Kontexten är det nya guldet: Nästa våg av Agentic AI handlar om att köpa förståelse, inte bearbetningskraft

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

Medan den globala utgiften för GenAI förväntas nå 644 miljarder dollar 2025, varnar experter också för att över 40% av agentic AI-projekt kommer att avbrytas 2027. Verkligen, den senaste M&A-aktiviteten – som Snowflakes 250 miljoner dollar förvärv av Crunchy Data och Rubriks förvärv av Predibase – signalerar en grundläggande förändring: företags AI:s nästa fas handlar om mer än beräkningsförmåga… Det handlar om djupare förståelse.

Smart pengar rör sig

Enligt S&P Global Market Intelligence’s 2025-undersökning, har 42% av företagen skrotat de flesta av sina senaste AI-initiativ, upp från bara 17% 2024. Ytterligare 46% övergav bevis för koncept-demonstrationer innan produktion ens började.

De här AI-projekten misslyckas inte på grund av tekniska begränsningar, utan på grund av semantiska luckor. Om ett AI-system kan bearbeta petabyte data men inte förstår vad “kundens livstidsvärde” betyder över varierande avdelningsbehov, kommer misslyckandepunkterna sannolikt att vara kontextuella.

Tänk på strategin bakom Snowflakes integration av Postgres semantiska AI-förmågor, som syftar till att skapa en grund där AI-agenter kan förstå transaktionskontext och affärssémantik — vilket möjliggör för utvecklare att “bygga pålitliga AI-agenter” med “större smidighet, synlighet och kontroll.” Rubriks förvärv av Predibase syftar likaså till att hjälpa kunder att “säkert distribuera agentic AI” genom att prioritera kontextuell noggrannhet bredvid beräkningskraft.

Där kontext möter skala

Lyckandet med Palantirs samarbete med Qualcomm för att utöka AI-förståelseförmågor är ett annat exempel på den transformerande kraften i kontext-först AI-arkitektur. Deras “Ontologi”-tillvägagångssätt — skapande av lingvistiska föregångare för att mappa affärskoncept, relationer och regler till maskinläsbara format — transformerar AI från mönsterigenkänning till vanligt affärsresonemang och visar hur semantisk förståelse möjliggör AI att fungera effektivt, även i offline- eller resursbegränsade miljöer.

Till exempel, i fråga om deras kärnkraftsinitiativ, Palantirs AI förutsäger inte bara utrustningsfel — den förstår de kaskadeffekter av affärspåverkan över leverantörskedjor och regulatorisk efterlevnad som antingen leder till eller följer av dessa fel. Likaså, i tillverkning, förstår deras system de ömsesidiga beroendena mellan kvalitetskontroll, lagerhantering och kundåtaganden, vilket möjliggör en helhetsbild av verksamheten som hjälper till att förutsäga och förebygga problem.

Som en Palantir-chef noterade, “Ontologitillvägagångssättet möjliggör för användare att konstruera arbetsflöden som inkorporerar och kombinerar heterogena logikresurser,” vilket möjliggör AI att “säkert introduceras i alltmer komplexa beslutsfattande sammanhang.”

Kontext-först infrastruktur-revolutionen

Förändringen från effektivitets-först till mening-först arkitektur representerar en grundläggande omprövning av företags AI. Enligt Gartners 2025 Data & Analytics Summit är denna transformation beroende av tre kritiska faktorer:

• Semantisk dataarkitektur: Varje datapunkt måste bära affärsmening, inte bara beräkningsvärde. Som konsultföretaget Enterprise Knowledge forskning visar, fungerar semantiska lager som broar mellan rådata och applikationer, vilket möjliggör “enhetsliga och kontextualiserade vyer” som möjliggör intuitiva användarinteraktioner.
• Integrering av affärslogik: För att leverera maximalt värde kräver modern AI integrering med förutbestämda affärssammanhang, som är specifika för varje organisations behov. Oracles AI Agent Studio exemplifierar detta tillvägagångssätt genom att ge tillgång till Oracle Fusion Applications API:er, kunskapsbutiker och fördefinierade verktyg som bevarar företagsspecifik affärslogik inom AI-drivna arbetsflöden. Sådana lösningar möjliggör agentic AI-system genom att integrera affärsontologier med Modell Kontext Protokoll (MCP), vilket möjliggör sömlös, kontextrik datainterpretation och tillåter AI-agenter att fungera över olika företagsdatasystem.
• Kontextuella beslutsmotorer: McKinseys 2025 AI-rapport betonar att framgångsrika företags AI-system måste förstå affärskonsekvenserna av varje uppgift, för varje organisation. Men bara 1% av företagen tror att de har nått AI-mognad, vilket betonar gapet mellan nuvarande förmågor och kontextuella krav.

De konkurrensmässiga implikationerna

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

Varje affärsinteraktion har potentialen att fördjupa Agentic AI:s nyanserade förståelse av de specifika behoven i varje affär, vilket förbättrar prestanda och skapar konkurrensfördelar som kommer att vara svåra att replikera genom beräkningskraft ensam. Deloittes rapport om generativ AI bekräftar att medan 60% av organisationerna genomför upp till 20 AI-experiment, är de som fokuserar på “bransch- och affärs-specifika utmaningar” dramatiskt bättre.

Talangimplikationerna är lika betydelsefulla. Medan AI-ingenjörer kräver premiumlöner, är den verkliga bristen på yrkesverksamma som förstår både AI-implementering och affärsdomäntologi. PwC:s 2025-prediktioner betonar att “AI-succes kommer att vara lika mycket om vision som antagande, med företag som behöver systematiska, transparenta tillvägagångssätt för att bekräfta varaktigt värde.” Med andra ord, om de personer som tränar AI för att förstå affärsbehov inte förstår dessa behov själva, kommer inte heller AI-agenter att göra det.

Den strategiska imperativet

Vad är då de arkitektoniska förändringarna som organisationer måste göra?

Gartners Data & Analytics Summit understryker vikten av att gå från teknisk metadata till semantisk metadata—data som är berikad med fördefinierade affärsdefinitioner, ontologier och relationer. Denna “Semantisk-först-design”-förändring är avgörande för organisationer som syftar till att erhålla meningsfulla insikter och säkerställa tydlighet över system. Samtidigt är effektiv kontextuell AI-styrning avgörande för att skilja sanna agentic AI-förmågor från otillräckliga modeller som bara erbjuder grundläggande automatisering men marknadsförs som agentic.

Företagen som lyckas med agentic AI kommer att vara de vars AI-agenter har konfigurerats strategiskt för att förstå affärssammanhang tillräckligt djupt så att de kan agera självständigt och effektivt.

Agentic AI-möjligheten

Gartner förutspår att 33% av företagsprogramvara kommer att innehålla agentic AI 2028, upp från mindre än 1% 2024. Tillväxten av agentic AI gör semantisk infrastruktur avgörande; för att uppnå detta kräver AI-system:

• Djup kontextuell förståelse för att fatta autonoma beslut i linje med affärsmål.
• Semantisk konsekvens över alla datasystem för att förhindra motstridiga åtgärder mellan olika avdelningar och uppgifter
• Integrering av affärslogik för att säkerställa efterlevnad av organisatoriska regler och bestämmelser

Medan organisationer investerar miljarder i agentic AI-utveckling, kommer de som saknar semantiska grunder att möta ökande misslyckandefrekvenser.

Kontext-imperativet

När agentic AI-system blir alltmer vanliga, kommer klyftan mellan organisationer med semantisk infrastruktur och de utan att öka. För företag som investerar i agentic AI, är valet tydligt: bygg semantiska grunder nu eller se hur kontextmedvetna konkurrenter omvandlar smartare AI-investeringar till obesegrbara fördelar.

I en tid av överflödig beräkningskraft, är kontexten det nya guldet, och de som kan lära sina AI-system att förstå affärerna de tjänar kommer att få sin Midas-beröring.