Egy VB Pulse felmérés július 2026-ból azt találta, hogy a vállalati AI-ügynökök magabiztos, de téves válaszait most gyakrabban kötik hiányzó vagy inkonzisztens üzleti kontextushoz. A 101, legalább 100 munkavállalót foglalkoztató vállalatot érintő vizsgálat szerint az elmúlt hat hónapban a cégek 68%-a azonosított ilyen hibát – ez 57%-ról emelkedett júniushoz képest. A hibák ismétlődésének aránya is nőtt: 37%-ról 31%-ról 37%-ra.
Mi okozza a hibákat: a kontextus bevitele számít
A felmérés hangsúlyozza, hogy minden AI-ügynöknek szüksége van arra, hogy értelmezze, mit jelentenek a vállalati mutatók, hogy egy metrika következetesen van-e definiálva, vagy egy dokumentum aktuális-e. A problémát az jelenti, hogy a cégek nagyon különböző módokon adják át ezt a kontextust az ügynököknek, és ezek a módszerek eltérő megbízhatóságúak.
A dokumentumokból történő visszakeresés (retrieval) maradt a leggyakoribb megközelítés: ez a primer forrás a vállalatok 31%-ánál. Ugyanakkor a válaszadók 13%-a elsősorban hosszú kontextus betöltéssel üzemelteti az ügynököket, vagyis dokumentumokat közvetlenül töltenek be a modell kontextusablakába ahelyett, hogy strukturáltan visszakeresnék őket. További 5% nem használ strukturált kontextust, csak a modell általános tudását hagyja érvényesülni. Összességében tehát közel minden ötödik vállalat durva módszerrel vagy egyáltalán nem ad át strukturált üzleti kontextust.
Még a vezető megközelítés is téves választ eredményezhet: a visszakeresés úgy működik, hogy a kérdéshez hasonló jelentésű szövegrészeket párosít. A hasonló szóhasználat nem garantálja azonos jelentést. Srijith Rajamohan, a Redis AI-kutatási vezetője korábban erre mutatott rá: ha két mondat ugyanazokat a szavakat tartalmazza, például „Róma közelebb van, mint Párizs” és „Párizs közelebb van, mint Róma”, egy beágyazás-alapú visszakeresés nem tudja eldönteni a különbséget.
Beszerzési prioritások: hozzáférés és jogosultság előre, pontosság hátrébb
Amikor a vállalatok kiválasztanak egy visszakeresési rendszert, most a könnyű adatbevitel és a hozzáférés-szabályozás vezetik a listát, mindkettőt 24%-kal jelölték meg elsődleges szempontként. Ez az első alkalom ebben a sorozatban, hogy egy kormányzási tulajdonság vezeti a vásárlási döntést. A visszakeresés pontossága csak 15%-kal következik.
Ugyanakkor a rendszerek értékelésénél továbbra is a válaszok helyessége számít a legtöbbet: a vállalatok 38%-a jelölte meg elsődleges siker-mutatónak a válaszok korrekt voltát, ami nagyjából kétszerese a következő leggyakoribb szempontnak, a biztonságnak és hozzáférés-szabályozásnak (19%). Összegzésként: a vásárlások iránya a kormányzás felé mozog, de a sikerkritérium az, hogy a választ helyesnek ítéljék.
A kontextusréteg — aki bevezeti, az többet is lát a hibákból
A kormányzott kontextusréteg (governed context layer) éppen azzal a céllal jött létre, hogy csökkentse az ilyen hibákat: egy megosztott, egységes referenciát ad arra, mit jelentenek a vállalat adatai. Az elfogadottság azonban még nem teljes.
- 32% futtat ilyen réteget élesben.
- 31% pilotban vagy fejlesztés alatt álló megoldáson dolgozik.
- 20% értékeli a lehetőséget.
- 14% nem tervez ilyet.
- 4% nem tudja.
Ha ezt összevetjük azokkal, akiknek volt hibájuk, az eredmény fordított: a 91 olyan vállalat között, amelyek meg tudták mondani, tapasztaltak-e ilyen hibát, azok, amelyek élesben futtatnak vagy épp építenek kontextusréteget, 50%-ban jelezték az ismétlődő hibákat. Azok, amelyek nem rendelkeznek ilyen réteggel, 21%-ban látták az ismétlődést.
Ez nem azt jelenti, hogy a réteg maga okozza a hibát; sokkal inkább az, hogy a réteg teszi láthatóvá és visszakövethetővé a hibák valódi okát. Egy rossz válasz forrásának — például egy eltérő definíciónak vagy elavult táblának — a felderítése megköveteli a közös, kormányzott referenciát. Réteg hiányában ugyanaz a hiba továbbra is előfordul, de gyakran a modell számlájára írják, vagy soha nem tudják visszakövetni.
Kyle Nesbit, a Credible Data alapítója rámutatott, hogy ez a probléma jóval az AI előtt létezett: a kormányzott adat-elemzés hiánya "30 éve fennálló fájdalompont", amely az AI-val most nagyságrendekkel több zűrzavart és fájdalmat hoz.
A vállalatméret és az instrumetáltság hatása
A vállalatméret élesen különbözteti meg az eredményeket. Az 1 000 főnél nagyobb szervezetek 55%-ban jelentenek ismétlődő hibákat, szemben a 101–1 000 fős cégek 30%-ával. Érdekesség, hogy a nagyobb cégek kevésbé valószínű, hogy már éles réteget futtatnak (24% vs. 37% a középvállalati csoportnál). Több mérés, több ember, több kérdés: ez több hibát tár fel, nem kevesebbet. A hibamentes jelentés nem feltétlenül az egészséges kontextusréteg jele — legalább ugyanakkora az esélye annak, hogy egyszerűen nem ellenőrzik a választások helyességét.
Mit jelent ez a gyakorlatban a vállalatok számára?
A felmérés alapján néhány gyakorlati következtetés emelhető ki:
- A visszakeresés önmagában nem zárja le a kontextusbeli rést. RAG (retrieval-augmented generation) továbbra is alapértelmezett, de a nagyobb dokumentumkészletek vagy indexek nem javítanak ki téves definíciókat.
- A költségvetések gyorsabban mozdulnak a kontextusréteg építése felé, mint ahogy megoldások élesednek: a válaszadók 63%-a épít vagy futtat réteget, miközben csak 32% számolt be éles rétegről.
- A hibamentes naplózás gyanús lehet: a 22% azok aránya, akik egyáltalán nem számoltak be kontextusproblémáról — ez a csoport lehet a legkevésbé aktív az ellenőrzésben.
- A vállalatok nem akarják egyetlen szolgáltatónál hagyni a réteget: 79% tervezi, hogy legalább részben több beszállítós vagy saját megoldást tart fenn, míg csak 12% tervezi a teljes konszolidációt egyetlen szolgáltató natív kontextusstackjére.
Michael Ni, a Constellation Research elemzője korábban így fogalmazott: "Aki a futtatási kontextust irányítja, az irányítja az AI döntési réteget az vállalati adatoknál." A VB Pulse adatai azt mutatják, hogy a vállalatok most éppen ezen a döntési rétegen dolgoznak: a kontextusrétegek tervezése és bevezetése növeli a láthatóságot, és így látszólag több hibát hoz felszínre, miközben a valós cél a hibák csökkentése és a gyökérokok gyorsabb feltárása.
