기업용 AI 에이전트는 종종 비즈니스 맥락의 누락 또는 불일치로 인해 자신감 있지만 잘못된 답변을 제공하며, 이는 57%의 조직에 영향을 미치는 문제입니다. 이 문제는 맥락을 위해 문서 검색에 널리 의존하는 것에서 비롯되며, 여기서 정확성보다 수집 용이성이 우선시됩니다. 일반적인 해결책은 에이전트가 일관되게 참조할 수 있는 공유 비즈니스 데이터 의미 모델인 거버넌스 맥락 계층입니다. 현재 75%의 기업에는 이러한 계층이 없지만, 58%는 적극적으로 구축 중이거나 이미 구현했습니다.이미 이러한 "자신감 있는-잘못된" AI 실패를 경험하고 있는 기업은 이 수정 사항을 채택할 가능성이 더 높지만, 영향을 받지 않은 기업은 긴급성이 덜합니다. 주요 데이터 및 AI 플랫폼 공급업체는 이 맥락 계층에 대한 다양한 아키텍처 접근 방식을 개발하고 있지만, 단일 표준은 아직 등장하지 않았습니다. 분석가들은 에이전트가 더 많은 토큰이나 더 나은 모델을 넘어 거버넌스되고 최신이며 낮은 지연 시간의 맥락을 필요로 한다는 데 동의합니다. 과제는 검색, 메모리 및 액세스 제어를 위한 이질적인 도구를 통합하는 데 있으며, 이는 운영 복잡성으로 이어집니다.기업의 경우 검색만으로는 맥락 격차를 해소하기에 충분하지 않으며, 예산은 의미론적 맥락 계층으로 전환되고 있습니다. 시장은 파편화되어 있어, 일부 공급업체를 선택하는 것보다 통합이 당분간 필요할 것입니다. 이러한 맥락 플랫폼을 채택하기로 한 결정은 올해 이루어지고 있으며, 주로 이미 AI 에이전트의 부정확성에 직면한 기업에 의해 주도되고 있습니다. 에이전트는 이미 사용 중이지만, 기본 맥락 인프라는 아직 구축 중이며, 이러한 솔루션에 대한 공급업체는 현재 선정되고 있습니다.