Tankeledare

Förutsägelse för 2026 – Öppen källkod rider på AI-vågen in i sin nästa guldålder

Sijie Guo
Lägg till Unite.AI bland dina föredragna källor på Google
A widescreen, photorealistic digital landscape of a futuristic smart city where glowing data streams in various colors flow like highways between glass buildings and centralized glowing hubs.
Viktiga punkterAgenter misslyckas på grund av trasig kontext snarare än svaga modeller, vilket gör…
Visa mer
  • Agenter misslyckas på grund av trasig kontext snarare än svaga modeller, vilket gör kontexthantering till väsentlig infrastruktur.
  • Öppna gränssnitt och portabla byggstenar kommer att slå slutna stackar eftersom kontext spänner över alltför många leverantörer.
  • Kontexthantering kommer att bli en namngiven företagskategori när köpare som standard kräver styrkt härkomst.

IBMs förvärv av Confluent för 11 miljarder dollar, som meddelades i början av december, är mer än en stor konsolidering i datainfrastruktur: det är ett offentligt erkännande av att artificiell intelligens (AI) i grunden är händelsestyrd. Med andra ord är detta förvärv ett bevis på att företag behöver pålitlig data i rörelse lika mycket som data i vila. När organisationer har skyndat sig att distribuera AI-agenter över hela sina verksamheter under 2025, lyfter affären fram en kritisk insikt: realtidskontext är den saknade ingrediensen för att få agentbaserad AI att fungera i företagsskala.

IBMs eget sätt att beskriva affären avslöjar den strategiska förändringen. De positionerar den kombinerade enheten som en “smart data-plattform för AI-agenter” – infrastruktur som kan ansluta, bearbeta och styra data i realtid så att agenter kan fungera sömlöst över hybridmiljöer. Detta handlar inte om att sälja mer strömmande infrastruktur. Det handlar om att erkänna att AI-agenter behöver kontinuerlig, färsk kontext för att fungera tillförlitligt, och att strömmande data är det ledningssystem som gör det möjligt.

Paradoxen i hjärtat av företags-AI

IBMs förvärv av Confluent lyfter också fram en fascinerande paradox i datainfrastrukturlandskapet. Under de senaste åren har vissa infrastrukturföretag dragit sig tillbaka från open source, ändrat licenser och retirerat till proprietära modeller i jakten på starkare kommersialisering. Men AI-användningen tvingar ekosystemen tillbaka mot öppenhet. Varför? Agenter behöver interoperabla pipelines, anslutningar och styrning över många system – inte en enda leverantörs slutna stack.

Uppkomsten av kraftfulla open-source Large Language Models (LLM) har tryckt hela AI-ekosystemet mot transparens och portabilitet. Modeller som Llama, Mistral och många andra ger företag billigare och bättre alternativ till stängda modeller. Detta skapar spänning: datainfrastrukturföretag stänger sina trädgårdar just när AI-företagen som konsumerar deras produkter öppnar sina. IBMs förvärv av Confluent signalerar början på en återställning, där AI:s dragkraft tvingar infrastruktur tillbaka mot öppenhet.

Kontexthantering: Företagsförmåga som AI kräver

För att förstå varför behöver vi prata om vad jag kallar “kontexthantering” – en företagsförmåga att leverera den mest relevanta, tillförlitliga och bevarade kontexten till modellkontextfönster. Detta är inte bara ad-hoc Retrieval-Augmented Generation (RAG) -implementeringar utspridda över olika team. Det är en systematisk metod för att säkerställa att AI-agenter har tillgång till den information de behöver, när de behöver den, med lämplig styrning och ursprung.

Här är en enkel mental modell: Agenter körs på kontext. Kontext körs på pipelines.

Kontextpipelinen ser ut så här:

källor → strömmande → lagring (lakehouse/OLTP) → indexering (vektor + lexikalisk + SQL) → policy/styrning → servering → observerbarhet/utvärderingar.

Varje lager måste fungera tillförlitligt, och de måste fungera tillsammans. Strömmande ligger till grund för att det ger den kontinuerliga färskheten som agenter kräver.

Traditionella RAG-ansatser är ofta reaktiva – de hämtar kontext när de utlöses. Men agenter behöver också proaktiva uppdateringar: händelser som kontinuerligt uppdaterar minnet, uppdaterar hämtningsindex, justerar behörigheter och verkställer policys. IBMs förvärv av Confluent är i grunden en satsning på det “ständigt uppdaterade kontextlagret” som blir kritisk infrastruktur för företags-AI.

Varför agenter misslyckas (och varför det spelar roll)

Företags-AI-team upptäcker denna olyckliga sanning på ett hårt sätt: agenter misslyckas inte för att LLM är “dum”. De misslyckas för att den underliggande kontexten är trasig, gammal, ofullständig eller ostyrd. Faktum är att analytiker uppskattar att upp till 60% av AI-projekt kommer att överges på grund av brist på AI-klar data. En agent som fattar inköpsbeslut baserat på gårdagens lagerdata är inte till någon nytta. En agent som får tillgång till kundregister utan lämplig auktorisering är en mardröm för regelefterlevnaden. En agent som inte kan förklara sitt resonemang är oanvändbar i reglerade branscher.

Företag kan inte granska AI-beslut utan ursprung. De kan inte skala AI-applikationer utan konsekvent datafärskhet. De kan inte distribuera agenter med tillförlitlighet utan lämpliga skyddsräcken för styrningen. Alla dessa krav pekar mot samma slutsats: kontexthantering måste bli första-klassens infrastruktur, inte en eftertanke.

Den öppna källkodsåteruppkomsten

Här börjar den öppna källkodsrenässansen. Kontext omfattar för många leverantörer och system för att en enda proprietär stack ska vinna. Den lyckade ansatsen kommer att vara öppna gränssnitt plus portabla byggnadsblock: anslutningar, strömmande plattformar, metadatahantering, söksystem och policytillämpning. Stängd licensiering bromsar integration – och integration är hela spelet i agentbaserad AI.

IBM förstår detta. Deras historia med open source (främst genom Red Hat) ger dem trovärdighet. Den kombinerade IBM-Confluent-enheten är positionerad för att accelerera vad de kallar “händelsestyrd intelligens” genom att omfamna öppenhet där det spelar roll: vid integrationspunkterna där olika system behöver fungera tillsammans sömlöst.

Vi ser redan denna förändring ta form. Strömningsplattformar med öppen källkod, öppna tabellformat som Apache Iceberg och Delta Lake, och öppna standarder för metadata och styrning blir den sammanlänkande vävnaden i företags-AI-infrastruktur. Organisationer kräver portabilitet och interoperabilitet eftersom de vet att de kommer att arbeta med flera AI-modeller, flera dataarkiv och flera verktyg. Inlåsning är fienden till den flexibilitet de behöver.

En förutsägelse för 2026

Innan slutet av 2026 förutser jag att “kontexthantering” kommer att framträda som en namngiven kategori i företagsteknologistackar. Köpare kommer att kräva tre saker:

  • Först, öppna anslutningar och “ta med din egen” -arkitektur för dataarkiv och index. Inga enskilda leverantörer kommer att kontrollera hela kontextpipelinen.
  • Andra, standardiserade kontext-API:er över verktyg. Team behöver kunna byta komponenter utan att bygga om hela system.
  • Tredje, styrd proveniens som standard, inte som en eftermontering. Varje del av kontexten behöver en tydlig härstamning, och varje agentbeslut behöver en granskningslogg.

Detta är inte något man kan välja bort. Det är grundläggande krav för införande av företags-AI i stor skala.

Återställningen börjar

IBMs köp av Confluent markerar början på en grundläggande återställning i datainfrastruktur. AI:s momentum, drivet av behovet av sofistikerade agenter som fungerar i färsk, tillförlitlig kontext, tvingar branschen tillbaka mot öppenhet. Oavsett om det är ren open source eller, som minimum, öppen och verkställbar interoperabilitet beror på hur marknaden utvecklas. Men riktningen är tydlig.

De leverantörer som trivs i denna nya era kommer inte att vara de med de mest stängda, proprietära stackarna. De kommer att vara de som omfamnar öppenhet på integrationslagret, som tillhandahåller äkta interoperabilitet och som hjälper företag att bygga kontexthanteringsförmåga utan konstgjorda begränsningar.

Nästa våg av innovation kommer från open source-AI-infrastruktur som möjliggör för företag att bygga sofistikerade agenter och applikationer utan leverantörsinlåsning. Det är inte idealism – det är pragmatism. För när man bygger kritiska AI-system som måste omfatta hela företaget, är öppenhet inte en filosofi. Det är ett krav.

Sijie Guo är grundare och VD för StreamNative. Sijies resa med Apache Pulsar började på Yahoo!, där han var en del av teamet som arbetade med att utveckla en global meddelandeplattform för företaget. Han gick sedan till Twitter, där han ledde meddelandeinfrastruktursgruppen och var med och skapade DistributedLog och Twitter EventBus. År 2017 var han med och grundade Streamlio, som förvärvades av Splunk, och 2019 grundade han StreamNative. Han är en av de ursprungliga skaparna av Apache Pulsar och Apache BookKeeper och förblir VP för Apache BookKeeper och PMC-medlem i Apache Pulsar. Sijie bor i San Francisco Bay Area i Kalifornien.