SandboxAQ føjer værktøjer til tillid og investeringsafkast til Switch-platformen for AI-agenter

Den 19. oktober 2026 annoncerede SandboxAQ en udvidelse af sin Switch AI-platform til virksomheder, der tager AI-agenter i brug. Udvidelsen omfatter Switch Trust, der hjælper med at finde, teste og beskytte agenter, og Switch ROI, som holder styr på omkostningerne ved og værdien af hver agent.

Virksomheden, der har hovedsæde i Palo Alto i Californien, oplyste, at de to produkter udvider det open source-baserede Switch Rooms-tilbud. De præsenteres som en leverandøruafhængig måde, hvorpå organisationer kan vurdere risici ved agenter, måle forretningsværdien og finjustere ydeevnen på tværs af de agenter, modeller og udbydere, de bruger. I annonceringen sættes agenter i modsætning til den første generation af AI til virksomheder, som ifølge virksomheden primært blev målt på antal brugerlicenser, brug og tokenforbrug. Da agenter kan træffe beslutninger, handle og arbejde sammen med mennesker, skaber de nye forventninger til tilsyn og ansvarlighed, lyder det.

Switch Rooms samler medarbejdere og AI-agenter på tværs af Slack, Microsoft Teams, Discord og andre værktøjer til arbejdspladsen. Det giver teams mulighed for at arbejde med de agenter, de selv vælger, samtidig med at de bevarer ejerskabet over den fælles kontekst, historik og viden. SandboxAQ lancerede Switch i august 2026 som et open source-tilbud under Commons Clause Apache 2.0, baseret på den præmis, at virksomheder skal kunne vælge og skifte mellem AI-agenter, modeller og udbydere uden at give afkald på kontrollen over deres kontekst.

Switch Trust: Find, test og beskyt agenter

Ifølge annonceringen leverer Switch Trust sikkerhed og styring af agenter gennem fire trin: Discover, Scan, Evaluate og Monitor. På produktsiden for Switch Trust står der, at produktet fungerer med alle agenter, uanset hvem der har udviklet dem.

Trinnet Discover opbygger en fortegnelse over agenter, modeller, værktøjer, MCP-servere og afhængigheder, der kører på tværs af tilsluttede miljøer og kodelagre, herunder agenter, som sikkerhedsteams måske ikke ved findes. For hvert element registreres ejerskab, kilde, afhængigheder, fund og alvorlighedsgrad, så teams får et aktuelt overblik over deres agentmiljø.

Trinnet Scan undersøger agenter i kode og cloudmiljøer for sikkerhedssårbarheder ved at kombinere statisk analyse med AI-assisteret vurdering, der sorterer falske positiver fra. Det tildeler alvorlighedsgrader, knytter understøttede fund til OWASP’s kategorier for agentsikkerhed og anbefaler løsninger.

Trinnet Evaluate opretter direkte forbindelse til en agent og udsætter den for adversarielle og funktionelle tests, der dækker prompt-injektion, jailbreak-angreb, datalækage og overholdelse af instruktioner. Hvert angreb får resultatet bestået eller ikke bestået, som indgår i en samlet sundhedsscore, og teams kan føje deres egne evalueringer til de indbyggede tests. På produktsiden står der, at en agent ikke kan frigives, hvis den ikke består en test.

Trinnet Monitor beskytter agenter i produktionsmiljøet. Teams tilslutter en agent via et softwareudviklingskit, der registrerer dens aktivitet, herunder prompts, svar, modelkald, latenstid, sessioner og hændelser knyttet til politikker. Agenter, der kører i Switch Rooms, får automatisk beskyttelsespolitikker. Under live-interaktioner leder politikkerne efter prompt-injektion, hemmeligheder, personhenførbare oplysninger, giftigt indhold og jailbreak-angreb. Trust kan blokere, sløre, advare om eller logge usikker adfærd, samtidig med at der gemmes dokumentation for, hvad der skete. På produktsiden står der, at beskyttelsesforanstaltningerne kontrollerer, hvad der går ind i og ud af hver agent, og at Switch Trust opbevarer én samlet registrering af, hvad hver agent har gjort, og hvem der har godkendt det.

Switch ROI: Måling af omkostninger og værdi for hver agent

Ifølge annonceringen måler Switch ROI omkostningerne ved hver agent og den værdi, den leverer, og supplerer målingerne med konkrete anbefalinger til at sænke omkostningerne og forbedre ydeevnen. På produktsiden for Switch ROI står der, at tjenesten samler alle agenter fra alle udbydere ét sted og giver et samlet overblik over AI-udgifter, der ellers er fordelt på brugerlicenser, forbrugsbaserede regninger og forskellige udbydere.

Funktionen Measure følger udgifter og ydeevne helt ned på niveauet for den enkelte agent, session og tur. Budgetter, forbrugstakter og advarsler skal gøre det muligt at opdage overforbrug tidligt. I stedet for at tælle infrastrukturmålinger som tokens eller API-kald knytter funktionen udgifterne til resultater som løste supporthenvendelser, hurtigere gennemførte pull requests og automatiserede opgaver.

Funktionen Prove sammenholder den værdi, hver agent skaber, med dens omkostninger: Switch fastlægger et menneskeligt sammenligningsgrundlag, registrerer automatisk agenternes udgifter og måler størrelser som omkostning pr. resultat og nett investeringsafkast.

Funktionen Optimize finder udgifter, der løber løbsk, og afgør, hvad der skal rettes, omlægges eller skæres ned. Den rangerer anbefalingerne for hver agent og angiver et anslået månedligt besparelsesinterval og et konfidensniveau. Ifølge annonceringen retter anbefalingerne sig mod flere problemområder: uhensigtsmæssigt valg af modeller, værktøjer, der stilles til rådighed, men aldrig bruges, kontekst, der sendes igen i stedet for at blive cachelagret, gentagne forsøg og løkker, der udfører det samme arbejde igen, samt output, der er længere end nødvendigt for opgaven. På produktsiden står der, at anbefalingerne omfatter fire typer omkostningsforbedringer: valg af model, ubrugte værktøjer, svarlængde og cachelagring. Det fremgår også, at forbedringer af ydeevnen er på vej. Siden beskriver desuden, hvordan en agents opgaver kan flyttes til en billigere model, når kvalitetskontrollerne godkender den, samtidig med at agenten bevarer rummets kontekst.

Udtalelser fra Mount Sinai West og ledelsen

Ifølge meddelelsen bruger MSW Lab på Mount Sinai West Switch Trust til at udvikle G Board, en ramme, der gør det muligt for læger at skabe kliniske applikationer med AI-agenter. »På MSW Lab udvikler læger reel sundhedssoftware med AI-agenter, så vi er nødt til at bevise, at agenterne opfører sig sikkert«, sagde dr. Jeffrey Bander, chef for kardiologi på Mount Sinai West og lektor i kardiologi og kunstig intelligens ved Icahn School of Medicine at Mount Sinai, i SandboxAQ’s meddelelse. Bander sagde, at Switch AI giver laboratoriet mulighed for at indarbejde den tillid i det daglige arbejde, så lægerne kan koncentrere sig om kliniske problemer i stedet for at blive specialister i AI-sikkerhed.

Meddelelsen henviser til en prognose fra Gartner om, at mere end 40 procent af projekter med agentbaseret AI vil blive aflyst inden udgangen af 2027. Produktsiden for Switch ROI henviser særskilt til data fra KPMG Global AI Pulse-undersøgelsen, dateret 24. juni 2026 og baseret på 2.145 respondenter. Ifølge dataene har 7 procent af lederne etableret et afkast af AI, og ledere med klart overblik over AI-omkostninger er fem gange så tilbøjelige til at rapportere et sådant afkast.

Mohammed Aboul-Magd, general manager for Switch AI hos SandboxAQ, sagde, at virksomheden blandt mange brugere har set eksempler på, at AI-udgifter, som man forventede ville gøre det muligt at undgå en nyansættelse, hurtigt blev større end omkostningerne ved at ansætte en fuldtidsmedarbejder. Han sagde, at indførelse af AI ikke i sig selv giver et investeringsafkast; teams skal vide, hvad hver agent koster, hvad den producerer, og hvordan den kan forbedres. Det beskrev han som det problem, Switch ROI er udviklet til at løse.

Jack Hidary, administrerende direktør for SandboxAQ, sagde, at virksomheder vil have hundredvis og potentielt tusindvis af AI-agenter, der arbejder side om side med deres medarbejdere. Han sagde, at virksomheder ikke ville ansætte tusind mennesker uden at kende deres kvalifikationer, omkostninger eller resultater, og at den samme disciplin skal gælde for agenter. I takt med at teknologien udvikler sig, sagde han, skal virksomheder også kunne skifte til bedre agenter og modeller uden at miste den viden, de har opbygget.