębszego zrozumienia.

Smart Money Is Moving

Według ankiety S&P Global Market Intelligence z 2025 roku, 42% firm porzuciło większość swoich ostatnich inicjatyw AI, w porównaniu z tylko 17% w 2024 roku. Kolejne 46% porzuciło demonstracje proof-of-concept przed rozpoczęciem produkcji.

Te projekty AI nie zawodzą z powodu ograniczeń technicznych, ale raczej z powodu luk semantycznych. Jeśli system AI może przetwarzać petabajty danych, ale nie może zrozumieć, co oznacza “wartość klienta w całym okresie jego życia” w różnych potrzebach departamentów, punkty awaryjne będą prawdopodobnie kontekstowe.

Zastanów się nad strategią za integracją możliwości semantycznego AI Postgres przez Snowflake, której celem jest stworzenie podstawy, na której agenci AI mogą zrozumieć kontekst transakcyjny i semantykę biznesu — umożliwiając deweloperom “budowanie godnych zaufania agentów AI” z “większą elastycznością, widocznością i kontrolą.” Podobnie, zakup Predibase przez Rubrik ma na celu pomóc klientom “bezpiecznie wdrożyć agentywny AI” przez priorytetowanie dokładności kontekstowej obok mocy obliczeniowej.

Gdzie kontekst spotyka się ze skalą

Sukces współpracy Palantir z Qualcomm w celu rozszerzenia możliwości zrozumienia AI jest kolejnym dowodem przekształceniowej mocy architektury AI opartej na kontekście. Ich “Ontologia” approach — tworzenie językowych precedensów dla mapowania pojęć biznesowych, relacji i reguł w formaty czytelne dla maszyn — przekształca AI z rozpoznawania wzorców w zwykłe rozumowanie biznesowe i pokazuje, jak zrozumienie semantyczne umożliwia AI działać skutecznie, nawet w środowiskach offline lub ograniczonych zasobami.

Na przykład, w odniesieniu do ich inicjatyw energetyki jądrowej, AI Palantir nie tylko przewiduje awarie sprzętu — ale także rozumie wpływ biznesowy na łańcuchy dostaw i zgodność z przepisami, które mogą prowadzić do lub wynikać z tych awarii. Podobnie, w produkcji, ich systemy rozumieją wzajemne zależności między kontrolą jakości, zarządzaniem zapasami a zobowiązaniami wobec klientów, umożliwiając holistyczny przegląd operacji, który pomaga przewidywać i zapobiegać problemom.

Jeden z executive’ów Palantir zauważył, “Ontologia [oparta na podejściu] umożliwia użytkownikom konstruowanie przepływów pracy, które łączą i łączą heterogeniczne aktywa logiczne”, pozwalając AI być “bezpiecznie wprowadzanym do coraz bardziej złożonych kontekstów podejmowania decyzji”.

Rewolucja infrastruktury opartej na kontekście

Zmiana z architektur opartych na wydajności na architektury oparte na znaczeniu reprezentuje fundamentalne przemyślenie przedsiębiorczego AI. Według Gartner’s 2025 Data & Analytics Summit ta transformacja zależy od trzech krytycznych czynników:

• Architektura danych semantycznych: Każdy punkt danych musi nieść znaczenie biznesowe, a nie tylko wartość obliczeniową. Jak pokazuje badanie firmy Enterprise Knowledge, warstwy semantyczne służą jako mosty między surowymi danymi a aplikacjami, zapewniając “ujednolicone i kontekstualizowane widoki”, które umożliwiają intuicyjne interakcje użytkowników.
• Integracja logiki biznesowej: Aby dostarczyć maksymalną wartość, nowoczesne AI wymaga integracji z kontekstami biznesowymi, określonymi przez potrzeby danej organizacji. Oracle’s AI Agent Studio jest przykładem tego podejścia, zapewniając dostęp do Oracle Fusion Applications API, sklepów z wiedzą i przeddefiniowanych narzędzi, które zachowują logikę biznesową specyficzną dla przedsiębiorstwa w ramach AI. Takie rozwiązania umożliwiają agentywnym systemom AI integrację ontologii biznesowych z protokołami kontekstu modelu (MCP), które umożliwiają płynną, bogatą w kontekst interpretację danych i pozwalają agentom AI działać w różnych źródłach danych przedsiębiorstwa.
• Silniki decyzyjne kontekstowe: Raport McKinseya o AI w miejscu pracy z 2025 roku podkreśla, że udane systemy AI przedsiębiorstw muszą głęboko zrozumieć implikacje biznesowe każdego zadania, dla każdej organizacji. Jednak tylko 1% firm uważa, że osiągnęło dojrzałość AI, co podkreśla lukę między bieżącymi możliwościami a wymogami kontekstowymi.

Wnioski konkurencyjne

Organizacje, które mogą pomyślnie ustanowić systemy AI bogate w kontekst, stworzą samowzmacniające się przewagi dla siebie.

Każda interakcja biznesowa ma potencjał pogłębić zrozumienie kontekstu agentywnego AI, poprawiając wydajność i tworząc przewagi konkurencyjne, które będą trudne do powielenia przez innych za pomocą samej mocy obliczeniowej. Raport Deloitte o stanie AI generatywnej w przedsiębiorstwie potwierdza, że podczas gdy 60% organizacji prowadzi do 20 eksperymentów AI, te, które koncentrują się na “wyzwaniach specyficznych dla branży i biznesu”, osiągają znacznie lepsze wyniki.

Wnioski dla talentów są równie istotne. Podczas gdy inżynierowie AI otrzymują premie za wynagrodzenie, prawdziwa rzadkość to profesjonaliści, którzy rozumieją zarówno wdrożenie AI, jak i ontologię biznesu. Przewidywania PwC na 2025 rok podkreślają, że “sukces AI będzie tak samo ważny jak wizja, a firmy będą potrzebować systematycznych, transparentnych podejść do potwierdzania trwałej wartości.” Innymi słowy, jeśli ludzie szkolący AI, aby zrozumieć potrzeby biznesu, nie rozumieją tych potrzeb sami, agenci AI, których tworzą, również nie będą ich rozumieć.

Imperatyw strategiczny

Co więc są zmiany architektoniczne, które organizacje muszą wprowadzić?

Gartner’s Data & Analytics Summit podkreśla wagę przejścia od metadanych technicznych do metadanych semantycznych — danych, które są wzbogacone o predefiniowane definicje biznesowe, ontologie i relacje. Ten “projekt semantyczny” jest kluczowy dla organizacji, które chcą wyprowadzić znaczące wnioski i zapewnić klarowność w systemach. Jednocześnie skuteczne zarządzanie kontekstem AI jest niezbędne do odróżnienia prawdziwych możliwości agentywnego AI od niewystarczających modeli, które oferują tylko podstawową automatyzację, ale są myląco reklamowane jako agentywne.

Firmy, które odnoszą sukces z agentywnym AI, będą tymi, których agenci AI zostali strategicznie skonfigurowani, aby głęboko zrozumieć konteksty biznesowe, tak aby mogli działać samodzielnie i skutecznie.

Możliwość agentywnego AI

Gartner przewiduje, że 33% oprogramowania przedsiębiorstw będzie zawierać agentywne AI do 2028 roku, w porównaniu z mniej niż 1% w 2024 roku. Wzrost agentywnego AI sprawia, że infrastruktura semantyczna jest niezbędna; aby to osiągnąć, systemy AI wymagają:

• Głębokiego zrozumienia kontekstu, aby podejmować autonomiczne decyzje zgodne z celami biznesowymi.
• Spójności semantycznej we wszystkich źródłach danych, aby zapobiec sprzecznym działaniom między różnymi departamentami i zadaniami
• Integracji logiki biznesowej, aby zapewnić zgodność z regułami i przepisami organizacyjnymi

Podczas gdy organizacje wydają miliardy na rozwój agentywnego AI, te bez fundamentów semantycznych będą miały rosnące wskaźniki awarii.

Imperatyw kontekstu

Gdy systemy agentywnego AI stają się bardziej powszechne, podział między organizacjami z infrastrukturą semantyczną a tymi bez niej będzie się tylko powiększał. Dla przedsiębiorstw inwestujących w agentywne AI wybór jest prosty: zbuduj fundamenty semantyczne teraz lub obserwuj, jak konkurenci świadomi kontekstu przekształcą mądrzejsze inwestycje AI w niepokonane przewagi.

W erze obfitej mocy obliczeniowej kontekst jest nowym złotem, a ci, którzy mogą nauczyć swoje systemy AI, aby prawdziwie zrozumieć biznes, który obsługują, zdobędą dotyk Midasa.