Kontext är det nya guldet: Nästa våg av agentisk AI köper förståelse, inte processorkraft

AI-revolutionen har nått ett dödläge – inte på grund av otillräcklig beräkningskraft, utan för att organisationer löser fel problem.

Medan de globala GenAI-utgifterna förväntas nå $ 644 miljarder 2025varnar experter också för att över 40% av agentiska AI-projekt kommer att ställas in senast 2027. Faktum är att den senaste tidens M&A-aktiviteter – såsom Snowflakes $ 250 miljoner förvärv av Crunchy Data och Rubriks förvärv av Predibase – signalerar ett grundläggande skifte: nästa fas av företags-AI handlar om mer än beräkningskapacitet… Det handlar om djupare förståelse.

Smarta pengar rör sig

Enligt S&P Global Market Intelligences undersökning 202542 % av företagen har skrotat de flesta av sina senaste AI-initiativ, en ökning från endast 17 % år 2024. Ytterligare 46 % övergav koncepttestdemonstrationer innan produktionen ens hade börjat.

Dessa AI-projekt misslyckas inte på grund av tekniska begränsningar, utan snarare på grund av semantiska luckor. Om ett AI-system kan bearbeta petabyte av data men inte förstår vad "kundlivstidsvärde" betyder för olika avdelningsbehov, kommer misslyckandena sannolikt att vara kontextuella.

Tänk på strategin bakom Snowflakes integrering av Postgres semantiska AI-funktioner, som syftar till att skapa en grund där AI-agenter kan förstå transaktionellt sammanhang och affärssemantik – vilket gör det möjligt för utvecklare att "bygga pålitliga AI-agenter" med "större flexibilitet, synlighet och kontroll". Rubriks förvärv av Predibase syftar på liknande sätt till att hjälpa kunder att "säkert distribuera agentisk AI" genom att prioritera kontextuell noggrannhet tillsammans med beräkningskraft.

Där kontext möter skala

Framgången för Palantirs senaste samarbete med Qualcomm att utöka AI-förståelseförmågan är ytterligare en demonstration av den transformerande kraften i kontextorienterad AI-arkitektur. "Ontologi"-metoden — skapa språkliga prejudikat för att kartlägga affärskoncept, relationer och regler till maskinläsbara format — omvandlar AI från mönsterigenkänning till enkelt affärsresonemang och visar hur semantisk förståelse gör det möjligt för AI att fungera effektivt, även i offline- eller resursbegränsade miljöer.

Till exempel, när det gäller deras kärnenergiinitiativ, Palantirs AI förutspår inte bara utrustningsfel – den förstår de kaskadliknande affärspåverkan över leveranskedjor och regelefterlevnad som antingen leder till eller är ett resultat av dessa fel. På samma sätt, i Produktion, deras system förstår ömsesidiga beroenden mellan kvalitetskontroll, lagerhantering och kundengagemang, vilket möjliggör en helhetsöversikt över verksamheten som hjälper till att förutsäga och förebyggande mildra problem.

Som en chef på Palantir noterade: ”Ontologins [baserade tillvägagångssätt] gör det möjligt för användare att konstruera arbetsflöden som införlivar och kombinerar heterogena logiska tillgångar”, vilket gör att AI kan ”introduceras säkert i alltmer komplexa beslutsfattande sammanhang”.

Den kontext-först infrastrukturrevolutionen

Skiftet från arkitekturer som fokuserar på effektivitet till arkitekturer som fokuserar på mening representerar ett fundamentalt nytänkande kring företags-AI. Enligt Gartners toppmöte om data och analys 2025 Hans förvandling beror på tre avgörande faktorer:

• Semantisk dataarkitekturVarje datapunkt måste ha affärsmässig betydelse, inte bara beräkningsmässigt värde. Som konsultföretag Företagskunskap forskning visar att semantiska lager fungerar som broar mellan rådata och applikationer, vilket ger "enhetliga och kontextualiserade vyer" som möjliggör intuitiva användarinteraktioner.
• Integration av affärslogikFör att leverera maximalt värde kräver modern AI integration med förutbestämda affärssammanhang, anpassade till den enskilda organisationens behov. Oracles AI Agent Studio exemplifierar detta tillvägagångssätt genom att ge tillgång till Oracle Fusion Applications API:er, kunskapslager och fördefinierade verktyg som bevarar företagsspecifik affärslogik inom AI-drivna arbetsflöden. Sådana lösningar stärker agentiska AI-system genom att integrera affärsontologier med Model Context Protocols (MCP), vilket möjliggör sömlös, kontextrik datatolkning och låter AI-agenter fungera över olika företagsdatakällor.
• Kontextuella beslutsmotorer: McKinseys rapport om AI-arbetsplatser från 2025 betonar att framgångsrika AI-system för företag måste ha en grundlig förståelse för de affärsmässiga konsekvenserna av varje given uppgift, för varje given organisation. Ändå tror endast 1 % av företagen att de har nått AI-mognad, vilket belyser gapet mellan nuvarande kapacitet och kontextuella krav.

De konkurrensmässiga konsekvenserna

Organisationer som framgångsrikt kan etablera kontextrika AI-system kommer att skapa självförstärkande fördelar för sig själva.

Varje affärsinteraktion har potential att fördjupa Agentic AI:s nyanserade förståelse för de specifika behoven hos ett givet företag, förbättra prestandan och skapa konkurrenskraftiga vallgravar som kommer att vara svåra för andra att replikera enbart genom beräkningskraft. Deloittes rapport om tillståndet för generativ AI bekräftar att medan 60 % av organisationerna genomför upp till 20 AI-experiment, ser de som fokuserar på "bransch- och affärsspecifika utmaningar" dramatiskt bättre resultat.

Implikationerna för talang är lika betydande. Medan AI-ingenjörer har höga löner, är den verkliga bristen yrkesverksamma som förstår både AI-implementering såväl som affärsdomänens ontologi. PwC:s förutsägelser för 2025 betona att ”AI-framgång kommer att handla lika mycket om vision som om implementering, där företag behöver systematiska, transparenta metoder för att bekräfta ett hållbart värde.” Med andra ord, om de personer som utbildar AI för att förstå affärsbehov inte själva förstår dessa behov, så kommer inte heller de AI-agenter de skapar att göra det.

Det strategiska imperativet

Så, vilka är exakt de arkitekturförändringar som organisationer måste göra?

Gartners data- och analystoppmöte understryker vikten av att gå från tekniska metadata till semantiska metadata – data som är berikad med fördefinierade affärsdefinitioner, ontologier och relationer. Denna förändring av "semantisk design först" är avgörande för organisationer som strävar efter att få meningsfulla insikter och säkerställa tydlighet över system. Samtidigt är effektiv kontextuell AI-styrning avgörande för att differentiera verkliga agentiska AI-funktioner från otillräckliga modeller som bara erbjuder grundläggande automatisering men marknadsförs vilseledande som agenturlösningar.

De företag som lyckas med agentisk AI kommer att vara de vars AI-agenter har konfigurerats strategiskt för att förstå affärssammanhang tillräckligt djupt för att de kan agera autonomt och effektivt.

Agentens AI-möjlighet

Gartner förutspår att 33 % av företagsprogramvaran kommer att inkludera agentisk AI år 2028, en ökning från mindre än 1 % år 2024. Uppkomsten av agentisk AI gör semantisk infrastruktur avgörande; för att uppnå detta kräver AI-system:

• Djupgående kontextuell förståelse för att fatta självständiga beslut i linje med affärsmål.
• Semantisk konsistens över alla datakällor för att förhindra motstridiga åtgärder mellan olika avdelningar och uppgifter
• Integrering av affärslogik för att säkerställa efterlevnad av organisatoriska regler och förordningar

I takt med att organisationer investerar miljarder i agentisk AI-utveckling, kommer de utan semantisk grund att möta eskalerande misslyckanden.

Kontextens imperativ

I takt med att agentiska AI-system blir allt vanligare kommer klyftan mellan organisationer med semantisk infrastruktur och de utan bara att öka. För företag som investerar i agentisk AI är valet tydligt: bygga semantiska grunder nu eller se hur kontextmedvetna konkurrenter förvandlar smartare AI-investeringar till oslagbara fördelar.

I en tid av överflödande datorkraft, kontext är det nya guldet, och de som kan lära sina AI-system att verkligen förstå den verksamhet de betjänar kommer att förtjäna sin Midas Touch.