Компании с управляемыми контекстными слоями AI чаще фиксируют ошибки агентов

Исследование VentureBeat показало, что компании, внедрившие управляемые контекстные слои для AI-агентов, в два раза чаще фиксируют случаи, когда агенты выдают уверенные, но неверные ответы. За последние шесть месяцев 68% предприятий столкнулись с такой проблемой, причем 37% отметили повторяющиеся ошибки. Это на 11% больше, чем в июне 2026 года, когда аналогичное исследование выявило 57% таких случаев.

Проблема заключается в том, что AI-агенты нуждаются в четком понимании бизнес-контекста, но компании передают его по-разному. Наиболее распространенный подход — retrieval over documents (31%), однако 13% предприятий используют загрузку длинных документов напрямую в модель, а 5% вообще не предоставляют структурированный контекст. Это приводит к тому, что агенты могут интерпретировать данные неверно, даже если используют схожие по смыслу формулировки.

Управляемый контекстный слой должен решать эту проблему, предоставляя единую модель данных для всех агентов и инструментов бизнес-аналитики. Однако только 32% компаний уже внедрили его в производство, а 31% находятся на стадии пилотирования. При этом предприятия, использующие такие слои, чаще выявляют ошибки, так как они получают возможность отслеживать неточности в данных и определениях. Без контекстного слоя ошибки остаются незамеченными или списываются на несовершенство модели.

Крупные компании с числом сотрудников более 1000 чаще фиксируют повторяющиеся ошибки (55%), чем средние предприятия (30%). Это связано с тем, что у них больше инструментов для анализа данных и больше сотрудников, которые могут выявлять несоответствия. При этом только 24% крупных компаний уже внедрили управляемый контекстный слой, тогда как среди средних предприятий этот показатель достигает 37%.

Эксперты отмечают, что проблема несоответствия данных существует уже десятилетия, но с появлением AI она стала более заметной и масштабной. Большинство компаний (79%) не планируют передавать контроль над контекстным слоем одному вендору, предпочитая использовать лучшие инструменты или комбинировать решения. Это подчеркивает важность независимости в управлении данными для корпоративных AI-систем.