57% perusahaan telah menyaksikan bahwa agen AI salah. Lapisan konteks adalah alasannya
Agen AI perusahaan menjawab dengan keyakinan penuh, namun angkanya salah. Tidak ada yang menangkapnya sampai seseorang melacaknya kembali ke definisi metrik yang sudah usang atau dokumen yang tidak pernah ditarik oleh sistem pengambilan. Modelnya tidak gagal. Konteks yang diberikan memang demikian. Dalam enam bulan terakhir, 57% perusahaan menelusuri jawaban agen AI yang percaya diri namun salah hingga konteks bisnis yang hilang atau tidak konsisten, dan 31% mengatakan hal itu terjadi lebih dari sekali, menurut survei VB Pulse Juni 2026 terhadap 101 perusahaan yang memenuhi syarat dengan lebih dari 100 karyawan.Kredit: Survei VB Pulse Juni 2026Alasannya tidak sulit ditemukan. Pengambilan dokumen adalah cara standar bagi agen untuk mendapatkan konteks bisnis bagi 38% perusahaan, hampir dua kali lipat pendekatan terdekat berikutnya. Cara sebagian besar perusahaan memilih sistem pengambilan menambah masalah. Kemudahan penyerapan dan kesederhanaan operasional menjadi kriteria pemilihan, dengan akurasi pengambilan berada di belakang keduanya. Masalah akurasi hanya muncul setelah sistem aktif. Ada perbaikan yang diketahui untuk masalah ini, yaitu lapisan konteks yang diatur yang dibaca oleh setiap agen alih-alih menebak-nebak. Vendor berlomba-lomba untuk meluncurkan platform konteks sementara sebagian besar perusahaan masih mencari tahu apa itu.75% belum memiliki lapisan konteks agenLapisan konteks dimaksudkan untuk menjadi model bersama tentang arti sebenarnya dari data bisnis, dibuat sekali dan direferensikan secara konsisten, bukan diturunkan kembali oleh setiap agen yang menyentuhnya. Riset VentureBeat menunjukkan respons perusahaan terhadap gagasan tersebut masih luas namun belum selesai. Dua puluh lima persen responden menjalankannya di bidang produksi. Tiga puluh empat persen sedang membangunnya saat ini. Sebanyak 41% sisanya belum memulai. Di antara perusahaan yang telah membangun atau menjalankan lapisan konteks terkelola, 78% melaporkan kegagalan yang salah dan percaya diri — agen AI yang menjawab dengan sangat pasti namun tetap saja salah. Di antara perusahaan yang tidak berencana membangun lapisan, hanya 20% yang melaporkan hal yang sama. Perusahaan-perusahaan yang sudah bangkrut kemungkinan besar akan melakukan perbaikan. Kredit: VB Pulse Juni 2026Seperti apa konteks yang diatur ketika seseorang benar-benar membangunnya. Setiap vendor platform data dan AI besar sekarang membangun beberapa versi dari lapisan ini, dan mereka tidak menyatu pada arsitektur yang sama. DataHub memperlakukan metadata katalog dan perilaku kueri analis selama bertahun-tahun sebagai sumber pengetahuan, lalu menjaganya tetap terkini sebagai sistem yang hidup, bukan sebagai wiki statis. Fabric IQ dari Microsoft sedang membangun ontologi bisnis yang dapat ditanyakan oleh agen mana pun, bukan hanya milik Microsoft, melalui MCP. Couchbase mendorong memori agen dan pengambilan konteks hingga maksimal, dengan alasan bahwa database operasional adalah tempat yang lebih alami daripada lapisan penelusuran atau analitik yang dipasang setelah kejadian tersebut. Nexus Pinecone mengkompilasi logika struktural ke dalam lapisan metadata sebelum runtime, dengan harapan bahwa agen lebih membutuhkan struktur yang sudah dibangun dibandingkan pencarian yang lebih cepat. Snowflake menjalankan sistem dua lapisan, Horizon Context untuk definisi yang dikelola pelanggan dan Cortex Sense untuk konteks yang disimpulkan sendiri oleh platform. Unified Memory Core dari Oracle mengambil pendekatan sebaliknya, melipat vektor, grafik, dan data relasional ke dalam satu mesin transaksional sehingga tidak ada lapisan sinkronisasi yang tersisa. Katalog Pengetahuan Google menambang log kueri dan pola penggunaan untuk menyusun konteks semantik secara otomatis. Layanan Konteks AWS juga melakukan hal yang sama, yaitu grafik pengetahuan yang menjadi lebih pintar dari cara agen menggunakannya, bukan dari kurasi ulang manual. Analis berkumpul pada satu diagnosis. Pendekatan vendor berbeda. Apa yang dikatakan para analis dan praktisi kepada VentureBeat tentang masalah mendasar, melalui serangkaian wawancara tahun ini, ternyata tidak demikian. Ketika dorongan lapisan konteks DataHub muncul pada musim semi ini, Wakil Presiden Constellation Research dan analis utama Michael Ni membingkai pertaruhannya secara blak-blakan. “Siapa pun yang mengontrol konteks runtime akan mengontrol lapisan keputusan AI untuk data perusahaan,” kata Ni. Dia juga berterus terang tentang seberapa jauh suatu produk benar-benar menarik pembeli. “Memori vektor bukanlah makna bisnis, makna bisnis bukanlah tata kelola, dan tata kelola bukanlah eksekusi,” kata Ni. Dalam wawancara yang sama, analis BARC Kevin Petrie menunjukkan kesenjangan yang lebih sempit namun nyata. Sebagian besar platform konteks berkonsentrasi pada tabel terstruktur, katanya, yang memberikan fakta tepercaya kepada agen, namun kehilangan konteks yang lebih rumit dan berantakan yang terkunci dalam dokumen dan konten tidak terstruktur, yang merupakan materi yang sebenarnya dijalankan oleh bisnis sehari-hari. Stephanie Walter, pemimpin praktik AI Stack di HyperFRAME Research, menyampaikan poin terkait awal tahun ini ketika VentureBeat bertanya kepadanya tentang fragmentasi konteks perusahaan. “Pasar sedang berkumpul pada kesimpulan yang sama,” kata Walter. “Agen tidak hanya memerlukan lebih banyak token atau model yang lebih baik. Mereka memerlukan konteks yang tertata, terkini, dan berlatensi rendah.” Dia membuat kasus serupa dalam ulasan sebelumnya tentang peluncuran Nexus Pinecone, dengan hati-hati untuk tidak melebih-lebihkan betapa barunya hal ini. Nexus, katanya, “menggeser pekerjaan pengetahuan dari kekacauan runtime ke struktur yang telah dikompilasi sebelumnya. Namun ini merupakan evolusi arsitektur RAG, bukan penemuan kembali sepenuhnya.” Arun Chandrasekaran dari Gartner, yang meninjau peluncuran yang sama, menawarkan bacaan yang lebih berwawasan ke depan. Agentic AI, katanya, bergerak dari pengambilan informasi murni ke arah arsitektur penalaran, yang mana konteks panjang berfungsi sebagai memori jangka pendek dan basis data vektor berfungsi sebagai penyimpanan dalam di bawahnya. Masalah fragmentasi muncul paling sulit di tingkat praktisi, di mana alat terpisah untuk pengambilan, memori, dan kontrol akses tidak pernah dibuat agar sesuai satu sama lain. Steven Dickens, CEO dan analis utama di HyperFRAME Research, mengungkapkan hal ini secara blak-blakan setelah peluncuran basis data AI Oracle diluncurkan pada musim semi ini. “Tim data kelelahan karena fragmentasi,” kata Dickens. “Mengelola penyimpanan vektor, database grafik, dan sistem relasional terpisah hanya untuk mendukung satu agen adalah mimpi buruk DevOps.” Matt Kimball dari Moor Insights and Strategy, dalam cerita yang sama, memaparkan realitas produksi dengan lebih sederhana. Membuat agen bekerja bukanlah bagian yang sulit, katanya. Tantangannya adalah menjalankannya dalam produksi, yang tujuannya adalah menghilangkan jarak antara data dan eksekusi, bukan menambahkan lapisan lain di atasnya. Apa artinya ini bagi perusahaan? Inilah manfaatnya bagi perusahaan yang membangun lapisan ini. Pengambilan saja tidak akan menutup kesenjangan konteks. RAG adalah sumber default untuk konteks di sebagian besar perusahaan saat ini, dan juga merupakan lapisan yang paling erat kaitannya dengan kegagalan jawaban yang salah dan percaya diri. Menambahkan lebih banyak dokumen atau indeks yang lebih besar tidak memperbaiki definisi yang tidak konsisten di seluruh sistem. Kredit: VB Pulse Juni 2026 Lapisan konteks semantik adalah tempat anggaran sebenarnya bergerak, meskipun anggaran belum dikirimkan. Lima puluh delapan persen perusahaan sudah terlibat – membangun atau berproduksi – namun hanya 25% yang benar-benar memiliki lapisan yang aktif. Kesenjangan tersebut menunjukkan di mana perusahaan memutuskan untuk melakukan pembelanjaan, bukan di mana mereka telah mencapainya. Belum ada satu pun vendor yang memiliki arsitektur tersebut, dan hal ini kemungkinan akan tetap berlaku untuk sementara waktu. Perusahaan-perusahaan yang mengevaluasi lapisan ini harus berintegrasi daripada memilih satu pemenang saja, setidaknya untuk beberapa kuartal ke depan. Keputusan pembelian akan terjadi tahun ini, dan keputusan tersebut terkonsentrasi di antara perusahaan-perusahaan yang sudah terkena dampaknya. Lima puluh tujuh persen perusahaan berencana untuk mengganti atau menambahkan platform pengambilan atau konteks dalam dua belas bulan ke depan. Niat tersebut tidak tersebar secara merata. Perusahaan yang melaporkan rencana kegagalan yang berulang dan salah dalam mengganti atau menambah penyedia layanan berjumlah sekitar 81%, dibandingkan 32% di antara perusahaan yang tidak pernah mengalami masalah tersebut. Perusahaan-perusahaan yang saat ini sedang mencari perangkat konteks baru sebagian besar adalah perusahaan-perusahaan yang agennya telah melakukan kesalahan. Agen sudah berjalan. Konteks di bawah sebagian besar dari data tersebut masih dibangun, dan vendor yang menjual perbaikan tersebut sedang dipilih tahun ini. Data ini akan menjadi bagian dari diskusi yang lebih luas di VB Transform 2026 pada tanggal 14 dan 15 Juli di Menlo Park: kesenjangan konteks yang sedang dihadapi oleh perusahaan, dan pendekatan mana yang muncul – lapisan semantik yang diatur, pengambilan hibrid, bundel penyedia-asli – yang benar-benar bertahan dalam produksi.
Diterbitkan : 2026-07-10 20:58:00
sumber : venturebeat.com
