SandboxAQ dodaje narzędzia do budowania zaufania i pomiaru zwrotu z inwestycji do platformy Switch dla agentów AI

19 października 2026 r. SandboxAQ ogłosiła rozszerzenie swojej platformy Switch AI dla przedsiębiorstw wdrażających agentów AI. Wprowadzono Switch Trust, narzędzie do wykrywania agentów, testowania ich i zabezpieczania, oraz Switch ROI, które śledzi koszty i wartość każdego agenta.

Firma z siedzibą w Palo Alto w Kalifornii poinformowała, że oba produkty rozszerzają jej ofertę Switch Rooms o otwartym kodzie źródłowym, zapewniając organizacjom niezależny od dostawcy sposób oceny ryzyka związanego z agentami, mierzenia wartości biznesowej i optymalizacji wydajności — niezależnie od używanych agentów, modeli i dostawców. W komunikacie przeciwstawiono agentów pierwszej generacji korporacyjnej sztucznej inteligencji, której efekty — jak stwierdzono — mierzono głównie liczbą licencji, wykorzystaniem i zużyciem tokenów. Agenci mogą podejmować decyzje, wykonywać działania i pracować z ludźmi, dlatego — jak podano — wiążą się z nowymi oczekiwaniami dotyczącymi nadzoru i odpowiedzialności.

Switch Rooms łączy pracowników i agentów AI w Slacku, Microsoft Teams, Discordzie i innych narzędziach używanych w pracy. Dzięki temu zespoły mogą pracować z wybranymi agentami, zachowując kontrolę nad współdzielonym kontekstem, historią i wiedzą. SandboxAQ uruchomiła Switch w sierpniu 2026 r. jako ofertę open source na licencji Apache 2.0 z klauzulą Commons Clause, opartą na założeniu, że firmy powinny móc wybierać i zmieniać agentów AI, modele oraz dostawców bez utraty kontroli nad swoim kontekstem.

Switch Trust: wykrywanie agentów, testowanie ich i zabezpieczanie

Jak podano w komunikacie, Switch Trust zapewnia bezpieczeństwo agentów i zarządzanie nimi w czterech etapach: wykrywanie, skanowanie, ocena i monitorowanie. Na stronie produktu Switch Trust podano, że działa on z każdym agentem, niezależnie od tego, kto go stworzył.

Etap wykrywania tworzy wykaz agentów, modeli, narzędzi, serwerów MCP i zależności działających w połączonych środowiskach i repozytoriach kodu — obejmuje także agentów, o których istnieniu zespoły ds. bezpieczeństwa mogą nie wiedzieć. Dla każdego elementu zapisuje informacje o właścicielu, źródle, zależnościach, ustaleniach i poziomie zagrożenia, zapewniając zespołom aktualny obraz wykorzystywanych agentów.

Etap skanowania sprawdza agentów w kodzie i środowiskach chmurowych pod kątem luk w zabezpieczeniach. Łączy analizę statyczną z weryfikacją wspomaganą przez AI, która odfiltrowuje fałszywe alarmy. Przypisuje poziomy zagrożenia, mapuje obsługiwane ustalenia na kategorie bezpieczeństwa agentów OWASP i zaleca poprawki.

Na etapie oceny system łączy się bezpośrednio z agentem i przeprowadza wobec niego testy adversarialne oraz funkcjonalne, obejmujące wstrzykiwanie promptów, próby jailbreaku, wyciek danych i przestrzeganie instrukcji. Każdy atak otrzymuje wynik pozytywny albo negatywny, który uwzględnia się w ogólnym wskaźniku kondycji. Zespoły mogą też dodawać własne oceny do wbudowanych testów. Na stronie produktu podano, że niezaliczony test wstrzymuje wdrożenie agenta do czasu jego zaliczenia.

Etap monitorowania chroni agentów działających na produkcji. Zespoły dodają agenta za pomocą zestawu narzędzi programistycznych (SDK), który rejestruje jego aktywność, w tym prompty, odpowiedzi, wywołania modeli, opóźnienia, sesje i zdarzenia związane z politykami. Agenci działający w Switch Rooms automatycznie otrzymują zasady ochronne. Podczas interakcji na żywo zasady te wykrywają wstrzykiwanie promptów, sekrety, dane umożliwiające identyfikację osób, toksyczne treści i próby jailbreaku. Trust może blokować niebezpieczne zachowania, ukrywać ich treść, generować alerty lub je rejestrować, zachowując dowody tego, co się wydarzyło. Na stronie produktu podano, że zabezpieczenia sprawdzają, co trafia do każdego agenta i co z niego wychodzi, a Switch Trust prowadzi jeden rejestr działań każdego agenta oraz osób, które je zatwierdziły.

Switch ROI: pomiar kosztów i wartości dla każdego agenta

Jak podano w komunikacie, Switch ROI mierzy koszty każdego agenta i wartość, jaką on przynosi, oraz przedstawia konkretne zalecenia dotyczące obniżenia kosztów i poprawy wydajności. Na stronie produktu Switch ROI podano, że obejmuje on w jednym miejscu każdego agenta, niezależnie od dostawcy, gromadząc dane o wydatkach na AI rozproszonych między licencjami, rachunkami zależnymi od wykorzystania i różnymi dostawcami.

Funkcja Measure śledzi wydatki i wydajność na poziomie poszczególnych agentów, sesji i tur, a budżety, tempo wydatkowania środków i alerty mają pomóc wcześnie wykrywać nadmierne wydatki. Zamiast liczyć wskaźniki infrastruktury, takie jak tokeny czy wywołania API, wiąże te wydatki z rezultatami, w tym rozwiązanymi zgłoszeniami, przyspieszonymi przeglądami kodu i zautomatyzowanymi zadaniami.

Funkcja Prove porównuje wartość wytwarzaną przez każdego agenta z jego kosztem: Switch ustala punkt odniesienia na podstawie pracy człowieka, automatycznie śledzi wydatki na agentów i mierzy takie wartości jak koszt uzyskania rezultatu oraz zwrot netto z inwestycji.

Funkcja Optimize wykrywa wycieki kosztów i wskazuje, co naprawić, przekierować lub ograniczyć. Dla każdego agenta szereguje zalecenia, podając szacowany zakres miesięcznych oszczędności i poziom pewności. W komunikacie wymieniono problemy, których dotyczą te zalecenia: niewłaściwy dobór modeli, dostępne, lecz nieużywane narzędzia, ponowne przesyłanie kontekstu zamiast korzystania z pamięci podręcznej, ponawianie prób i pętle powtarzające pracę oraz odpowiedzi dłuższe, niż wymaga tego zadanie. Na stronie produktu podano, że zalecenia obejmują cztery rodzaje oszczędności: dobór modelu, nieużywane narzędzia, długość odpowiedzi i buforowanie. Zapowiedziano poprawę wydajności. Opisano też przeniesienie pracy agenta do tańszego modelu, jeśli przejdzie on kontrole jakości, przy jednoczesnym zachowaniu kontekstu pokoju przez agenta.

Mount Sinai West i wypowiedzi przedstawicieli kierownictwa

Według komunikatu laboratorium MSW Lab w Mount Sinai West wykorzystuje Switch Trust do stworzenia G Board — rozwiązania, które pozwala lekarzom tworzyć aplikacje kliniczne z wykorzystaniem agentów AI. „W MSW Lab lekarze tworzą prawdziwe oprogramowanie medyczne z pomocą agentów AI, dlatego musimy udowodnić, że działają one bezpiecznie” — powiedział dr Jeffrey Bander, szef kardiologii w Mount Sinai West i profesor nadzwyczajny kardiologii oraz sztucznej inteligencji w Icahn School of Medicine at Mount Sinai, w komunikacie SandboxAQ. Bander powiedział, że Switch AI pozwala laboratorium wbudować to zaufanie w codzienną pracę, dzięki czemu lekarze mogą skupić się na problemach klinicznych, zamiast stawać się specjalistami ds. bezpieczeństwa AI.

W komunikacie przywołano prognozę Gartnera, według której do końca 2027 roku zostanie anulowanych ponad 40 procent projektów związanych z agentową sztuczną inteligencją. Na stronie produktu Switch ROI osobno przytoczono dane z badania KPMG Global AI Pulse z 24 czerwca 2026 roku, przeprowadzonego wśród 2 145 respondentów. Wynika z nich, że 7 procent liderów ma ustalony zwrot z inwestycji w AI, a liderzy, którzy mają jasny obraz kosztów AI, pięć razy częściej zgłaszają taki zwrot.

Mohammed Aboul-Magd, dyrektor zarządzający Switch AI w SandboxAQ, powiedział, że wśród wielu użytkowników firma zaobserwowała przypadki, w których wydatki na AI, mające pozwolić uniknąć zatrudnienia nowej osoby, szybko okazywały się wyższe niż koszt zatrudnienia pracownika na pełny etat. Dodał, że samo wdrożenie AI nie oznacza zwrotu z inwestycji: zespoły muszą wiedzieć, ile kosztuje każdy agent, co wytwarza i jak można go udoskonalić. Jak stwierdził, właśnie ten problem ma rozwiązywać Switch ROI.

Jack Hidary, dyrektor generalny SandboxAQ, powiedział, że firmy będą mieć setki, a potencjalnie tysiące agentów AI pracujących razem z ich pracownikami. Dodał, że żadna firma nie zatrudniłaby tysiąca osób, nie znając ich kwalifikacji, kosztów ani wyników, i że tę samą zasadę należy stosować wobec agentów. Wraz z rozwojem tej technologii firmy muszą też mieć możliwość przechodzenia na lepszych agentów i modele bez utraty zgromadzonej wiedzy.