В последние два года дискуссии об использовании искусственного интеллекта в корпоративном секторе были сосредоточены преимущественно на моделях, агентах и ​​инфраструктуре. Организации оценивали базовые модели, экспериментировали с фреймворками для создания агентов, инвестировали в облачные архитектуры, изначально спроектированные для ИИ, и стремились как можно быстрее внедрить «копилотов» и автономные системы. Однако многие из этих инициатив столкнулись с одним и тем же препятствием: эффективность агентов напрямую зависит от качества получаемого ими контекста, пишут в корпоративном блоге главные аналитики Forrester Чарли Дай (вице-президент), Лесли Джозеф и Индранил Бандьопадхьяй.

По мере того как агентный ИИ эволюционирует от систем типа «вопрос-ответ» к автономным системам, способным рассуждать, планировать, использовать инструменты и выполнять бизнес-процессы, контекст превращается из вспомогательного ресурса в критически важный элемент производственной среды. Агенты не могут полагаться на интуицию, институциональную память или человеческое суждение. Им необходим точный, своевременный и ситуативно релевантный контекст, объединяющий бизнес-знания, текущее операционное состояние, цели, ограничения и накопленный опыт. Этот сдвиг заставляет компании переходить от работы, основанной исключительно на данных, к деятельности, движимой знаниями.

Проблема заключается в том, что большинство предприятий изначально не были спроектированы для предоставления контекста подобным образом. Знания остаются разрозненными: они распределены по приложениям, документам, базам данных, электронной почте, бизнес-процессам и экспертизе отдельных сотрудников. Одних лишь данных недостаточно. Данные описывают реальность, знания — объясняют её, а контекст позволяет применить нужные знания к конкретной ситуации, чтобы ИИ-агент мог эффективно рассуждать, принимать решения и действовать.

Именно поэтому инженерия контекста (context engineering) становится фундаментальной дисциплиной для агентного ИИ. Хотя этот термин всё чаще встречается в экосистеме ИИ, организации зачастую трактуют его слишком узко — сводя лишь к составлению промптов или поиску информации. Forrester дает следующее определение инженерии контекста: это практика проектирования, оркестрации и предоставления структурированного, релевантного и своевременного контекста для ИИ-систем, обеспечивающая точность, обоснованность и соответствие их результатов заданным требованиям. В отличие от промпт-инжиниринга, который фокусируется на инструкциях, инженерия контекста сосредоточена на информации, семантике, инструментах, памяти и правилах, определяющих поведение агента до, во время и после выполнения задачи. Современная инженерия контекста базируется на четырех основополагающих элементах:

• Генерация с расширенным поиском (retrieval-augmented generation, RAG) формирует базу знаний, извлекая релевантную информацию из корпоративных данных, документов, метаданных и систем знаний, превращая разрозненные сведения в обоснованный и ситуативно значимый контекст.
• Вызовы функций связывают агентов с корпоративными приложениями, рабочими процессами, API и сервисами, позволяя им получать актуальную бизнес-информацию, выполнять действия и непрерывно адаптироваться к меняющимся операционным условиям.
• Управление памятью сохраняет историю взаимодействий, состояния рабочих процессов, наблюдения, предпочтения и принятые ранее решения в рамках различных задач и сессий, обеспечивая агентам непрерывность, персонализацию и долгосрочное понимание ситуации.
• Контекстные модели объединяют знания, полученные с помощью RAG, операционную осведомленность, сформированную через вызовы функций, и преемственность, поддерживаемую системой управления памятью, в целостное представление бизнес-реальности. Это создает структуру, благодаря которой агенты могут рассуждать, планировать и действовать последовательно в рамках сложных рабочих процессов.

Однако создание контекста — это лишь часть задачи. Предприятиям также необходимо обеспечить его практическое применение, управление, мониторинг, безопасность и постоянное совершенствование в масштабах всей организации. Именно здесь на помощь приходит концепция ContextOps. Forrester определяет ContextOps как операционную дисциплину, охватывающую управление, контроль, мониторинг и развитие контекстных активов и потоков на протяжении всего их жизненного цикла — от проектирования и разработки до выполнения в реальном времени и офлайновых обновлений. ContextOps переносит принципы DataOps, MLOps и AIOps на уровень контекста, гарантируя, что по мере развития и масштабирования агентов в организации контекст остается надежным, наблюдаемым, соответствующим нормативным требованиям и эффективным.

Следующий этап развития корпоративного ИИ будет определяться не только производительностью моделей или сложностью самих агентов, но и способностью организации превратить инженерию контекста в полноценную платформу. В условиях расширения масштабов внедрения ИИ компаниям требуются общие сервисы контекста, повторно используемые контекстные активы и единые механизмы управления — вместо разрозненных реализаций RAG, систем памяти и интеграции инструментов. Инженерия контекста должна эволюционировать из практики, применяемой в рамках отдельных проектов, в платформенную возможность корпоративного уровня, а ContextOps — обеспечить операционный фундамент, необходимый для поддержания надежности, управляемости и масштабируемости этой системы. В эпоху агентного ИИ победят не те, кто просто развернет больше агентов, а те, кто создаст более совершенные контекстные платформы.