SandboxAQ legger til verktøy for tillit og avkastning på investering i Switch-plattformen for AI-agenter

SandboxAQ kunngjorde 19. oktober 2026 en utvidelse av Switch AI-plattformen for virksomheter som tar i bruk AI-agenter. Utvidelsen omfatter Switch Trust, som brukes til å finne, teste og beskytte agenter, og Switch ROI, som følger kostnadene og verdien av hver agent.

Det Palo Alto-baserte selskapet i California sa at de to produktene utvider det åpne kildekodetilbudet Switch Rooms, og presenterte dem som en leverandøruavhengig måte for organisasjoner å vurdere risiko knyttet til agenter, måle forretningsverdi og justere ytelsen på tvers av agentene, modellene og leverandørene de bruker. I kunngjøringen settes agenter opp mot den første generasjonen av kunstig intelligens i virksomheter, som ifølge selskapet hovedsakelig ble målt etter antall brukerplasser, bruk og tokenforbruk. Selskapet sier at agenter kan ta beslutninger og utføre handlinger og arbeide sammen med mennesker, og derfor skaper nye forventninger til tilsyn og ansvarlighet.

Switch Rooms samler ansatte og AI-agenter på tvers av Slack, Microsoft Teams, Discord og andre arbeidsverktøy. Dermed kan teamene arbeide med agentene de selv velger, samtidig som de beholder eierskapet til delt kontekst, historikk og kunnskap. SandboxAQ lanserte Switch i august 2026 som et åpen kildekodetilbud med Commons Clause og Apache 2.0, basert på tanken om at selskaper skal kunne velge og bytte mellom AI-agenter, modeller og leverandører uten å gi fra seg kontrollen over konteksten sin.

Switch Trust: Finne, teste og beskytte agenter

Ifølge kunngjøringen tilbyr Switch Trust sikkerhet og styring av agenter gjennom fire trinn: Discover, Scan, Evaluate og Monitor. På produktsiden for Switch Trust står det at produktet fungerer med alle agenter, uavhengig av hvem som har utviklet dem.

Discover-trinnet lager en oversikt over agentene, modellene, verktøyene, MCP-serverne og avhengighetene som kjører på tvers av tilkoblede miljøer og kodelagre, også agenter som sikkerhetsteamene kanskje ikke vet at finnes. Det registrerer eierskap, kilde, avhengigheter, funn og alvorlighetsgrad for hvert element, slik at teamene får en oppdatert oversikt over agentene sine.

Scan-trinnet undersøker agenter i kode og skymiljøer for sikkerhetssårbarheter ved å kombinere statisk analyse med KI-assistert sortering av funn, som filtrerer bort falske positiver. Det tildeler alvorlighetsgrader, knytter funn som støttes, til OWAPPs kategorier for agentsikkerhet og anbefaler utbedringer.

Evaluate-trinnet kobler seg direkte til en agent og utfører adversarielle og funksjonelle tester av den. Testene dekker prompt-injeksjon, jailbreak-forsøk, datalekkasje og etterlevelse av instruksjoner. Hvert angrep får resultatet bestått eller ikke bestått, og resultatene inngår i en samlet helsescore. Teamene kan også legge til egne evalueringer ved siden av de innebygde testene. På produktsiden står det at en mislykket test hindrer lansering av en agent inntil den består testen.

Monitor-trinnet beskytter agenter i produksjon. Teamene kobler til en agent gjennom et programvareutviklingssett som registrerer aktiviteten dens, blant annet instruksjoner, svar, modellkall, latenstid, økter og policyhendelser. Agenter som kjører i Switch Rooms, får automatisk sikkerhetspolicyer. Under løpende samhandling ser policyene etter prompt-injeksjon, hemmeligheter, personidentifiserende opplysninger, giftig innhold og jailbreak-forsøk. Trust kan blokkere eller sladde usikker atferd, varsle om den eller loggføre den, samtidig som dokumentasjonen av det som skjedde, bevares. På produktsiden står det at sikkerhetsbarrierene kontrollerer hva som sendes inn til og ut fra hver agent, og at Switch Trust fører én samlet oversikt over hva hver agent har gjort, og hvem som har godkjent det.

Switch ROI: Måling av kostnader og verdi for hver agent

Ifølge kunngjøringen måler Switch ROI både kostnadene for hver agent og verdien den leverer, og gir konkrete anbefalinger for å redusere kostnadene og forbedre ytelsen. På produktsiden for Switch ROI står det at løsningen samler alle agenter fra alle leverandører på ett sted og konsoliderer KI-utgifter som ellers er fordelt på brukerplasser, forbruksbaserte fakturaer og leverandører.

Measure-funksjonen følger forbruk og ytelse helt ned på nivået til den enkelte agent, økt og arbeidsrunde. Budsjetter, forbrukstakt og varsler skal bidra til å avdekke overforbruk tidlig. I stedet for å telle infrastrukturmålinger som tokener eller API-kall knytter funksjonen utgiftene til resultater, blant annet løste saker, raskere gjennomførte pull-forespørsler og automatiserte oppgaver.

Prove-funksjonen veier verdien hver agent skaper, opp mot kostnaden: Switch etablerer et menneskelig utgangspunkt, følger automatisk med på agentenes forbruk og måler størrelser som kostnad per resultat og netto avkastning på investering.

Optimize-funksjonen leter etter unødvendige utgifter og avgjør hva som bør utbedres, omdirigeres eller reduseres. Den rangerer anbefalinger for hver agent og oppgir et anslag på månedlige besparelser samt et konfidensnivå. Kunngjøringen lister opp problemområdene anbefalingene retter seg mot: dårlige modellvalg, verktøy som tilbys, men aldri brukes, kontekst som sendes på nytt i stedet for å bufres, nye forsøk og løkker som gjentar arbeid, og utdata som er lengre enn oppgaven krever. På produktsiden står det at anbefalingene dekker fire typer kostnadsforbedringer: valg av modell, ubrukte verktøy, svarlengde og bufring. Der står det også at ytelsesforbedringer kommer, og beskrives hvordan arbeidet til en agent kan flyttes til en billigere modell når kvalitetskontrollene bestås, samtidig som agenten beholder konteksten fra rommet.

Uttalelser fra Mount Sinai West og ledelsen

Ifølge kunngjøringen bruker MSW-laboratoriet ved Mount Sinai West Switch Trust til å utvikle G Board, et rammeverk som gjør det mulig for leger å lage kliniske applikasjoner ved hjelp av KI-agenter. «I MSW-laboratoriet utvikler leger reell helseteknologi ved hjelp av KI-agenter, så vi må bevise at agentene oppfører seg trygt», sa dr. Jeffrey Bander, kardiologisjef ved Mount Sinai West og førsteamanuensis i kardiologi og kunstig intelligens ved Icahn School of Medicine at Mount Sinai, i kunngjøringen fra SandboxAQ. Bander sa at Switch AI gir laboratoriet en måte å bygge inn denne tilliten i det daglige arbeidet på, slik at legene kan konsentrere seg om kliniske problemstillinger i stedet for å bli sikkerhetsspesialister innen KI.

Kunngjøringen viser til en prognose fra Gartner om at mer enn 40 prosent av prosjekter innen agentbasert KI vil bli kansellert innen utgangen av 2027. Produktsiden for Switch ROI viser separat til data fra KPMG Global AI Pulse-undersøkelsen, datert 24. juni 2026 og basert på 2 145 respondenter. Dataene viser at 7 prosent av lederne har oppnådd avkastning på KI, og at ledere med god oversikt over KI-kostnadene har fem ganger større sannsynlighet for å rapportere slik avkastning.

Mohammed Aboul-Magd, daglig leder for Switch AI i SandboxAQ, sa at selskapet har sett tilfeller hos mange brukere der KI-utgifter som skulle gjøre det unødvendig å ansette en ny medarbeider, raskt ble høyere enn kostnaden ved å ansette en person på heltid. Han sa at det å ta i bruk KI ikke i seg selv gir avkastning på investeringen. Teamene må vite hva hver agent koster, hva den produserer, og hvordan den kan forbedres. Dette beskrev han som problemet Switch ROI er utviklet for å løse.

Jack Hidary, administrerende direktør i SandboxAQ, sa at selskaper vil ha hundrevis, og potensielt tusenvis, av KI-agenter som arbeider side om side med de ansatte. Han sa at selskaper ikke ville ansette tusen personer uten å kjenne kvalifikasjonene deres, kostnadene eller resultatene, og at den samme disiplinen må gjelde for agenter. Etter hvert som teknologien utvikler seg, sa han, må selskaper også kunne gå over til bedre agenter og modeller uten å miste kunnskapen de har opparbeidet seg.