AWS samler tre kontekst-produkter i én stak ved Summit NYC
AWS lancerede onsdag tre produkter ved AWS Summit NYC og samlede dem under én paraply, de kalder en 'context intelligence stack'. Centerpiece er AWS Context, en selvlærende vidensgraf. Ved siden af den kom Amazon S3 Annotations og Glue Data Catalog Skill Assets. Det interessante er ikke antallet af produkter, men problemet de angriber sammen: hvem opdaterer vidensgrafen, når agenten møder noget nyt. Svaret fra AWS er, at agenten selv gør det. Grafen opdaterer sig ud fra faktisk agentbrug, ikke ud fra en dataingeniør, der manuelt tagger relationer en gang om måneden. For os, der har prøvet at holde en RAG-pipeline eller en manuelt kurateret ontologi i live, er det en markant anden tilgang.
Sådan lærer grafen af agentbrug frem for manuel vedligeholdelse
Den klassiske vidensgraf i en enterprise-kontekst kræver et team, der definerer entiteter, relationer og opdateringscyklusser. Problemet er velkendt for alle, der har driftet den slags: grafen bliver hurtigt forældet, fordi den virkelige verden ændrer sig hurtigere end den manuelle proces kan følge med. AWS Context vender logikken om. Når en AI-agent forespørger data, henter kontekst eller udfører en handling, registrerer systemet den interaktion og bruger den til at forstærke eller justere relationerne i grafen. Jo mere agenten arbejder, jo mere præcis bliver grafens forståelse af, hvilke data der faktisk hænger sammen, og hvilke der ikke gør.
Det betyder i praksis, at kvaliteten af konteksten stiger med brug i stedet for at forfalde med tiden. For et team, der bygger agentiske workflows oven på AWS, fjerner det en driftsopgave, der ellers kræver dedikeret bemanding. Det ændrer også hvor ansvaret for datakvalitet ligger. I stedet for at et dataingeniørteam ejer grafens korrekthed, bliver korrektheden en funktion af, hvor meget og hvor konsistent agenterne rent faktisk bruger systemet.
S3 Annotations og Glue Skill Assets bringer kontekst ned i datalaget
Det, der gør AWS Context til mere end endnu et lag oven på eksisterende infrastruktur, er, at annotationerne lever direkte i datalaget. S3 Annotations gør det muligt at knytte semantisk kontekst til objekter i S3, uden at data skal flyttes til en separat vektordatabase eller et parallelt metadata-lag. Det løser et praktisk problem, mange enterprise-teams kender: kontekstlag, der lever adskilt fra selve dataene, går ud af sync, fordi opdateringer i kildedata ikke automatisk forplanter sig til kontekstlaget.
Glue Skill Assets udvider samme princip til transformationslogik. I stedet for at en agent skal forstå en hel ETL-pipeline for at vide, hvad et datasæt betyder, kan Glue eksponere færdige "skills", som agenten kan kalde direkte. Det reducerer mængden af kontekst, en agent skal bære med sig i hver forespørgsel, fordi meningen med dataene allerede er kodet ind i selve datalaget frem for at skulle genopfindes ved hver agentkørsel.
Samlet betyder det, at kontekst ikke længere er noget, man tilføjer ovenpå en arkitektur. Den bliver en egenskab ved selve lagringslaget. For virksomheder med store S3-baserede datasøer er det en direkte vej til at gøre eksisterende data agent-klar uden en stor migreringsopgave.
AWS udfordrer Snowflake, Microsoft Fabric og Pinecone på samme banehalvdel
Snowflake, Microsoft Fabric og Pinecone har hver især bygget deres position i kontekstlaget for AI ud fra forskellige styrker. Snowflake og Fabric fokuserer på at gøre virksomhedsdata søgbare og strukturerede for analyse og nu også for agenter. Pinecone har bygget sin forretning specifikt på vektorsøgning og semantisk hentning til RAG-arkitekturer. AWS Context angriber begge lejre samtidig ved at kombinere en selvlærende relationsgraf med kontekst direkte i datalaget.
Fordelen for AWS er skalafordelen: langt de fleste enterprise-kunder, der allerede har store datamængder i S3 og bruger Glue til dataforberedelse, får kontekstlaget stort set gratis som en udvidelse af noget, de allerede driver. Det er en anden gå-til-marked-strategi end Pinecones, som kræver, at kunden aktivt vælger og integrerer en separat vektordatabase. Det ligner mere Fabrics ambition om at samle hele datastakken under ét tag, men med den vigtige forskel, at AWS Context er selvlærende frem for at kræve manuel modellering af relationer.
For danske virksomheder, der allerede kører på AWS, betyder det en lavere adgangsbarriere til agentiske arkitekturer. Man behøver ikke længere vælge mellem at bygge en separat vektordatabase eller vente på, at et internt team modellerer en virksomhedsontologi. Kontekstlaget kommer med infrastrukturen.
Hvad det betyder for MCP-baserede agent-arkitekturer
Model Context Protocol har på kort tid etableret sig som en standard for, hvordan AI-agenter henter og udveksler kontekst på tværs af systemer. AWS Context passer direkte ind i det billede, fordi en selvlærende graf med kontekst i datalaget er præcis den type kilde, en MCP-server kan eksponere til en agent uden ekstra oversættelseslag.
For teams, der allerede bygger MCP-servere oven på AWS-infrastruktur, betyder det, at S3 Annotations og Glue Skill Assets kan blive naturlige datakilder, agenten forespørger gennem MCP, i stedet for at hver enkelt MCP-server skal implementere sin egen kontekstlogik. Det reducerer duplikeret arbejde på tværs af et agent-økosystem, hvor flere agenter ellers ville skulle bygge deres egen forståelse af de samme data.
Det praktiske resultat er en kortere vej fra rå data til produktionsklar agent. Man slipper for at bygge og vedligeholde et separat kontekstlag ved siden af selve datainfrastrukturen. For virksomheder, der planlægger deres næste generation af agentiske systemer, er det værd at teste, om AWS Context kan erstatte dele af den kontekstpipeline, de ellers ville skulle bygge selv.