Tankeledare

Entitetsmatchning blir AI-infrastruktur, inte bara datarensning

Steven Renwick
Lägg till Unite.AI bland dina föredragna källor på Google
Viktiga punkterEntitetsupplösning förskjuts från periodisk rensning till infrastruktur i driftläge…
Visa mer
  • Entitetsupplösning förskjuts från periodisk rensning till infrastruktur i driftläge eftersom agenter agerar omedelbart på upplösta identiteter.
  • Sökberikade agenter ärver fragmenterade eller felaktigt sammanslagna poster och behandlar denna tvetydighet som fastställd fakta.
  • De flesta organisationer driftsätter autonoma agenter medan få anser att deras infrastruktur är genuint redo att styra dem.

För ett tag sedan såg jag en AI-agent ge ett självsäkert felaktigt svar av en helt ointressant anledning. Ett företag hade två poster för samma företagskund. Den ena innehöll det gamla handelsnamnet och en finanskontakt. Den andra innehöll det nya juridiska namnet som företaget antagit efter ett förvärv, tillsammans med en annan faktureringsadress. Agenten fick en enkel fråga: är betalningarna på detta kundkonto i ordning? Den hittade en post, såg inga förfallna fakturor och sa ja. De förfallna fakturorna var registrerade under det andra namnet.

Ingenting var hallucinerat. Modellen resonerade logiskt över de data den fick. Data råkade beskriva två kunder trots att det i verkligheten bara fanns en. Felet var inte i språkmodellen. Det var i kopplingen.

Jag har börjat tro att detta är en av de mest underskattade riskerna inom företags-AI och en av de minst diskuterade. Vi pratar oändligt om modellens noggrannhet, promptdesign och styrning. Vi pratar mycket mindre om huruvida systemet faktiskt vet vilken verklig kund, leverantör eller vilket konto det riktar sina handlingar mot. Den frågan har ett namn. Det kallas entitetsmatchning, och efter sextio år i bakgrunden förvandlas det tyst till en del av realtidsinfrastruktur.

Problemet ändrade tempus

Under större delen av disciplinens historia har “är dessa två poster samma enhet?” varit en rengöringsfråga. Du körde den i batch, enligt schemat, någonstans inuti ett masterdatahanteringsprogram, ett lager eller en analyspipeline. Det var aldrig perfekt, men felen gick att leva med, eftersom utdata var en rapport som någon läste nästa vecka. Om två poster för samma leverantör inte sammanfogades, blev en utgiftssiffra lite fel, en analytiker lade märke till det och det fixades i nästa körning. Systemet hade ett tidsmässigt spelrum. Tiden absorberade felen.

En AI-agent tar bort det spelrummet. Den ändrar tempus för frågan från “till slut” till “nu”. När en agent är på väg att godkänna en återbetalning, dirigera ett ärende, uppdatera en profil eller svara på en fråga om regelefterlevnad, ger den identifierade entiteten inte längre underlag till en instrumentpanel, utan till en åtgärd. Kostnaden för en felaktig koppling flyttas från en siffra som är lite fel till något som händer i världen, omedelbart, och ofta utan någon mänsklig inblandning för att fånga det.

Det är den förändringen som är värd att stanna upp inför. Det underliggande problemet är gammalt och väl förstått. Vad som är nytt är att vi har kopplat det direkt till system som agerar på egen hand.

1960-talets statistikproblem

Entitetsmatchning anlände inte med stora språkmodeller. Den anlände med hålkort. 1959 publicerade H. B. Newcombe och hans kollegor en kort artikel i Science om automatisk länkning av folkbokföringsuppgifter, där de beskrev hur en dator kunde bestämma om en födelseuppgift och en vigseluppgift hänvisade till samma person. Ett decennium senare gav Ivan Fellegi och Alan Sunter idén en formell matematisk teori, som definierade de tre resultaten som varje matchningssystem fortfarande producerar idag: en länk, en icke-länk och en möjlig länk som en person behöver granska.

Det finns en detalj i den här utvecklingshistorien som är värd att fokusera på, eftersom det är den del som människor oftast får fel. Postlänkning var aldrig bara exakt matchning på en e-postadress eller ett gemensamt ID. Från början var det probabilistiskt. Det vägde bevisen för att två poster var överens om ett efternamn, ett datum, en plats och producerade en poäng, eftersom mänskligt inmatade data är röriga och exakta nycklar misslyckas konstant. Modern entitetsmatchning fungerar fortfarande på det här sättet. Den kombinerar deterministiska regler, där en delad stabil identifierare är avgörande, med probabilistisk och ungefärlig matchning med maskininlärning som hanterar stavfel, smeknamn, omkastade fält, förkortningar och det dussin små sätt som samma person eller företag dyker upp olika på olika system. En bra översikt av fältet spårar en oavbruten linje från dessa folkbokföringsuppgifter från 1950-talet till kluster- och maskinlärningsmetoderna som används nu.

Vad som verkligen har förändrats är när vi behöver svaret. Forskare skrev om att lösa enheter vid frågetid, snarare än enbart i förväg, långt innan den nuvarande AI-vågen. Då var det en intressant optimering. Nu är det närmare ett krav.

Varför agenter förvandlar det till infrastruktur

De flesta företags-AI-system svarar inte från modellens minne. De hämtar. Mönstret som populariserats som retrieval-förstärkt generering låter en agent hämta relevant sammanhang när frågan ställs och resonera utifrån det. Det är, sammantaget, en bra sak. Det grundar svar i dina data snarare än modellens träning.

Men det medför en konsekvens som är lätt att missa. Agenten ärver allt som hämtningssteget ger den. Om hämtning returnerar en fragmenterad kund, tre partiella poster som aldrig anslöts, kommer agenten att resonera om tre kunder. Om hämtning returnerar en felaktigt sammanfogad kundprofil, två olika företag som kollapsade till en enda profil, kommer agenten att resonera om en. Den ambiguitet som redan finns i dina källsystem passerar rakt igenom och presenteras för modellen som fastställd sanning. Modellen har inget sätt att veta att kopplingen var fel, lika lite som du skulle, om du läser en snygg sammanfattning av poster du aldrig sett.

Så upplösning kan inte vara en eftertanke som körs en gång i kvartalet och hamnar i en separat tabell. Enheten måste sättas samman när data läses in, och den aktuella identifierade och sammanställda vyn av den måste vara hämtningsbar i ögonblicket agenten frågar. Det är ett beroende vid körning. Det beter sig mycket mer som en databas eller en autentiseringstjänst än som ett periodiskt datarengöringsprojekt, och det måste utformas och övervakas, och dess tillförlitlighet säkerställas, på samma sätt som för andra system som applikationen anropar i realtid.

Beredskapsgapet som ingen exakt namnger

Branschen känner redan att något saknas här. Ciscos AI-beredskapsindex 2025 fann att 83 procent av organisationerna planerar att distribuera autonoma agenter, medan bara cirka en tredjedel känner att deras infrastruktur verkligen är redo för dem, och bara runt en fjärdedel känner sig utrustade för att kontrollera och styra vad dessa agenter faktiskt gör. McKinseys senaste AI-tillstånd-undersökning beskriver ett liknande gap från den andra riktningen: cirka 88 procent av organisationerna använder AI i minst en funktion, men de flesta har inte skalat det över hela företaget.

När människor förklarar det gapet, tar de ofta till två ord: datakvalitet och styrning. Båda är viktiga, och ingen är valfri. Men det finns en smalare fråga som ligger under dem som rena, välstyrda data inte besvarar på egen hand. Kan systemet säga vilken verklig enhet en given post hänvisar till, över alla de platser där posten lever, just nu? Du kan ha högkvalitativa data i varje enskilt system och fortfarande misslyckas med det testet, eftersom felet inte bor inuti något system. Det bor i utrymmet mellan dem, där samma kund bär tre något olika ansikten.

Vad du ska kontrollera innan du låter en agent agera

Om du behandlar entitetsmatchning som realtidsinfrastruktur kan du inspektera det som infrastruktur. De operativa felmoderna är specifika och testbara: splittrade identiteter som borde vara en, felaktiga sammanfogningar av poster som borde förbli separata, föråldrade regler för val av det gällande värdet som fortsätter att prioritera en adress som redan har ersatts, saknade beständiga identifierare och agenter som ärver källsystemets ambiguitet som om det vore fastställd sanning.

Ett praktiskt beredskapstest kräver inte en ny modell eller en ny leverantörskategori. Samla en referensmängd med entiteter vars verkliga förhållanden du känner väl. Kör mängden genom samma hämtningsväg som din agent använder, inte en separat ren kopia byggd för demonstrationen. Mät sedan de saker som verkligen bestämmer resultaten: hur många felaktiga sammanfogningar och felaktiga splittringar, hur systemet hanterar verklig ambiguitet, var dess förtroendetrösklar sitter, när det eskalerar till en människa i stället för att gissa och hur smidigt det lämnar över till dina befintliga kontroller för masterdata och styrning. Om ett team inte kan svara på dessa frågor, agerar agenten på en identitet den inte kan verifiera, och förtroendet för dess utdata är missriktat.

Ingenting av detta ersätter masterdatahantering, styrning, kunddataplattformar eller datalagret. De svarar på olika frågor och de förblir nödvändiga. Styrning bestämmer vad en agent får göra. Entitetsmatchning bestämmer vem eller vad agenten riktar handlingen mot. Den första är mogen i de flesta stora organisationer. Den andra är det lager som många är på väg att upptäcka att de behöver bredvid det, i realtid, i ögonblicket de låter en agent agera snarare än att ge råd.

Agenten jag såg behövde inte en smartare modell. Den behövde veta att två namn var en kund innan den fick låta som om den var säker. När vi ger dessa system verklig auktoritet att agera, slutar den tysta, sextioåriga disciplinen att vara rengöring och blir en bärande struktur.

Steven Renwick är medgrundare och VD för Tilores (tilores.io), som tillhandahåller matchning av poster som avser samma entitet i realtid (entity resolution) via API:er för AI- och datateam. Han arbetar med teknik- och dataledare för att lösa kund-, leverantörs- och kontoidentitet över fragmenterade system.