Un agente de IA empresarial responde con whole confianza, pero el número es incorrecto. Nadie lo detecta hasta que alguien lo rastrea hasta una definición métrica obsoleta o un documento que el sistema de recuperación nunca obtuvo. El modelo no falló. El contexto que se le dio sí lo hizo.
En los últimos seis meses, el 57% de las empresas rastreó una respuesta segura pero incorrecta de un agente de IA a un contexto empresarial faltante o inconsistente, y el 31% dijo que sucedió más de una vez, según una encuesta de VB Pulse de junio de 2026 de 101 empresas calificadas con más de 100 empleados.
La razón no es difícil de encontrar. La recuperación de documentos es la forma predeterminada en que los agentes obtienen el contexto empresarial para el 38% de las empresas, casi el doble que el siguiente enfoque más cercano. La forma en que la mayoría de las empresas eligen un sistema de recuperación agrava el problema. La facilidad de ingesta y la simplicidad operativa lideran los criterios de selección, con la precisión de la recuperación detrás de ambos. El problema de precisión sólo aparece después de que el sistema ya está activo.
Existe una solución conocida para esto: una capa de contexto gobernada desde la que cada agente lee en lugar de adivinar. Los proveedores se apresuran a implementar plataformas contextuales, mientras que la mayoría de las empresas aún están descubriendo qué es.
El 75% aún no tiene una capa de contexto agente
La capa de contexto está destinada a ser un modelo compartido de lo que realmente significan los datos comerciales, creado una vez y referenciado de manera consistente en lugar de volver a derivarlo cada agente que los toca.
La investigación de VentureBeat muestra que la respuesta empresarial a esa thought es amplia pero inconclusa. El veinticinco por ciento de los encuestados tiene uno en producción. El treinta y cuatro por ciento está construyendo uno en este momento. El 41% restante no ha comenzado.
Entre las empresas que ya están construyendo o ejecutando una capa de contexto gobernada, el 78 % informa una falla segura e incorrecta: un agente de IA que respondió con whole certeza y aún así estaba equivocado. Entre las empresas que no tienen planes de construir una capa, sólo el 20% afirma lo mismo. Es mucho más possible que las empresas que ya se han quemado estén creando la solución. Las empresas que aún no han sido quemadas no ven ninguna urgencia.
Cómo se ve el contexto gobernado cuando alguien realmente construye uno
Todos los principales proveedores de plataformas de datos e inteligencia synthetic están creando alguna versión de esta capa y no convergen en la misma arquitectura.
-
DataHub trata los metadatos del catálogo y años de comportamiento de consultas de analistas como una fuente de conocimiento y luego los mantiene actualizados como un sistema vivo en lugar de un wiki estático.
-
Material IQ de Microsoft está creando una ontología empresarial que cualquier agente, no sólo el de Microsoft, puede consultar a través de MCP.
-
Couchbase está llevando la memoria del agente y la recuperación de contexto al límite, argumentando que la base de datos operativa es un hogar más pure para ello que una capa de búsqueda o análisis agregada después del hecho.
-
Nexus de Pinecone está compilando lógica estructural en la capa de metadatos antes del tiempo de ejecución, apostando a que los agentes necesitan una estructura prediseñada más que una búsqueda más rápida.
-
Snowflake ejecuta un sistema de dos capas, Horizon Context para definiciones administradas por el cliente y Cortex Sense para el contexto que la plataforma infiere por sí sola.
-
Unified Reminiscence Core de Oracle adopta el enfoque opuesto: integra datos vectoriales, gráficos y relacionales en un motor transaccional para que no quede ninguna capa de sincronización que se quede obsoleta.
-
El Catálogo de conocimientos de Google extrae registros de consultas y patrones de uso para seleccionar el contexto semántico automáticamente.
-
El servicio Context de AWS hace la misma apuesta: un gráfico de conocimiento que se vuelve más inteligente a partir de cómo lo usan realmente los agentes en lugar de la recuperación handbook.
Los analistas convergen en un diagnóstico
Los enfoques de los proveedores difieren. Lo que analistas y profesionales le han dicho a VentureBeat sobre el problema subyacente, a lo largo de una serie de entrevistas este año, no es así.
Cuando el impulso de la capa de contexto de DataHub aterrizó esta primavera, el vicepresidente y analista principal de Constellation Analysis, Michael Ni, planteó lo que estaba en juego en términos contundentes. «Quien controle el contexto del tiempo de ejecución controla la capa de decisión de la IA para los datos empresariales», afirmó Ni. Fue igualmente directo sobre hasta qué punto un solo producto llega realmente a un comprador. «La memoria vectorial no es significado comercial, el significado comercial no es gobernanza y la gobernanza no es ejecución», dijo Ni.
En la misma entrevista, el analista de BARC Kevin Petrie señaló una brecha más estrecha pero concreta. La mayoría de las plataformas de contexto se concentran en tablas estructuradas, dijo, que brindan a los agentes datos confiables pero pasan por alto el contexto más complejo y desordenado encerrado en documentos y contenido no estructurado, exactamente el materials con el que una empresa realmente trabaja día a día.
Stephanie Walter, líder de práctica de AI Stack en HyperFRAME Analysis, planteó un punto relacionado a principios de este año cuando VentureBeat le preguntó sobre la fragmentación del contexto empresarial.
«El mercado está llegando a la misma conclusión», afirmó Walter. «Los agentes no sólo necesitan más tokens o mejores modelos. Necesitan un contexto gobernado, precise y de baja latencia». Ella presentó un caso comparable en una revisión anterior del lanzamiento de Nexus de Pinecone, teniendo cuidado de no exagerar lo nuevo que es todo esto. Nexus, dijo, «cambia el trabajo de conocimiento del caos en tiempo de ejecución a una estructura precompilada. Pero es una evolución de la arquitectura RAG, no una reinvención completa».
Arun Chandrasekaran, de Gartner, al revisar el mismo lanzamiento, ofreció una lectura más prospectiva. La IA agente, dijo, está pasando de la pura recuperación de información a una arquitectura de razonamiento, una en la que el contexto largo funciona como memoria a corto plazo y una base de datos vectorial funciona como almacenamiento profundo debajo de ella.
El problema de la fragmentación se manifiesta con mayor dificultad a nivel profesional, donde nunca se crearon herramientas separadas para la recuperación, la memoria y el management de acceso que coincidieran entre sí. Steven Dickens, director ejecutivo y analista principal de HyperFRAME Analysis, lo expresó sin rodeos después de que el impulso de la base de datos de inteligencia synthetic de Oracle aterrizara esta primavera. «Los equipos de datos están agotados por la fatiga de la fragmentación», dijo Dickens. «Administrar un almacén de vectores, una base de datos de gráficos y un sistema relacional separados solo para alimentar a un agente es una pesadilla para DevOps».
Matt Kimball de Moor Insights and Technique, en esa misma historia, expresó la realidad de la producción de manera más easy. Conseguir que un agente trabaje no es la parte difícil, afirmó. La dificultad es ejecutarlo en producción, donde el objetivo es eliminar la distancia entre los datos y la ejecución en lugar de agregar otra capa encima.
Qué significa esto para las empresas
Esto es lo que esto significa para las empresas que construyen sobre esta capa.
La recuperación por sí sola no cerrará la brecha contextual. RAG es la fuente predeterminada de contexto en la mayoría de las empresas hoy en día, y también es la capa más estrechamente asociada con el error de respuesta incorrecta y segura. Agregar más documentos o un índice más grande no soluciona una definición que sea inconsistente en todos los sistemas.
La capa de contexto semántico es hacia donde realmente se mueve el presupuesto, incluso donde no se ha enviado. El 58 por ciento de las empresas ya están comprometidas (en construcción o en producción), pero sólo el 25 por ciento ha puesto en marcha una capa. Esa brecha muestra dónde han decidido gastar las empresas, no dónde han llegado.
Ningún proveedor es propietario de la arquitectura todavía, y es possible que eso siga siendo así por un tiempo. Las empresas que evalúen esta capa deberían esperar integrarse en lugar de elegir un único ganador, al menos durante los próximos trimestres.
La decisión de compra se produce este año y se concentra entre las empresas que ya han sido quemadas por ella. El cincuenta y siete por ciento de las empresas planean cambiar o agregar una plataforma de recuperación o contexto dentro de los próximos doce meses. Esa intención no se distribuye uniformemente. Las empresas que informaron de un fracaso repetido planean cambiar o agregar un proveedor en aproximadamente el 81%, frente al 32% entre las empresas que nunca solucionaron el problema. Las empresas que buscan nuevas herramientas contextuales en este momento son en gran medida aquellas cuyos agentes ya se equivocaron.
Los agentes ya están corriendo. El contexto subyacente a la mayoría de ellos aún se está construyendo y este año se elegirá al proveedor que venderá la solución.
Estos datos serán parte de una conversación más amplia en Transformación VB 2026 el 14 y 15 de julio en Menlo Park: la brecha contextual que las empresas se apresuran a cerrar, y cuál de los enfoques emergentes (capas semánticas gobernadas, recuperación híbrida, paquetes nativos del proveedor) realmente se mantiene en producción.
