AI एजंट स्प्रावल: कंपन्या AI टूल्सच्या ओझ्याखाली का दबत आहेत?
AI संवादाचे स्वरूप बदलले आहे.
२०२४ मध्ये, टीम्स कोणत्या मॉडेलची बुद्धिमत्ता जास्त आहे यावर चर्चा करत होत्या. २०२५ मध्ये, त्यांनी AI वापरून फीचर्स तयार केले. २०२६ मध्ये, त्यांना या सर्वांचे व्यवस्थापन करताना संघर्ष करावा लागत आहे.
प्रत्येक लॅपटॉपवर Cursor आहे. CI मध्ये Claude Code चालते. IDE मध्ये Copilot आहे. प्रॉडक्ट टीम्स ChatGPT वापरतात. डेटा टीम्स Gemini वापरतात. मार्केटिंग टीम्स लेखनासाठी डझनभर टूल्स वापरतात.
कोणाकडेही याची पूर्ण यादी नाही. कोणीही टोकन्सचे ऑडिट करत नाही. कोणते टूल ग्राहकांचा डेटा कोणत्या एंडपॉइंटवर (endpoint) पाठवत आहे, हे कोणालाच माहित नाही.
यालाच 'AI एजंट स्प्रावल' (AI agent sprawl) म्हणतात. ही २०२६ मधील सर्वात मोठी इन्फ्रास्ट्रक्चर समस्या आहे.
जेव्हा टूल्सचा वापर कंपनीच्या नियमांपेक्षा वेगाने वाढतो, तेव्हा स्प्रावल (sprawl) होतो. याचा अर्थ फक्त अनेक टूल्स वापरणे असा नाही, तर दृश्यमानता (visibility) किंवा नियंत्रण (control) नसताना ती वापरणे असा आहे.
स्प्रावल असल्याचे संकेत:
- एकाच कामासाठी वेगवेगळ्या टीम्स वेगवेगळी टूल्स वापरतात.
- बिल आल्यावर टोकन खर्च पाहून धक्का बसतो.
- इंजिनिअर्सना कोणता AI विशिष्ट डेटाला स्पर्श करत आहे, याचा मागोवा घेता येत नाही.
- प्रॉम्प्ट इंजिनिअरिंग (Prompt engineering) एकमेकांशी शेअर न करता स्वतंत्रपणे (in silos) केले जाते.
- जेव्हा सहा टीम्सचे काम एकाच वेळी थांबते, तेव्हाच तुम्हाला कळते की एखादे टूल बंद पडले आहे.
खरी समस्या म्हणजे अदृश्य डिपेंडन्सी ग्राफ (invisible dependency graph).
एखादा इंजिनिअर Cursor वापरत असू शकतो, तर CI पाइपलाइनमध्ये कस्टम GPT-4 इंटिग्रेशन असू शकते. कोड रिव्ह्यू बॉट Gemini वापरत असू शकतो.
आता विचार करा: यांपैकी कशाकडे तुमच्या डेटाबेस स्कीमाचा (database schemas), API कीजचा किंवा ग्राहकांच्या डेटाचा प्रवेश आहे?
याचे उत्तर अनेकदा 'या सर्वांकडे' असे असते. AI टूल्स डेटा प्रोसेस करण्यापूर्वी तो स्वच्छ (clean) करायला डेव्हलपर्स विसरतात. गार्डरेल्स (guardrails) शिवाय, ते अपयशी ठरतील.
AI खर्च ट्रॅक करणे देखील कठीण आहे. एक सिंगल एजंट लूप एका आठवड्यात तुमचा बिल तीन पटीने वाढवू शकतो. सेंट्रलाइज्ड अकाउंटिंगशिवाय, इन्व्हॉइस आल्यावरच तुम्हाला झालेल्या नुकसानीची जाणीव होते.
तुम्हाला गव्हर्नन्स स्ट्रॅटेजीची (governance strategy) गरज आहे. कोणत्या टूल्सना प्रवेश द्यावा हे ठरवण्यासाठी डेटा क्लासिफिकेशनचा (data classification) वापर करा:
- सार्वजनिक डेटा (Public Data): कोणतेही टूल.
- अंतर्गत डेटा (Internal Data): योग्य डेटा कराराची (data agreements) असलेली टूल्स.
- गोपनीय डेटा (Confidential Data): फक्त सेल्फ-होस्टेड किंवा झिरो-रिटेंशन (zero-retention) APIs.
- प्रतिबंधित डेटा (Restricted Data): कोणतेही AI टूल नाही. बस.
सर्वोत्तम उपाय म्हणजे AI Gateway. हा एक असा सिंगल पॉइंट आहे जिथून सर्व AI ट्रॅफिक प्रवाहित होते.
AI Gateway काय प्रदान करते:
- प्रत्येक टोकनसाठी खर्चाची दृश्यमानता (cost visibility).
- तुमच्या नेटवर्कमधून बाहेर जाण्यापूर्वी PII काढण्यासाठी सिक्रेट स्क्रबिंग (secret scrubbing).
- अनधिकृत प्रोव्हायडर्सना ब्लॉक करण्यासाठी पॉलिसी एन्फोर्समेंट (policy enforcement).
- प्रॉम्प्ट्सना कोडप्रमाणे हाताळण्यासाठी प्रॉम्प्ट व्हर्जनिंग (prompt versioning).
AI ला जादूचा डबा समजणे थांबवा. त्याला तुमच्या प्रोडक्शन डेटाबेसप्रमाणे (production databases) माना. तुमच्या ऑथ सिस्टम्स (auth systems) आणि डिप्लॉयमेंट पाइपलाइन्सप्रमाणेच (deployment pipelines) तुमच्या एजंट्सनाही तेवढीच इंजिनिअरिंग शिस्त (engineering rigor) लागू करा.
गव्हर्नन्स म्हणजे तुमच्या सिस्टममध्ये काय चालले आहे, ते का चालले आहे आणि त्याला काय करण्याची परवानगी आहे, हे जाणून घेण्याची शिस्त आहे.
Optional learning community: https://t.me/GyaanSetuAi