企业正在构建受管制的上下文层，以防止 AI 代理给出自信却错误的回答，然而失败率却呈现出悖论式的上升。2026 年 7 月的一项调查显示，68% 的企业将此类失败归因于缺失或不一致的业务上下文，其中 37% 的企业经历了重复性问题。即便更多企业实施了受管制的上下文层，失败率仍在攀升。提供上下文的方法显著影响准确性；从文档中检索是常见但不完美的做法，许多企业缺乏结构化的方法。企业在采购检索系统时优先考虑访问控制，而非检索准确性，而这直接关联到自信却错误的回答问题。虽然企业通过衡量回答准确性来重视正确性，但其采购决策并未与之对齐。受管制的上下文层作为业务数据的共享模型，旨在通过使失败可见来修复这一问题。积极构建或运行此类层的企业报告了更高的重复性失败，这表明它们更擅长发现问题，而非这些层导致了问题。这种可见性对于识别被 AI 代理放大的长期数据治理问题至关重要。大型企业报告了更多失败，表明其拥有更好的仪器化和审查机制。仅靠检索不足以弥合上下文差距，尤其是当系统间存在不一致的定义时。预算正流向构建这些上下文层，但实际生产部署滞后，揭示了支出与问题解决之间的差距。干净的失败记录是一个警示信号，表明缺乏检查机制，而非治理稳健。大多数企业计划采用多供应商方法构建其上下文层，从而保留对该关键 AI 决策组件的控制权。