AWS మరియు Anthropic, Amazon Web Servicesలో సెల్ఫ్-హోస్టెడ్ Claude Apps Gatewayను విడుదల చేశాయి, అదే సమయంలో Google Cloud తన Jupyter notebooksతో ఎడిటర్‌ను నేరుగా అనుసంధానించే VS Code Workbench ఎక్స్‌టెన్షన్‌ను జోడించింది. Stripe నుండి వచ్చిన ఒక ప్రత్యేక బెంచ్‌మార్క్ ప్రకారం, ఈ పురోగతి ఉన్నప్పటికీ, AI ఏజెంట్లు తాము రూపొందించిన కోడ్‌ను ధృవీకరించే (validating) విషయంలో ఇంకా ఇబ్బంది పడుతున్నాయి.

కొత్త నియంత్రణలు ఎందుకు ముఖ్యమైనవి

Claude వంటి లార్జ్ లాంగ్వేజ్ మోడల్స్ (LLMs)ను తమ అంతర్గత సాధనాల్లో (internal tools) చేర్చడం ప్రారంభించిన సంస్థలు ఇప్పుడు ఒక పరిచయమైన సమస్యను ఎదుర్కొంటున్నాయి: వినియోగాన్ని పెంచుతున్నప్పుడు యాక్సెస్, ఖర్చులు మరియు డేటాను సురక్షితంగా ఉంచడం. Claude Apps Gateway కంట్రోల్ ప్లేన్‌ను కస్టమర్ యొక్క AWS ఖాతాలోనే ఉంచుతుంది, దీనివల్ల IT బృందాలకు ఐడెంటిటీ, ఆడిట్ లాగ్‌లు మరియు ఖర్చులను నిర్వహించడానికి ఒకే ఒక పాయింట్ లభిస్తుంది. డెవలపర్లు ఇప్పుడు డేటాను బాహ్య సేవలకు (external service) బహిర్గతం చేయకుండానే Claude-ఆధారిత Code లేదా Desktop సెషన్‌లను ప్రారంభించవచ్చు.

Google యొక్క VS Code Workbench మరొక సమస్యను పరిష్కరిస్తుంది. డేటా సైంటిస్టులు మరియు ఇంజనీర్లు తరచుగా లోకల్ IDE మరియు క్లౌడ్ నోట్‌బుక్‌ల మధ్య కోడ్‌ను అటు ఇటు కాపీ చేస్తూ మారుతూ ఉంటారు. ఈ కొత్త ఎక్స్‌టెన్షన్ ద్వారా డెవలపర్ Google Cloudలో నోట్‌బుక్ కెర్నల్‌ను ఓపెన్ చేయవచ్చు, ఫైల్‌లను లోకల్‌గా ఎడిట్ చేయవచ్చు మరియు మార్పులు రియల్ టైమ్‌లో సింక్ అవ్వడాన్ని చూడవచ్చు. రిమోట్ ఎగ్జిక్యూషన్ మరియు డీబగ్గింగ్ అనేది మీకు తెలిసిన VS Code UI నుండే జరుగుతుంది, దీనివల్ల ప్రయోగాత్మక పనులను నెమ్మదింపజేసే “tool-hopping” దశ తొలగిపోతుంది.

వాస్తవ పరిస్థితులను తెలియజేసే బెంచ్‌మార్క్

Stripe యొక్క ఇటీవలి AI Agent Benchmark, ప్రస్తుత ఏజెంట్లు సాఫ్ట్‌వేర్ ఇంటిగ్రేషన్‌లను ఎంత బాగా నిర్వహిస్తాయో పరీక్షించింది. ఏజెంట్లు ఇంటిగ్రేషన్ కోడ్‌ను బాగా రాస్తారు కానీ, ధృవీకరణ (validation) విషయంలో ఇబ్బంది పడతారు, తరచుగా ఎడ్జ్ కేస్‌లు (edge cases) మరియు ఎర్రర్ చెక్‌లను విస్మరిస్తాయి. ఫలితాలు స్పష్టంగా ఉన్నాయి: ఏజెంట్లు జనరేషన్ దశలో బలంగా పనిచేశాయి కానీ, వాలిడేషన్ సమయంలో విఫలమయ్యాయి.

ఎవరు లాభపడతారు, ఎవరు నష్టపోతారు

  • సంస్థలు (Enterprises) Claude డిప్లాయ్‌మెంట్‌లపై మరింత కఠినమైన గవర్నెన్స్‌ను పొందుతాయి, దీనివల్ల రిస్క్ తగ్గుతుంది.
  • Google Cloud డెవలపర్లు సాధనాల మధ్య మారకుండానే పని చేయవచ్చు, ఒకే ఎడిటర్ నుండి క్లౌడ్ మెషీన్‌లపై భారీ కంప్యూటేషన్‌లను నిర్వహించవచ్చు.

మరోవైపు, అంతర్గత విధానాలను (internal policies) అప్‌డేట్ చేయకుండా ఈ సాధనాలను స్వీకరించే సంస్థలు, Stripe బెంచ్‌మార్క్ చూపినట్లుగా, వాలిడేషన్‌లో లోపాలను ఎదుర్కోవచ్చు. ఈ సాధనాలు యాక్సెస్‌ను సులభతరం చేస్తాయి కానీ, మానవ పర్యవేక్షణ (human oversight) అవసరాన్ని తొలగించవు.

తదుపరి ఏం గమనించాలి

AIతో ప్రయోగాలు చేస్తున్న బృందాలకు తక్షణ పాఠం సరళమైనది: భద్రతను పెంచడానికి మరియు వర్క్‌ఫ్లోలను క్రమబద్ధీకరించడానికి కొత్త నియంత్రణలను ఉపయోగించండి, కానీ ధృవీకరణ కోసం మానవ ప్రమేయాన్ని (human in the loop) కొనసాగించండి. ఏజెంట్లు తమ తప్పులను తామే నమ్మదగిన రీతిలో గుర్తించగలిగే వరకు, రివ్యూయర్‌గా డెవలపర్ పాత్ర అనివార్యంగా ఉంటుంది.