Jak se umělá inteligence vyvíjí z jednoduchých chatbotů na autonomní „agenty“ schopné provádět složité pracovní postupy, objevuje se zásadní architektonická debata. Pro podniky nyní není výzvou jen to, jak vytvořit agenta, ale jak je řídit, monitorovat jejich aktivity a škálovat jejich využití.
V tomto odvětví existuje strategický rozkol v přístupu k budování „hromady AI“. Google vytváří vrstvu centralizované správy orientované na ovládání, zatímco Amazon Web Services (AWS) se zaměřuje na přístup orientovaný na provádění zaměřený na rychlost.
Dvě manažerské filozofie
Rozdílné cesty těchto dvou technologických gigantů zdůrazňují, jak různé organizace upřednostňují přijetí AI:
1. Google: První přístup ke kontrole
Google staví svou sadu Gemini Enterprise jako centralizovanou „kontrolní rovinu“. Sjednocením svých nabídek pod jedinou střechu Google zachází s agenty AI jako s moderní softwarovou infrastrukturou (jako je Kubernetes).
– Struktura: Google poskytuje jedinou platformu, kde jsou zabezpečení, identita a vynucování zásad integrovány přímo do systému.
– Cíl: Staňte se „jednotným vstupním bodem“ pro korporace, což zajistí, že jakmile se agenti stanou autonomnějšími, zůstanou v rámci přísných podnikových omezení.
– Důraz: Dlouhodobá stabilita a centralizovaný dohled.
2. AWS: Rychlost prvního přístupu
AWS se prostřednictvím své služby Bedrock AgentCore vydává jinou cestou a optimalizuje úroveň provádění. Namísto těžké vrstvy správy nabízí AWS „postroje“.
– Framework: Pomocí konfiguračního přístupu (založeného na open source rámci Strands Agents) mohou vývojáři rychle definovat úlohy agentů, modely a nástroje, které mají používat.
– Cíl: Minimalizujte dobu cesty agenta od konceptu k hotovému produktu.
– Důraz: Rychlé nasazení a snadná integrace.
Nový problém: State Drift
Tato architektonická mezera je způsobena technickým fenoménem známým jako state drift.
V raných fázích vývoje AI byly interakce „bezstavové“: když jste položili otázku, AI odpověděla. Moderní agenti jsou však „stavoví“; mají paměť, kontext a vyvíjející se cíle. Když pracují dlouhou dobu, jejich vnitřní „stav“ se může začít rozcházet s realitou. Zdroje dat se mění, nástroje vytvářejí nekonzistentní informace a kontext agentů se stává zastaralým.
To dělá ze spolehlivosti agentů problém systémového inženýrství spíše než jen záležitost lingvistiky. Pokud agent ztratí přehled o kontextu, stane se méně důvěryhodným a náchylnějším k chybám. Model řízení společnosti Google se tomu snaží zabránit prostřednictvím dohledu, zatímco model AWS se snaží tento proces řídit efektivním prováděním.
Řízení rizik: Vytvořit nebo koupit?
Volba mezi těmito dvěma přístupy nakonec závisí na toleranci podniku vůči riziku. Trh je nyní rozdělen do dvou odlišných úrovní AI stacku:
- Úroveň rychlého nasazení: Lídři – AWS, Anthropic a OpenAI. Tyto nástroje jsou zaměřeny na snížení vstupní bariéry. Jsou ideální pro experimentální úkoly nebo procesy, které přímo neovlivňují hlavní zdroje příjmů.
- Úroveň správy: Vedoucí – Google. Tento přístup je určen pro kritické, vysoce rizikové obchodní procesy, kde mohou mít chyby vážné následky.
„Zatímco volba mezi „nástroji“ a „během“ je často vnímána jako dilema sestavení versus nákup, ve skutečnosti jde především o řízení rizik,“ poznamenává Rafael Sarim Oezdemir z EZContacts.
Závěr
Oblast umělé inteligence se posouvá od nesourodých „řetězců výzev“ ke komplexním autonomním systémům. Pro podniky nyní není strategickou volbou pouze to, který model je „chytřejší“, ale zda chtějí systém pro rychlé experimentování nebo systém vytvořený pro přísnou kontrolu.
