Alessandro Cotrufo twierdzi, że kontekst jest największym wyzwaniem AI w przedsiębiorstwach

Alessandro Cotrufo zakwestionował podejście do AI w przedsiębiorstwach stawiające model na pierwszym miejscu, a nagłówek Google News sprowadził jego stanowisko do jednego wyraźnego konfliktu. Lepsze modele nie są głównym ograniczeniem. Trudniejszym problemem jest zapewnienie AI aktualnego, istotnego i odpowiednio zarządzanego kontekstu biznesowego wtedy, gdy musi odpowiedzieć lub podjąć działanie.

Nagłówek, przypisywany Carroll County Mirror-Democrat, zawiera niewiele szczegółów dotyczących wypowiedzi Cotrufo, które można niezależnie zweryfikować. Jego publiczna działalność łączy go jednak z Redis i wielokrotnie promuje ten sam argument: najważniejszy jest kontekst. Redis włączył też to stanowisko do swojej niedawnej strategii produktowej dotyczącej produkcyjnych agentów AI.

To rozróżnienie ma znaczenie, ponieważ przedsiębiorstwa od lat porównują modele od OpenAI, Google, Anthropic, Meta i innych dostawców. Argument Cotrufo przesuwa uwagę z wyników benchmarków na systemy otaczające te modele. Jeśli ma rację, zmiana modelu nie naprawi brakujących rekordów, nieaktualnych polityk, błędnych uprawnień ani nieudokumentowanych decyzji.

Nie oznacza to, że modele przestały mieć znaczenie. Jakość modelu nadal wpływa na rozumowanie, realizację instrukcji, korzystanie z narzędzi i trafność odpowiedzi. Zmiana polega na tym, że wybór modelu coraz częściej wygląda jak jeden element znacznie większego problemu z niezawodnością.

Nagłówek Google News wskazuje na szerszą strategię Redis

Najważniejszym wydarzeniem nie jest nowy model bazowy. Jest nim rosnący wysiłek, by przekształcić kontekst przedsiębiorstwa w odrębną kategorię infrastruktury.

Oryginalna pozycja w Google News przedstawiała pogląd Cotrufo jako bezpośrednie wyzwanie dla tradycyjnych priorytetów AI w przedsiębiorstwach. Jednak artykuł źródłowy trudno zweryfikować poza jego syndykowanym nagłówkiem. Czytelnicy powinni więc ostrożnie traktować dokładne przypisanie wypowiedzi, zwłaszcza wszelkie szczegóły nieodtworzone w dostępnym źródle pierwotnym.

Publiczne wpisy Cotrufo stanowią mocniejszy dowód dla szerszego stanowiska. Opisuje on agentów jako mających problem z kontekstem, a nie z inteligencją. Argumentował również, że produkcyjne AI zależy od utrzymywania spójności danych, funkcji i decyzji w czasie rzeczywistym.

Ten język ściśle odpowiada obecnemu kierunkowi produktowemu Redis. W maju 2026 roku firma wprowadziła Redis Iris jako system kontekstu i pamięci, mający łączyć agentów z rozproszonymi danymi przedsiębiorstwa. Redis opisuje silnik kontekstu jako warstwę między agentem a informacjami potrzebnymi mu do działania.

Dokumentacja firmy dotycząca silnika kontekstu wymienia cztery zarządzane usługi. LangCache ponownie wykorzystuje odpowiedzi na semantycznie podobne prompty. Agent Memory przechowuje informacje krótko- i długoterminowe. Context Retriever zapewnia agentom ustrukturyzowany dostęp do danych biznesowych. Data Integration synchronizuje zmiany z relacyjnych baz danych.

Ta architektura przekształca argument Cotrufo w konkretną tezę komercyjną. Model może rozumować wyłącznie na podstawie informacji dostępnych podczas konkretnego kroku inferencji. Jeśli aktualna polityka zwrotów pozostaje uwięziona w niedostępnym systemie, lepsze rozumowanie nie odzyska jej magicznie.

To samo ograniczenie dotyczy sytuacji, gdy agent napotyka sprzeczne rekordy. Baza klientów może wskazywać jednego właściciela konta, podczas gdy platforma wsparcia — innego. Wątek e-mailowy może zawierać najnowszy wyjątek, lecz żaden formalny system go nie rejestruje.

Model może tworzyć płynny język wokół takich sprzeczności. Nie jest jednak w stanie samodzielnie określić, który system jest autorytatywny, jeśli otaczająca go architektura nie dostarcza takiej reguły. Kontekst obejmuje zatem znaczenie, własność, uprawnienia, czas i pochodzenie danych, a nie jedynie dodatkowy tekst.

To tworzy centralne napięcie artykułu. Dostawcy modeli nadal poprawiają ogólne możliwości, podczas gdy wdrożenia w przedsiębiorstwach napotykają awarie zakorzenione w prywatnych warunkach operacyjnych. Warunki te różnią się między firmami i często zmieniają się szybciej niż cykl trenowania modelu.

Google News nadało temu argumentowi zwięzły nagłówek, lecz Redis dostarczył bardziej doniosły sygnał. Firma pozycjonuje obsługę kontekstu jako skoordynowaną warstwę produkcyjną, a nie zbiór niestandardowych integracji.

Takie ujęcie służy również interesom Redis. Firma sprzedaje infrastrukturę, która przechowuje stan, wyszukuje informacje i szybko przenosi dane. Jej diagnozy nie należy mylić z neutralnym dowodem, że jedna platforma rozwiązuje każde niepowodzenie związane z kontekstem.

Mimo to podstawowy problem wykracza poza jednego dostawcę. Google Cloud definiuje obecnie inżynierię kontekstu AI jako projektowanie środowiska danych i pamięci wykorzystywanych przez system AI. Ta niezależna zbieżność sugeruje, że kategoria ta staje się częścią głównej architektury przedsiębiorstw.

Wiadomość polega więc na zmianie akcentów. Przedsiębiorstwa przechodzą od pytania, który model jest najinteligentniejszy, do pytania, jakie informacje docierają do modelu, na jakich zasadach i w którym momencie.

Dlaczego modernizacje modeli nie mogą naprawić brakującej wiedzy biznesowej

Silniejszy model może lepiej rozumować, ale nie może rozumować na podstawie prywatnych faktów, których przedsiębiorstwo nigdy mu nie udostępniło.

Modele bazowe uczą się szerokich wzorców na dużych zbiorach treningowych. Dzięki temu są przydatne w ogólnym pisaniu, programowaniu, streszczaniu i analizie. Nie daje im to jednak automatycznej wiedzy o aktualnych umowach firmy, wewnętrznych API, zasadach zatwierdzania ani historii klientów.

Rozważmy agenta wsparcia obsługującego wniosek o zwrot środków. Model może znać typowe praktyki handlowe i przygotować przekonującą odpowiedź. Jego użyteczność zależy jednak od otrzymania obowiązującej polityki, rekordu zakupu, kategorii produktu, statusu klienta oraz wszelkich zatwierdzonych wyjątków.

Brakujący dokument polityki tworzy jeden tryb awarii. Nieaktualna kopia — kolejny. Nadmierne wyszukiwanie może też pogrzebać decydujący akapit pod nieistotnym materiałem, przez co większe okno kontekstowe będzie mniej użyteczne, niż oczekiwano.

Inżynieria kontekstu rozwiązuje ten problem selekcji. To proces zestawiania instrukcji, rekordów, wspomnień, opisów narzędzi i stanu operacyjnego, które model otrzymuje podczas inferencji. Celem nie jest dostarczenie wszystkiego. Chodzi o dostarczenie najmniejszego wiarygodnego zestawu wspierającego następną decyzję.

Wymóg ten staje się trudniejszy, gdy system AI działa w wielu krokach. Zwykły chatbot może odpowiedzieć na jedno odizolowane pytanie. Agent może sprawdzić konto, porównać polityki, poprosić o autoryzację, zaktualizować zgłoszenie i powiadomić klienta.

Każdy krok zmienia istotny stan. Agent musi pamiętać, co już sprawdził, rozpoznawać nowe dane i unikać powtarzania działania. Musi także zachować granicę między informacjami, które może odczytać, a operacjami, które może wykonać.

Większy model nie eliminuje tych obowiązków inżynieryjnych. Może sprawniej radzić sobie z niejednoznaczną instrukcją, lecz nadal potrzebuje ważnych poświadczeń i wiarygodnego zapisu wykonanych działań.

To wyjaśnia, dlaczego kontekst jest szerszym pojęciem niż generowanie wspomagane wyszukiwaniem, czyli RAG. RAG przeszukuje źródło wiedzy i dodaje istotne materiały do promptu przed wygenerowaniem odpowiedzi. Może ugruntować odpowiedź, ale samo wyszukiwanie nie zarządza każdą częścią środowiska pracy agenta.

Produkcyjna warstwa kontekstu może również obejmować pamięć sesji, preferencje użytkownika, schematy baz danych, zdarzenia na żywo, kontrole dostępu, wyniki narzędzi i stan przepływu pracy. Musi decydować, co zachować, co odrzucić i co odświeżyć.

Stack Overflow zilustrował tę lukę na przykładzie firmowego rozwoju oprogramowania. Jego analiza problemu kontekstu przedsiębiorstwa wskazuje, że ogólny asystent może znać publiczne biblioteki, lecz nie prywatną architekturę organizacji ani jej wcześniejsze decyzje techniczne.

Artykuł opisuje Genie Ubera, wewnętrznego asystenta używanego na kanałach Slack. Według Stack Overflow Genie łączy wewnętrzne, zweryfikowane przez ludzi repozytorium wiedzy z modelami OpenAI. Inżynierowie mogą sprawdzać źródła, zamiast akceptować odpowiedź bez potwierdzenia.

Przykład ten nie dowodzi, że każdy agent korzystający z kontekstu odniesie sukces. Pokazuje, dlaczego inteligencja modelu i wiedza instytucjonalna pełnią różne role. Model zapewnia możliwości językowe i rozumowania. Warstwa wiedzy dostarcza firmowych ograniczeń i dowodów.

Wiedza instytucjonalna obejmuje również wyjaśnienia, które rzadko trafiają do ustrukturyzowanych baz danych. Zespół mógł porzucić bibliotekę, ponieważ zawiodła podczas wcześniejszej migracji. Inna usługa może wymagać nietypowego zatwierdzenia z powodu starego zobowiązania dotyczącego zgodności.

Fakty te często przetrwają w notatkach ze spotkań, wątkach czatów, lokalnych plikach i pamięci pracowników. Budowanie użytecznej warstwy kontekstu zaczyna się więc jako problem organizacyjny, zanim stanie się problemem wyszukiwania.

Przeszukiwalna baza wiedzy może ułatwić dostęp do rozproszonych materiałów. Jakość wyszukiwania nie zrekompensuje jednak braku odpowiedzialności, niejasnych polityk ani dokumentów, których nikt nie aktualizuje.

Stanowisko Cotrufo jest w tym punkcie najmocniejsze. Przedsiębiorstwa nie mogą kupić wyjścia z nieudokumentowanych operacji poprzez wybór najnowszego modelu. Muszą uczynić swoją wewnętrzną rzeczywistość zrozumiałą dla maszyn.

Prawdziwa rywalizacja: zmiana modeli kontra inwestowanie w kontekst

Główna rywalizacja toczy się między ciągłym zastępowaniem modeli a trwałymi inwestycjami w dane, pamięć i zarządzanie otaczające każdy model.

Zespół stawiający model na pierwszym miejscu reaguje na słabe wyniki, testując innego dostawcę, rozbudowując prompty lub wybierając większe okno kontekstowe. Takie eksperymenty mogą pomóc, gdy pierwotna porażka dotyczy jakości rozumowania lub realizacji instrukcji.

Przynoszą mniej, gdy rekord źródłowy jest błędny. Jeśli agent sprzedażowy otrzymuje katalog produktów z poprzedniego kwartału, żaden lider benchmarków nie wywnioskuje wiarygodnie wszystkich zmian. Jeśli brakuje uprawnień, model nie może bezpiecznie uzyskać dostępu do ograniczonej umowy.

Zespół stawiający kontekst na pierwszym miejscu zaczyna od decyzji, którą system musi podjąć. Identyfikuje autorytatywne źródła, wymaganą aktualność, uprawnienia użytkownika, stan historyczny i dopuszczalną niepewność. Model jest następnie oceniany wewnątrz tego środowiska operacyjnego.

Takie podejście zmienia pytania zakupowe. Kupujący nadal muszą porównywać dokładność modeli, opóźnienia, bezpieczeństwo i kompatybilność. Muszą też sprawdzać, czy otaczająca aplikacja pobiera właściwe dowody i respektuje granice dostępu.

Wyszukiwania Google News zwykle eksponują widoczne premiery modeli, ponieważ wydania tworzą wyraźne wydarzenia i rozpoznawalne nazwy. Praca nad kontekstem jest mniej widoczna. Przejawia się w kontraktach danych, zestawach ewaluacyjnych, potokach wyszukiwania, systemach tożsamości i procedurach utrzymaniowych.

To jednak właśnie te mniej widoczne komponenty decydują, czy agent może przejść od demonstracji do powtarzalnego procesu pracy. Dopracowane demo często korzysta ze starannie wybranych dokumentów i przewidywalnych pytań. Produkcja ujawnia sprzeczne dane wejściowe, zmiany uprawnień, brakujące pola i nietypowe przypadki.

Argument stawiający kontekst na pierwszym miejscu wpływa również na uzależnienie od dostawcy. Gdy znaczenie biznesowe znajduje się wewnątrz promptów jednego dostawcy modeli lub jego własnościowego systemu pamięci, zmiana staje się kosztowna. Oddzielnie zarządzana warstwa kontekstu może zachować wiedzę instytucjonalną, podczas gdy modele się zmieniają.

Ta korzyść nie jest automatyczna. Magazyny kontekstu i produkty do orkiestracji mogą tworzyć własne zależności. Formaty danych, indeksy wektorowe, schematy narzędzi, historie ewaluacji i polityki dostępu nadal mogą wiązać firmę z jedną architekturą.

Przedsiębiorstwa powinny zatem oddzielać trwałe zasoby od wymienialnych komponentów. Trwałe zasoby obejmują własność źródeł, definicje biznesowe, reguły zatwierdzania, przypadki ewaluacyjne i identyfikowalne zapisy. Modele, algorytmy wyszukiwania i frameworki orkiestracji powinny pozostać testowalne względem tych zasobów.

Strategia Redis odzwierciedla ten podział. W jego ogłoszeniu Redis Iris opisano warstwę, która dostarcza agentom pamięć, dane ustrukturyzowane, wyszukiwanie, buforowanie i bieżące informacje operacyjne. Model znajduje się ponad tą warstwą i teoretycznie może zostać zmieniony.

Firma twierdzi, że jej Context Retriever tworzy kontrolowane narzędzia na podstawie zdefiniowanych encji biznesowych. To podejście ma znaczenie, ponieważ nieograniczony dostęp do bazy danych narażałby agentów na dane, których ani nie rozumieją, ani nie mają uprawnień używać.

Narzędzie może zawęzić zakres dostępnych działań. Zamiast zezwalać na dowolne zapytania, agent może otrzymać zatwierdzoną funkcję do pobierania zamówienia według identyfikatora klienta. Funkcja może egzekwować dostęp na poziomie wiersza i zwracać przewidywalny schemat.

To kontekst jako wykonywalna polityka, a nie jedynie dokument dołączony do promptu. Określa, o co agent może poprosić, jakie dane może zobaczyć i jak powinien je interpretować.

Dyrektor generalny RelationalAI, Molham Aref, przedstawił pokrewny argument z innej części rynku. W dyskusji z czerwca 2026 roku na temat warstwy kontekstu przedsiębiorstwa powiedział, że same dokumenty nie oddają relacji i logiki biznesowej stojących za decyzjami operacyjnymi.

To rozróżnienie jest istotne dla łańcuchów dostaw, wycen, ryzyka i analizy oszustw. Te obszary zależą od ustrukturyzowanych transakcji i zmieniających się relacji, a nie tylko od tekstu. System AI musi rozumieć, jak łączą się rekordy i jakie obliczenia definiują dane pojęcie biznesowe.

Konkurencja nie sprowadza się więc po prostu do Redis kontra inna firma bazodanowa. Głębsza rywalizacja ma charakter architektoniczny. Jedna ścieżka traktuje model jako centrum produktu i dołącza dane w razie potrzeby. Druga traktuje model jako komponent rozumujący wewnątrz zarządzanego systemu informacyjnego.

Teza Cotrufo sprzyja drugiej ścieżce. Jej atrakcyjność rośnie, gdy modele fundamentalne stają się łatwiejsze do zastąpienia, a dane przedsiębiorstw nadal trudno uporządkować.

Lepszy kontekst wprowadza własne zagrożenia dla dokładności i bezpieczeństwa

Kontekst może ograniczać odpowiedzi bez oparcia w źródłach, lecz źle zarządzany kontekst może sprawić, że system AI będzie z przekonaniem się mylił, mając dostęp do bardziej wrażliwych informacji.

To najsilniejsze wyzwanie dla argumentu Cotrufo. Określenie kontekstu jako największego problemu może sprawiać, że rozwiązanie wydaje się proste: podłączyć więcej danych, dodać pamięć i pobierać właściwe rekordy.

Każda z tych operacji wprowadza ryzyko. Usługa pamięci może zachować błędne założenie z wcześniejszej rozmowy. Mechanizm pobierania danych może wyświetlić zastąpioną politykę. Potok synchronizacji może szybciej propagować błąd systemu źródłowego.

Większa ilość kontekstu może także zwiększać ekspozycję. Agent podłączony do rekordów klientów, wewnętrznych wiadomości i systemów operacyjnych staje się cenniejszym celem. Złośliwa instrukcja w pobranym dokumencie mogłaby próbować przekierować agenta lub wydobyć informacje objęte ograniczeniami.

Kontrola dostępu musi zatem uwzględniać użytkownika i zadanie. Pracownik, który może przeglądać jedno konto regionalne, nie powinien uzyskiwać globalnego dostępu tylko dlatego, że współdzielony indeks agenta zawiera oba rodzaje danych. Trafność wyszukiwania nie stanowi upoważnienia.

Pochodzenie danych ma znaczenie z tego samego powodu. Każda istotna odpowiedź powinna ujawniać, które rekordy ją wspierały, kiedy te rekordy się zmieniły i który system jest ich właścicielem. Bez takiego śladu kontekst tworzy pewność bez rozliczalności.

Pamięć rodzi kolejne pytanie dotyczące zarządzania. Niektóre informacje powinny przetrwać między sesjami, na przykład potwierdzona preferencja użytkownika. Inne powinny wygasać, w tym tymczasowe instrukcje lub założenia, które nigdy nie zostały zweryfikowane.

Zespoły potrzebują zasad retencji, które odróżniają historię rozmów od trwałych faktów. Potrzebują też ścieżek korekty. Gdy użytkownik poprawia błąd, system musi zaktualizować lub unieważnić starą pamięć, zamiast później pobierać obie wersje.

Semantyczne buforowanie przedstawia podobny kompromis. Ponowne wykorzystanie wcześniejszej odpowiedzi może zmniejszyć opóźnienia i uniknąć niepotrzebnych wywołań modelu. Może też zwrócić nieaktualną odpowiedź, jeśli polityka bazowa zmieni się przed wygaśnięciem pamięci podręcznej.

Bezpieczna pamięć podręczna potrzebuje zatem czegoś więcej niż dopasowania według podobieństwa. Potrzebuje zasad wygasania, świadomości wersji źródeł oraz wykluczeń dla decyzji wymagających aktualnych danych. Zbuforowane wyjaśnienie może być akceptowalne, ale zbuforowane saldo konta już nie.

Ewaluacja pozostaje ostatnią barierą ochronną. Zespoły powinny testować kompletną aplikację, a nie tylko model. Przydatne testy mierzą precyzję pobierania, aktualność źródeł, egzekwowanie uprawnień, realizację narzędzi i zachowanie w sytuacji braku wymaganych dowodów.

System musi umieć odmówić lub eskalować sprawę. Agent, który zawsze udziela odpowiedzi, będzie wypełniał luki w kontekście wiarygodnie brzmiącym językiem. Niezawodność produkcyjna zależy częściowo od rozpoznania, kiedy dostępne dowody nie uzasadniają działania.

Profil dotyczący generatywnej AI amerykańskiego National Institute of Standards and Technology podkreśla zarządzanie ryzykiem w projektowaniu, wdrażaniu, monitorowaniu i zarządzaniu. To spojrzenie na cały cykl życia pasuje do inżynierii kontekstu, ponieważ jakość informacji i uprawnienia zmieniają się po uruchomieniu.

Twierdzenia dostawców również wymagają weryfikacji w środowiskach klientów. Redis twierdzi, że jego usługi mogą zapewniać trwałą pamięć, zarządzany dostęp i synchronizację niemal w czasie rzeczywistym. Te możliwości nie gwarantują poprawnych decyzji biznesowych bez dokładnych danych źródłowych i właściwie skonfigurowanych reguł.

Szersza teza o kontekście nie dowodzi też, że różnice między modelami stały się nieistotne. Niektóre zadania wymagają lepszego rozumowania, silniejszego działania wielojęzycznego lub bardziej niezawodnego wyboru narzędzi. Słaby model może niewłaściwie wykorzystywać znakomity kontekst.

Praktyczne stanowisko jest mniej kategoryczne niż nagłówek Google News. Niezawodność w przedsiębiorstwie wynika z interakcji między możliwościami modelu a jakością kontekstu. Użyteczna korekta Cotrufo polega na tym, że nabywcy często szczegółowo analizowali pierwsze z tych zagadnień, jednocześnie niedoinwestowując drugie.

Inżynieria kontekstu wywiera presję na każdego dostawcę AI dla przedsiębiorstw

Przesunięcie w stronę kontekstu wywiera presję na dostawców modeli, platformy danych, dostawców aplikacji i nabywców korporacyjnych, aby udowodnili niezawodność w całym przepływie pracy.

Firmy tworzące modele fundamentalne stoją pod presją, by ułatwiać podłączanie, zarządzanie, ewaluację i zastępowanie ich modeli. Surowe możliwości pozostają ważne, lecz nabywcy korporacyjni coraz częściej potrzebują przewidywalnego użycia narzędzi i jasnych mechanizmów kontroli.

Platformy chmurowe stoją przed innym wyzwaniem. Już zarządzają danymi, tożsamością i infrastrukturą aplikacyjną. Ich szansą jest integracja tych zasobów z platformami agentowymi bez zmuszania każdego klienta do korzystania z jednego modelu lub formatu danych.

Firmy bazodanowe i wyszukiwawcze postrzegają kontekst jako rynek ekspansji. Redis podkreśla stan w czasie rzeczywistym i pamięć. Inni dostawcy koncentrują się na wyszukiwaniu wektorowym, grafach wiedzy, warstwach semantycznych lub hurtowniach danych. Każdy przedstawia swoją dotychczasową mocną stronę jako brakującą warstwę przedsiębiorstwa.

Dostawcy aplikacji również mają przewagę. Ich produkty już zawierają reguły przepływu pracy i uprawnienia użytkowników. Platforma obsługi klienta rozumie zgłoszenia, podczas gdy platforma sprzedażowa rozumie konta i możliwości sprzedażowe.

Kontekst specyficzny dla aplikacji może jednak pogłębiać fragmentację. Agent działający między systemami sprzedaży, rozliczeń, wsparcia i produktu musi uzgadniać różne tożsamości oraz definicje. Żadna pojedyncza aplikacja nie reprezentuje automatycznie kompletnego obrazu firmy.

Firmy konsultingowe i wewnętrzne zespoły platformowe będą pod presją, by integrować te systemy. Ich wartość przesuwa się od budowania odizolowanych demonstracji ku definiowaniu wielokrotnego użytku usług kontekstowych, standardów ewaluacji i mechanizmów zarządzania.

Nabywcy korporacyjni ponoszą najtrudniejszą odpowiedzialność. Dostawcy mogą zapewnić konektory i systemy pamięci, lecz tylko przedsiębiorstwo może zdecydować, które źródło jest autorytatywne. Musi zdefiniować, co faktycznie oznacza „aktywny klient”, „zatwierdzony rabat” lub „rozwiązany incydent”.

Ta praca często ujawnia rozbieżności istniejące przed AI. Dwa działy mogą używać tej samej nazwy wskaźnika dla różnych obliczeń. Agent nie tworzy tego konfliktu, ale może go ujawnić i spotęgować.

Pracownicy umysłowi również powinni się tym interesować, ponieważ projekt kontekstu wpływa na to, czyj osąd zostaje zakodowany. Jeśli do systemu trafiają wyłącznie formalne dokumenty, użyteczne wyjątki i praktyczne doświadczenie mogą zniknąć. Jeśli trafia do niego każda nieformalna rozmowa, rośnie ryzyko dla prywatności i jakości.

Przemyślany second brain może pomóc osobom zachowywać decyzje i materiały je wspierające. Systemy przedsiębiorstw potrzebują dodatkowych mechanizmów kontroli dotyczących współdzielonej własności, uprawnień, retencji i możliwości audytu.

Deweloperzy będą musieli traktować potoki kontekstowe jak oprogramowanie produkcyjne. Prompty pobierania, parsery dokumentów, reguły rankingu, polityki pamięci i schematy narzędzi wymagają wersjonowania oraz testów. Zmiana w dowolnej warstwie może zmienić zachowanie agenta.

Menedżerowie produktów będą potrzebować wskaźników wykraczających poza użycie. Często używany asystent nadal może dostarczać niskiej jakości wskazówki. Lepsze sygnały obejmują zweryfikowane ukończenie zadań, wskaźniki korekt, wzorce eskalacji, pokrycie źródeł i czas zaoszczędzony w zdefiniowanych przepływach pracy.

Zespoły bezpieczeństwa staną się kluczowymi uczestnikami, a nie końcowymi recenzentami. Uprawnienia agentów muszą odpowiadać tożsamości użytkownika, zakresowi zadania i bieżącej polityce. Dzienniki muszą pokazywać zarówno dostęp do informacji, jak i podjęte działania.

Ujęcie Cotrufo redystrybuuje więc uwagę w całej organizacji. Program AI w przedsiębiorstwie przestaje być przede wszystkim projektem integracji modelu. Staje się ciągłym wysiłkiem na rzecz uporządkowania wiedzy, uprawnień, pamięci i informacji zwrotnej.

To bardziej wymagający przekaz niż „zainstaluj inteligentniejszy model”. Wyjaśnia też, dlaczego kontekst może być trwałym wyróżnikiem. Konkurenci mogą licencjonować podobne modele, lecz nie dzielą tej samej wiedzy instytucjonalnej ani dyscypliny operacyjnej.

Na co czytelnicy Google News powinni zwrócić uwagę dalej

Teza stawiająca kontekst na pierwszym miejscu zostanie potwierdzona przez dowody z produkcji, a nie przez kolejną rundę ogłoszeń w poszczególnych kategoriach.

Pierwszym sygnałem jest mierzalna wydajność przepływów pracy. Przedsiębiorstwa powinny informować, czy agenci świadomi kontekstu dokładnie realizują zdefiniowane zadania, a nie jedynie czy pracownicy otwierają chatbot. Wskaźniki korekt, eskalacje, ważność źródeł i udane działania narzędzi ujawnią więcej niż łączne dane o adopcji.

Jeśli te miary poprawią się, gdy firmy zachowają ten sam model fundamentalny, argument Cotrufo stanie się silniejszy. Jeśli modernizacje modeli przyniosą większe korzyści niż zmiany w kontekście, hierarchia przedstawiona w nagłówku będzie trudniejsza do obrony.

Drugim sygnałem jest przenośność modeli. Dostawcy coraz częściej twierdzą, że przedsiębiorstwa mogą zachować swoją warstwę kontekstu przy zmianie modeli. Nabywcy powinni sprawdzić tę obietnicę, uruchamiając identyczne zadania, dowody, uprawnienia i ewaluacje u wielu dostawców.

Udane przejście między dostawcami pokazałoby, że kontekst instytucjonalny staje się trwałym zasobem. Kosztowne przebudowy lub znaczące zmiany zachowania ujawniłyby ukryte zależności wewnątrz systemów rzekomo neutralnych wobec modeli.

Trzecim sygnałem jest zarządzanie w warunkach rzeczywistych. Platformy kontekstowe muszą pokazać, że potrafią obsługiwać cofnięte uprawnienia, zmienione polityki, usunięte rekordy i zatrute treści bez wycieku danych lub ponownego wykorzystywania nieaktualnych odpowiedzi.

System, który dobrze radzi sobie w statycznej demonstracji, lecz zawodzi po aktualizacji zasad, nie rozwiązał problemu przedsiębiorstwa. Aktualność, możliwość śledzenia źródeł i korekta muszą działać nieprzerwanie.

Nagłówek w Google News zasługuje na uwagę, ponieważ odzwierciedla rzeczywistą zmianę priorytetów w obszarze korporacyjnej AI. Nie należy jednak traktować go jako dowodu, że Cotrufo, Redis ani żaden inny dostawca rozwiązał już problem kontekstu.

Dla deweloperów i nabywców rozwiązań dla przedsiębiorstw najbliższy krok jest jasny: przeprowadźcie audyt jednego produkcyjnego procesu — od rekordu źródłowego po ostateczną decyzję. Ustalcie, co model widzi, co pomija, kto kontroluje każdy fakt oraz w jaki sposób korygowane są błędy.

Następnie sprawdźcie, czy zmiana modelu eliminuje zaobserwowane problemy. Jeśli nie, wąskie gardło prawdopodobnie znajduje się gdzie indziej. Teza Cotrufo zyska trwałe znaczenie tylko wtedy, gdy inwestycje w kontekst przełożą się na bezpieczniejszą i dokładniejszą pracę pod realną presją biznesową.