CEO Vercel, Guillermo Rauch, o kluczowym rozdzieleniu modeli i agentów

W miarę jak branża AI przechodzi od eksperymentalnego prototypowania do aplikacji gotowych do wdrożenia produkcyjnego, infrastruktura zasilająca te narzędzia przechodzi ogromną transformację. CEO Vercel, Guillermo Rauch, twierdzi, że przyszłość AI leży w rozdzieleniu bazowych modeli od agentów wykonujących zadania, co prowadzi w stronę modularnego ekosystemu.

Przejście od prototypowania do produkcji

W zeszłym roku krajobraz AI definiowało „uwalnianie agentów” i testowanie granic możliwości poprzez programy pilotażowe. Jednak najnowsze dane Vercel wskazują na znaczące dojrzewanie podejścia programistów do AI. Firma zarządza obecnie 6 milionami wdrożeń dziennie, z czego ponad 50% jest inicjowanych przez agentów kodujących. Co więcej, każdego dnia przez bramkę AI (AI gateway) Vercel przepływa ponad bilion tokenów.

Według Raucha branża przeszła już fazę „brak limitów” i obecnie mierzy się z realiami produkcji: bezpieczeństwem, dostępem do danych oraz możliwością audytu. Ta zmiana uwypukliła dwie główne „killer apps” dla agentów: asystentów kodowania oraz wewnętrznych agentów korporacyjnych zaprojektowanych do automatyzacji procesów biznesowych.

Rozwiązanie dylematu bezpieczeństwa: piaskownice i kontrola danych

Jedną z najpoważniejszych przeszkód w wdrażaniu autonomicznych agentów jest ryzyko wycieku danych. Rauch zwraca uwagę na krytyczną obawę przedsiębiorstw takich jak Airbus: jeśli programista korzysta z zintegrowanego z AI środowiska IDE, takiego jak Cursor lub Devin, bez odpowiednich zabezpieczeń, zastrzeżony kod może zostać nieumyślnie wykorzystany do trenowania publicznych modeli.

Aby złagodzić te ryzyka, Vercel rozwija specjalistyczną infrastrukturę. Ich framework Eve pozwala użytkownikom definiować instrukcje i umiejętności agenta za pomocą języka naturalnego, podczas gdy Vercel Sandbox zapewnia agentowi „klatkę”. Ta piaskownica pozwala agentowi wykazywać się inteligencją, jednocześnie stosując rygorystyczne zasady dotyczące tego, do jakich danych można uzyskać dostęp i, co ważniejsze, jakie dane mogą opuścić środowisko.

Koniec silosów danych w modelu SaaS

Rozwój agentów tworzy również fundamentalny konflikt z tradycyjnymi modelami biznesowymi SaaS. Wielu gigantów oprogramowania budowało swoją wartość poprzez „uwięzienie” danych użytkowników w zastrzeżonych ekosystemach. Rauch zauważa, że model ten jest z natury niekompatybilny z agentami, którzy aby być skutecznymi, wymagają płynnego dostępu do danych opartego na API.

Niezależnie od tego, czy jest to przedstawiciel handlowy używający agenta do przeszukiwania złożonych danych w Salesforce, czy zespół R&D automatyzujący procesy, agenci wymagają otwartej architektury. Ta zmiana zmusza firmy do priorytetowego traktowania dostępności danych, co będzie miało długofalowe skutki dla sposobu budowania i sprzedaży oprogramowania korporacyjnego.

Walka o otwartą infrastrukturę AI

W miarę jak główne laboratoria AI, takie jak OpenAI, rozszerzają swoje możliwości — na przykład wydając narzędzia publikujące treści bezpośrednio do sieci — firmy platformowe, takie jak Vercel, stają przed bezpośrednią konkurencją. Rauch postrzega to jako bitwę o to, czy „model” i „agent” będą ze sobą ściśle powiązane, czy rozdzielone.

Vercel pozycjonuje się jako „AWS tego pokolenia”, opowiadając się za modularnym podejściem, w którym programiści mogą wymieniać komponenty niczym klocki LEGO. Zamiast być uwiązanym do jednego dostawcy, programiści coraz częściej optymalizują koszty i wydajność, łącząc modele od OpenAI, Anthropic, Google Gemini oraz modele open-source, takie jak DeepSeek.

Kluczowe wnioski

• Produkcja zamiast prototypowania: Branża AI przechodzi od eksperymentalnych pilotaży do produkcji na dużą skalę, czego dowodem jest bilion tokenów dziennie w Vercel.
• Bezpieczeństwo jest kluczowe: Narzędzia takie jak Vercel Sandbox są niezbędne, aby zapobiec wyciekowi zastrzeżonych danych do zbiorów treningowych modeli.
• Modularna architektura: Przyszłość oprogramowania AI opiera się na rozdzieleniu modeli od agentów, co pozwala programistom optymalizować koszty i wydajność dzięki podejściu wielomodelowemu.