Os agentes corporativos de IA têm um novo modo de falha de produção, e esse não é o modelo. À medida que as empresas passam de RAG de camada única para arquiteturas de recuperação híbridas, os mesmos dados subjacentes produzem respostas diferentes dependendo de qual agente, ferramenta ou sistema faz a pergunta. Receita significa uma coisa em um painel de business intelligence (BI), algo um pouco diferente em uma tabela SQL e outra coisa em uma instrução de agente. A construção da infra-estrutura de recuperação nos últimos dois anos produziu uma busca de vetores mais rápida e barata. Não produziu uma definição partilhada do significado dos dados.
No Snowflake Summit 26 em São Francisco, o fornecedor de nuvem de dados está dando uma grande olhada nesse problema, com anúncios abrangendo um serviço de streaming gerenciado compatível com Kafka chamado Data Stream, melhorias de computação adaptativa, interoperabilidade expandida do Apache Iceberg e atualizações para seu agente Cowork e CoCo e produtos de codificação. Por baixo de tudo isso está uma camada de contexto: Horizon Context e Cortex Sense, um sistema de duas camadas projetado para fornecer aos agentes uma definição governada e compartilhada de lógica de negócios em pilhas de recuperação. O problema do contexto é a razão pela qual é importante: os dados VB Pulse Q1 2026 da VentureBeat, extraídos de uma pesquisa com organizações com 100 ou mais funcionários, mostram que a intenção de recuperação híbrida triplicou de 10,3% em janeiro para 33,3% em março, a posição estratégica de crescimento mais rápido no conjunto de dados.
"Existem muitas ferramentas por aí onde você pode fazer perguntas, você obtém uma resposta muito segura, mas se está correto ou não é diferente," disse Christian Kleinerman, vice-presidente executivo de produto da Snowflake.
Da lógica de negócios fragmentada a uma camada de contexto governada
O problema que o Horizon Context visa é específico. A lógica de negócios hoje é distribuída em SQL, painéis de BI e instruções de agente, e nenhum sistema possui a definição. Quando vários agentes ou ferramentas consultam os mesmos dados subjacentes, eles raciocinam sobre esquemas diferentes e retornam respostas diferentes. Horizon Context é a tentativa do Snowflake de corrigir isso na camada de catálogo, e não na camada de agente.
Contexto Horizonte. A camada gerenciada pelo cliente, construída com base na aquisição da Select Star pela Snowflake. Ele extrai metadados do Postgres, SQL Server, Tableau e Power BI para o Catálogo Horizon, de modo que cada agente, ferramenta de BI e sistema externo extraia da mesma definição governada, em vez de raciocinar de forma independente sobre um esquema físico bruto. O Semantic View Autopilot cria e refina automaticamente visualizações semânticas ao longo do tempo, estendendo a lógica de negócios selecionada sem exigir esforço manual contínuo.
Sentido do Córtex. A camada derivada da plataforma. Ele cria e enriquece automaticamente o contexto a partir de dados de clientes e padrões de uso de forma contínua, sem exigir criação manual de visualização semântica. Kleinerman descreveu isso como uma melhoria na experiência padrão antes que qualquer curadoria explícita ocorresse.
A distinção entre as duas camadas é arquitetônica e Kleinerman foi preciso quanto a isso. "Pense no Horizon Context como tudo o que é explícito e declarado pelos clientes, e o Cortex Sense é tudo o que está implícito e derivado por nós," Kleinerman disse.
As duas camadas se conectam à infraestrutura de recuperação existente do Snowflake. Cortex Search, a implementação RAG da empresa, conecta-se ao CoCo e ao Cowork como uma ferramenta, de modo que o contexto enriquecido por qualquer uma das camadas flua para fluxos de trabalho de recuperação.
Embora Horizon Context seja uma tecnologia Snowflake, o objetivo é que seja interoperável e aberto. A Snowflake está vinculando a tecnologia ao Open Semantic Interchange, tornando as definições declaradas pelo cliente portáveis em catálogos e ferramentas de terceiros.
"Horizon Context, estamos 100% comprometidos e liderando o esforço para garantir que isso não fique bloqueado," Kleinerman disse.
As camadas de contexto estão por toda parte. A questão é quais realmente funcionam.
A Snowflake está se juntando a um campo cada vez mais concorrido de fornecedores que buscam o mesmo problema. A Microsoft abriu sua ontologia de negócios Fabric IQ via MCP para que o agente de qualquer fornecedor possa aproveitar uma camada semântica compartilhada. A Redis lançou o Iris, uma plataforma de contexto e memória que fica entre os agentes e seus dados, construída em um mecanismo de armazenamento redesenhado para volumes de recuperação em escala de agente. A Pinecone está se reposicionando de banco de dados vetorial para mecanismo de conhecimento com o Nexus, que compila dados corporativos em artefatos específicos de tarefas antes que os agentes os consultem.
Devin Pratt, diretor de pesquisa da IDC, disse à VentureBeat que, em sua opinião, Snowflake está indo na direção certa e indo para onde todo o mercado está indo.
"Os agentes são tão bons quanto os dados e a semântica por trás deles, portanto, a camada de contexto, e não o modelo, é o que devemos observar agora." Pratt disse.
Na opinião de Pratt, o que funciona na versão de Snowflake é a divisão. Horizon Context cobre o que as equipes declaram e fazem a curadoria, e Cortex Sense cobre o que a plataforma capta automaticamente. Igualmente importante, eles ancoraram o Horizon Context dentro do catálogo e da camada de governança, em vez de aplicá-lo após o fato.
"A camada de contexto é o verdadeiro campo de batalha para a IA agente. Um agente é tão confiável quanto os dados e a semântica por trás dele" Pratt disse.
Mike Leone, vice-presidente e analista principal da Moor Insights and Strategy, concordou que tratar as duas camadas de maneira diferente é a decisão arquitetônica correta.
"Gosto do rumo que Snowflake está tomando. Eles estão dividindo o contexto em dois grupos, com Horizon Context cobrindo o que os clientes definem explicitamente e Cortex Sense cobrindo o que a plataforma descobre por conta própria," Leone disse ao VentureBeat. "Você não pode confiar nessas duas coisas da mesma maneira, então tratá-las de maneira diferente é a decisão certa. Se o Snowflake puder mostrar que essas duas camadas se reconciliam de maneira clara e você puder ver de onde veio cada resposta, eles terão algo real."
O que isso significa para as empresas
Para empresas que avaliam camadas de contexto, a direção arquitetônica é clara. A lacuna de execução não é.
Os agentes elevam a fasquia num problema antigo. A ideia da camada semântica existe há anos, mas os agentes mudam os custos da falha – quando um agente dá uma resposta errada em grande escala, o dano é imediato. Leone é direto sobre o que isso significa para a maioria dos fornecedores atualmente no mercado.
"A maioria dos fornecedores que vendem uma solução imediata são promissores demais," Leone disse. "Coloque-o em uma empresa real e isso exporá principalmente o quão confusos seus dados e definições já são, e muitas empresas estão prestes a descobrir isso da maneira mais difícil."
A barra de avaliação é específica. Pratt identificou o que separa as camadas de contexto que funcionam daquelas que param: governança e linhagem incorporadas para que as equipes possam auditar por que um agente deu a resposta que deu, portabilidade para que o contexto e a política não fiquem restritos a um fornecedor e precisão que possa ser medida e reutilizada entre agentes e ferramentas.
"As empresas não precisam de outro silo de semântica," Pratt disse. "Eles precisam de uma camada de contexto que seja governada, portátil e confiável o suficiente para auditar."
Fonte ==> Cyberseo
