AI ஏஜென்ட் பரவல் (AI Agent Sprawl): நிறுவனங்கள் ஏன் AI கருவிகளில் மூழ்கிப் போகின்றன?
AI குறித்த உரையாடல் மாறிவிட்டது.
2024-இல், எந்த மாடல் புத்திசாலித்தனமானது என்று குழுக்கள் விவாதித்தன. 2025-இல், அவர்கள் AI மூலம் அம்சங்களை (features) உருவாக்கினார்கள். 2026-இல், இவை அனைத்தையும் நிர்வகிப்பதில் அவர்கள் திணறுகிறார்கள்.
ஒவ்வொரு லேப்டாப்பிலும் Cursor உள்ளது. CI-இல் Claude Code இயங்குகிறது. IDE-இல் Copilot உள்ளது. தயாரிப்புக் குழுக்கள் ChatGPT-ஐப் பயன்படுத்துகின்றன. தரவுக் குழுக்கள் Gemini-ஐப் பயன்படுத்துகின்றன. சந்தைப்படுத்தல் குழுக்கள் ஒரு டஜன் எழுத்துப் பயனுள்ள கருவிகளைப் பயன்படுத்துகின்றன.
யாரிடமும் முழுமையான பட்டியல் இல்லை. யாரும் டோக்கன்களை (tokens) தணிக்கை செய்வதில்லை. எந்தக் கருவி வாடிக்கையாளர் தரவை எந்த எண்ட்ஸ்பாயிண்டிற்கு (endpoint) அனுப்பியது என்று யாருக்கும் தெரியவில்லை.
இதுதான் AI ஏஜென்ட் பரவல் (AI agent sprawl). இது 2026-இன் மிகப்பெரிய உள்கட்டமைப்புப் பிரச்சனையாகும்.
நிறுவனத்தின் விதிகளின் வேகத்தை விட கருவிகளின் பயன்பாடு வேகமாக வளரும்போது இந்த பரவல் ஏற்படுகிறது. இது பல கருவிகளைப் பயன்படுத்துவதைப் பற்றியது மட்டுமல்ல; அவற்றைப் பற்றிய தெளிவான பார்வை அல்லது கட்டுப்பாடு இல்லாமல் பயன்படுத்துவதைப் பற்றியது.
உங்கள் நிறுவனத்தில் இந்த பரவல் இருப்பதற்கான அறிகுறிகள்:
- ஒரே பணிகளுக்காக வெவ்வேறு குழுக்கள் வெவ்வேறு கருவிகளைப் பயன்படுத்துகின்றன.
- பில் வரும்போது டோக்கன் செலவுகள் அதிர்ச்சியளிக்கின்றன.
- குறிப்பிட்ட தரவை எந்த AI பயன்படுத்தியது என்பதை பொறியாளர்களால் கண்காணிக்க முடிவதில்லை.
- பிராம்ப்ட் இன்ஜினியரிங் (Prompt engineering) பகிரப்படாமல் தனித்தனித் தொகுதிகளாக (silos) நடைபெறுகிறது.
- ஆறு குழுக்கள் ஒரே நேரத்தில் செயலிழக்கும்போதுதான் ஒரு கருவி வேலை செய்யவில்லை என்பதை நீங்கள் கண்டறிகிறீர்கள்.
பிரச்சனை என்பது கண்ணுக்குத் தெரியாத சார்பு வரைபடம் (invisible dependency graph) தான்.
ஒரு பொறியாளர் Cursor-ஐப் பயன்படுத்தலாம், அதே நேரத்தில் ஒரு CI பைப்லைன் ஒரு தனிப்பயனாக்கப்பட்ட GPT-4 ஒருங்கிணைப்பைப் பயன்படுத்தலாம். ஒரு கோட் ரிவியூ பாட் (code review bot) Gemini-ஐப் பயன்படுத்தலாம்.
இப்போது கேளுங்கள்: இவற்றில் எதற்கு உங்கள் தரவுத்தள ஸ்கீமாக்களுக்கு (database schemas) அணுகல் உள்ளது? உங்கள் API சாவிகளுக்கு (API keys)? உங்கள் வாடிக்கையாளர் தரவிற்கு?
இதற்கான பதில் பெரும்பாலும் இவை அனைத்தும் தான். AI கருவிகள் தரவைச் செயலாக்குவதற்கு முன், அதைச் சுத்தப்படுத்துவதை (clean data) டெவலப்பர்கள் மறந்துவிடுகிறார்கள். பாதுகாப்பு வளையங்கள் (guardrails) இல்லையென்றால், அவை தோல்வியடையும்.
AI செலவுகளையும் கண்காணிப்பது கடினம். ஒரு ஒற்றை ஏஜென்ட் லூப் (agent loop) ஒரு வாரத்தில் உங்கள் பில்லை மூன்று மடங்காக அதிகரிக்கக்கூடும். மையப்படுத்தப்பட்ட கணக்கியல் இல்லையென்றால், இன்வாய்ஸ் வரும்போது மட்டுமே சேதத்தை நீங்கள் காண்பீர்கள்.
உங்களுக்கு ஒரு நிர்வாக உத்தி (governance strategy) தேவை. எந்தக் கருவிகளுக்கு அணுகல் வழங்கலாம் என்பதைத் தீர்மானிக்க தர வகைப்பாட்டைப் (data classification) பயன்படுத்துங்கள்:
- பொதுத் தரவு (Public Data): எந்தக் கருவியும்.
- உள் தரவு (Internal Data): முறையான தரவு ஒப்பந்தங்களைக் கொண்ட கருவிகள்.
- ரகசியத் தரவு (Confidential Data): சுய-ஹோஸ்டட் (Self-hosted) அல்லது பூஜ்ஜிய-தக்கவைப்பு (zero-retention) API-கள் மட்டுமே.
- கட்டுப்படுத்தப்பட்ட தரவு (Restricted Data): எந்த AI கருவிகளும் கூடாது. அவ்வளவுதான்.
சிறந்த தீர்வு ஒரு AI கேட்வே (AI Gateway) ஆகும். இது அனைத்து AI போக்குவரத்தும் பாயும் ஒரு ஒற்றைப் புள்ளியாகும்.
ஒரு AI கேட்வே வழங்குகிறது:
- ஒவ்வொரு டோக்கனுக்கான செலவுத் தெளிவு.
- உங்கள் நெட்வொர்க்கை விட்டு வெளியேறும் முன் PII-ஐ நீக்க ரகசியத் துப்புரவு (Secret scrubbing).
- அங்கீகரிக்கப்படாத வழங்குநர்களைத் தடுக்க கொள்கை அமலாக்கம் (Policy enforcement).
- பிராம்ப்ட்களைக் குறியீடு போலக் கையாள பிராம்ப்ட் பதிப்பு மேலாண்மை (Prompt versioning).
AI-ஐ ஒரு மாயப் பெட்டியாகக் கருதுவதை நிறுத்துங்கள். அதை உங்கள் தயாரிப்பு தரவுத்தளங்களைப் (production databases) போலக் கருதுங்கள். உங்கள் அங்கீகார அமைப்புகள் (auth systems) மற்றும் வரிசைப்படுத்தல் பைப்லைன்களுக்கு (deployment pipelines) நீங்கள் கொடுக்கும் அதே பொறியியல் துல்லியத்தை உங்கள் ஏஜென்ட்களுக்கும் பயன்படுத்துங்கள்.
நிர்வாகம் (Governance) என்பது உங்கள் அமைப்பில் என்ன இயங்குகிறது, அது ஏன் இயங்குகிறது மற்றும் அதற்கு என்ன செய்ய அனுமதி உள்ளது என்பதைத் தெரிந்து கொள்ளும் ஒழுக்கமே ஆகும்.
Optional learning community: https://t.me/GyaanSetuAi