Kontext: Så bygger vi en tillförlitlig datagrund för agentisk AI

Kontexten är avgörande för hur vi kommunicerar. Uttalanden som rycks ur sitt sammanhang kan verka betyda raka motsatsen till det som var avsett. Träffar vi någon utan sammanhang kan det vara svårt att känna igen personen. Kontexten är kittet som håller ihop mänskliga relationer och hjälper oss att hitta mening i våra sociala möten.

Detsamma gäller AI-agenter. Kontexten gör det möjligt för agenter att undanröja tvetydigheter – till exempel att skilja mellan Apple (teknikföretaget), Apple (skivbolaget) och ett äpple (frukten).

Denna entitetsupplösning är avgörande eftersom AI för företag fattar beslut och agerar blixtsnabbt: flaggar transaktioner, beviljar krediter och utlöser aviseringar. Om agenterna inte förstår vilka entiteter som ingår i arbetsflödena kommer de ändå att agera, men du kan vara säker på att de kommer att göra misstag.

Eftersom vissa uppskattningar tyder på att ett typiskt stort företag kommer att använda så många som 1 600 agenter vid årets slut kommer dessa misstag snabbt att mångdubblas.

Utmaningarna med att lösa digitala identiteter

Agentisk AI väcker med rätta stor entusiasm, men så länge agenterna inte verkligen kan förstå entiteterna i sina datamängder riskerar vi att bygga på osäker grund.

Det här är inte ett enkelt problem att lösa. En och samma kund kan till exempel förekomma i olika företagsdatabaser under olika namn (J. Bloggs, Jane Bloggs, Bloggs osv.). På samma sätt kan en och samma företagsenhet registreras separat i flera av sina dotterbolag. Hur ska agenter kunna veta att dessa till synes olika entiteter i själva verket hör till en och samma profil?

I nuläget kan de ofta inte det. Det beror på hur agenter är byggda. I grunden är en agent ett system som tar emot indata och ger utdata. Men exakt hur mycket data ska vi mata in i agenterna? Forskning visar att alltför långa kontextfönster får agenter att hallucinera. Omvänt kommer agenten att fatta ett självsäkert beslut och agera utifrån felaktig information om den får för lite data. Företag måste hitta en fin balans och ge systemet varken mer eller mindre kontext än det behöver.

Dataintegration är avgörande

Datavolymen är bara en del av utmaningen. Företag behöver också ta hänsyn till datakvalitet och integration. Dålig kontext beror på bristfälligt sammankopplade data. Hallucinationer kan uppstå när de data som en agent behöver för att fatta ett beslut är utspridda i olika isolerade databaser, appar och affärsenheter. Cirka 80–90 % av verksamhetskontexten finns i isolerade och ostrukturerade filer i system som inte är sammankopplade. Utan tillgång till den här informationen kommer AI-resultaten att bygga på ofullständiga antaganden.

Trots alla dessa utmaningar fortsätter införandet av AI-agenter i snabb takt. Om företagsledare inte kan lita på att agenterna fattar korrekta beslut och agerar rätt måste de investera i mer mänsklig tillsyn än vad som annars skulle behövas. I stället för de autonoma och mycket effektiva agenter de hoppats på får företagen opålitliga verktyg som kräver ständig tillsyn. Alternativet är att öka affärsrisken och arbetsbördan för regelefterlevnads- och juristteamen.

Bygg en datagrund för kontext

Vad behöver då göras? Nyckeln är att ge agenterna en korrekt och verifierad datagrund. Denna grund förenar fragmenterade data från interna och externa källor och tillämpar enhetlig styrning av både strukturerade och ostrukturerade data. Därefter tillförs kontext, så att de data som matas in i AI-systemet speglar verkliga relationer i stället för isolerade poster. På så sätt kan agenter koppla en person till personens alias eller ett dotterbolag till dess moderbolag.

Med en kontextuell datagrund blir AI-drivna processer korrekta, möjliga att förklara och bättre rustade att stödja välgrundade beslut. Företag kan lita på sina agenter i stället för att behöva övervaka dem, och därmed dra full nytta av agentbaserad automatisering utan överdriven tillsyn.

Ur ett tekniskt perspektiv uppnås kontext genom två funktioner. Den första är entitetsmatchning. Den kopplar samman poster som avser samma entitet när uppgifterna finns utspridda i olika system och datatyper. Posterna samordnas i en enda tillförlitlig vy över personer, organisationer och tillgångar. Därmed åtgärdas duplicering och tvetydighet, som ofta försämrar datakvaliteten och leder till felaktiga AI-resultat.

Den andra funktionen är kunskapsgrafer. De tillför kontext genom att modellera relationerna mellan entiteter: hur kunder är kopplade till konton, hur transaktioner hänger ihop med beteenden och hur risker sprids i nätverk. Tillsammans med entitetsmatchning skapar kunskapsgrafer en korrekt bild av data så som de ser ut i verkligheten och ger AI-agenter den grund de behöver för att fungera väl i stor skala.

Fördelar utöver agentisk AI

Självklart är AI-agenter inte de enda som använder data i företag. En datagrund med kontext säkerställer att driftpersonal, regelefterlevnadsteam, affärsanalytiker, HR-team och alla andra dataanvändare på samma sätt får nytta av en enhetlig och korrekt bild av verkligheten. 

Det kan i sin tur bidra till att förbättra kundupplevelsen. Om ett företag till exempel har flera profiler för samma kund kan det leda till att olika team kontaktar kunden vid upprepade tillfällen. Sådana upplevelser kan minst sagt göra kunder frustrerade. Kontextberikade data förbättrar kundupplevelsen eftersom de gör det möjligt för organisationer att förstå sina kunder mer fullständigt och säkerställa att de bemöts på rätt sätt. I grunden handlar det om ett mer människocentrerat arbetssätt som kan spara företag både tid och pengar. 

Att hålla AI ärlig

Gartner förutspår att 40 % av företagsapparna kommer att ha uppgiftsspecifika AI-agenter i år, en ökning från mindre än 5 % år 2025. Eran med agentisk AI är här. 

De fulla fördelarna med arbetsflöden för agentisk AI kommer dock inte att tillfalla alla som investerar i tekniken i samma utsträckning. De organisationer som förbereder marken genom att säkerställa en enhetlig, kontextrik datagrund kommer att kunna lita på AI-resultaten och snabbt skala upp. Övriga kommer att slösa tid och kraft på att passa upp på sina nya system. Framgången handlar därför om att bygga in ett levande kontextlager i teknikstacken för agentisk AI redan från dag ett.