Um agente empresarial de IA responde com total confiança, mas o número está errado. Ninguém o detecta até que alguém o rastreie até uma definição de métrica obsoleta ou um documento que o sistema de recuperação nunca extraiu. O modelo não falhou. O contexto que foi dado sim. Nos últimos seis meses, 57% das empresas identificaram uma resposta confiante, mas errada, do agente de IA a um contexto de negócios ausente ou inconsistente, e 31% disseram que isso aconteceu mais de uma vez, de acordo com uma pesquisa VB Pulse de junho de 2026 com 101 empresas qualificadas com mais de 100 funcionários. A razão não é difícil de encontrar. A recuperação de documentos é a forma padrão pela qual os agentes obtêm contexto de negócios para 38% das empresas, quase o dobro da próxima abordagem mais próxima. A forma como a maioria das empresas escolhe um sistema de recuperação agrava o problema. A facilidade de ingestão e a simplicidade operacional lideram os critérios de seleção, com a precisão da recuperação ficando atrás de ambos. O problema de precisão só aparece depois que o sistema já está ativo. Existe uma solução conhecida para isso: uma camada de contexto governada da qual cada agente lê em vez de adivinhar. Os fornecedores estão correndo para implementar plataformas de contexto enquanto a maioria das empresas ainda está descobrindo o que são. 75% ainda não possuem uma camada de contexto agente A camada de contexto pretende ser um modelo compartilhado do que os dados de negócios realmente significam, construído uma vez e referenciado de forma consistente, em vez de ser re-derivado por cada agente que os toca. A pesquisa da VentureBeat mostra que a resposta das empresas a essa ideia é ampla, mas inacabada. Vinte e cinco por cento dos entrevistados executam um em produção. Trinta e quatro por cento estão construindo um agora. Os 41% restantes ainda não começaram. Entre as empresas que já estão construindo ou executando uma camada de contexto governada, 78% relatam uma falha confiante-errada – um agente de IA que respondeu com total certeza e ainda estava errado. Entre as empresas que não têm planos de construir uma camada, apenas 20% relatam a mesma coisa. As empresas que já foram prejudicadas têm muito mais probabilidade de construir a solução. As empresas que ainda não foram queimadas não veem urgência. Qual é a aparência do contexto governado quando alguém realmente constrói um Todos os principais fornecedores de plataformas de dados e IA estão agora construindo alguma versão dessa camada e não estão convergindo para a mesma arquitetura. O DataHub está tratando metadados de catálogo e anos de comportamento de consulta de analistas como uma fonte de conhecimento e, em seguida, mantendo-os atualizados como um sistema vivo, em vez de um wiki estático. O Fabric IQ da Microsoft está construindo uma ontologia de negócios que qualquer agente, não apenas o da própria Microsoft, pode consultar através do MCP. O Couchbase está levando a memória do agente e a recuperação de contexto até o limite, argumentando que o banco de dados operacional é um lar mais natural para ele do que uma camada de pesquisa ou análise instalada após o fato. O Nexus da Pinecone está compilando a lógica estrutural na camada de metadados antes do tempo de execução, apostando que os agentes precisam mais de uma estrutura pré-construída do que de uma pesquisa mais rápida. Snowflake executa um sistema de duas camadas, Horizon Context para definições gerenciadas pelo cliente e Cortex Sense para contexto que a plataforma infere por conta própria. O Unified Memory Core da Oracle adota a abordagem oposta, agrupando dados vetoriais, gráficos e relacionais em um mecanismo transacional para que não haja nenhuma camada de sincronização que fique obsoleta. O Catálogo de conhecimento do Google explora registros de consulta e padrões de uso para selecionar o contexto semântico automaticamente. O serviço Context da AWS faz a mesma aposta, um gráfico de conhecimento que fica mais inteligente a partir de como os agentes realmente o utilizam, em vez de uma nova curadoria manual. Analistas convergem para um diagnóstico As abordagens do fornecedor são diferentes. O que analistas e profissionais disseram à VentureBeat sobre o problema subjacente, em uma série de entrevistas este ano, não. Quando o impulso da camada de contexto do DataHub chegou nesta primavera, o vice-presidente e analista principal da Constellation Research, Michael Ni, enquadrou o que estava em jogo em termos contundentes. "Quem controla o contexto do tempo de execução controla a camada de decisão de IA para dados corporativos," Ni disse. Ele foi igualmente direto sobre até que ponto um único produto realmente consegue um comprador. "A memória vetorial não é significado comercial, o significado comercial não é governança e governança não é execução," Ni disse. Na mesma entrevista, o analista do BARC, Kevin Petrie, apontou para uma lacuna mais estreita, mas concreta. A maioria das plataformas de contexto concentra-se em tabelas estruturadas, disse ele, que fornecem aos agentes fatos confiáveis, mas perdem o contexto mais difícil e confuso preso em documentos e conteúdo não estruturado, exatamente o material que uma empresa realmente utiliza no dia a dia. Stephanie Walter, líder prática de AI Stack na HyperFRAME Research, fez uma observação relacionada no início deste ano, quando VentureBeat lhe perguntou sobre a fragmentação do contexto empresarial. "O mercado está convergindo para a mesma conclusão," disse Valter. "Os agentes não precisam apenas de mais tokens ou modelos melhores. Eles precisam de um contexto governado, atual e de baixa latência." Ela apresentou um caso semelhante em uma análise anterior do lançamento do Nexus da Pinecone, tomando cuidado para não exagerar o quão novo isso é. Nexus, ela disse, "muda o trabalho de conhecimento do caos do tempo de execução para uma estrutura pré-compilada. Mas é uma evolução da arquitetura RAG, não uma reinvenção completa." Arun Chandrasekaran, do Gartner, analisando o mesmo lançamento, ofereceu uma leitura mais prospectiva. A IA Agentic, disse ele, está migrando da pura recuperação de informações para uma arquitetura de raciocínio, onde o

Compartilhe uma chave de API entre cinco agentes de IA e um único agente comprometido herdará o alcance de todos os cinco. O

A SpaceX de Elon Musk lançou o Grok 4.5 na quarta-feira, o primeiro modelo de inteligência artificial que a empresa treinou especificamente para

Five years and $27.7 billion after Salesforce acquired Slack, the two products are finally starting to function as a single system. On Tuesday,

A Anthropic, a empresa de inteligência artificial, publicou um artigo de investigação abrangente no domingo, revelando que os seus modelos de linguagem Claude