SandboxAQ lägger till verktyg för förtroende och avkastning i Switch-plattformen för AI-agenter

Den 19 oktober 2026 meddelade SandboxAQ att företag som inför AI-agenter får tillgång till en utökad version av plattformen Switch AI. Företaget lanserade Switch Trust för att upptäcka, testa och skydda agenter samt Switch ROI, som följer varje agents kostnad och värde.

Det Kalifornienbaserade företaget med huvudkontor i Palo Alto uppgav att de två produkterna bygger vidare på företagets open source-erbjudande Switch Rooms. De presenteras som ett leverantörsoberoende sätt för organisationer att bedöma riskerna med agenter, mäta affärsvärdet och finjustera prestandan hos de agenter, modeller och leverantörer de använder. I tillkännagivandet jämförs agenter med den första generationens AI för företag, vars värde enligt företaget främst mättes i antal användarlicenser, användning och tokenförbrukning. Eftersom agenter kan fatta beslut, vidta åtgärder och arbeta tillsammans med människor skapar de nya krav på tillsyn och ansvarsskyldighet, uppger företaget.

Switch Rooms samlar anställda och AI-agenter i Slack, Microsoft Teams, Discord och andra arbetsverktyg. Det gör att team kan arbeta med de agenter de själva väljer och samtidigt behålla kontrollen över delad kontext, historik och kunskap. SandboxAQ lanserade Switch i augusti 2026 som ett open source-erbjudande under Commons Clause Apache 2.0, utifrån principen att företag ska kunna välja och byta AI-agenter, modeller och leverantörer utan att förlora kontrollen över sin kontext.

Switch Trust: upptäcka, testa och skydda agenter

Enligt tillkännagivandet erbjuder Switch Trust säkerhet och styrning för agenter i fyra steg: Discover, Scan, Evaluate och Monitor. På produktsidan för Switch Trust står det att produkten fungerar med alla agenter, oavsett vem som har byggt dem.

Steget Discover skapar en förteckning över agenter, modeller, verktyg, MCP-servrar och beroenden i anslutna miljöer och kodarkiv, även agenter som säkerhetsteamen kanske inte känner till. För varje objekt registreras ägarskap, källa, beroenden, identifierade problem och allvarlighetsgrad, så att teamen får en aktuell överblick över sin agentmiljö.

Steget Scan kontrollerar agenter i kod och molnmiljöer för säkerhetsbrister. Det kombinerar statisk analys med AI-stödd triagering som filtrerar bort falska positiva resultat. Steget tilldelar allvarlighetsgrader, kopplar identifierade problem som stöds till OWASP:s säkerhetskategorier för AI-agenter och rekommenderar åtgärder.

Steget Evaluate ansluter direkt till en agent och utsätter den för adversariella och funktionella tester som omfattar promptinjektion, jailbreak-attacker, dataläckor och efterlevnad av instruktioner. Varje attack får resultatet godkänd eller underkänd, vilket vägs in i ett övergripande hälsomått. Teamen kan lägga till egna utvärderingar utöver de inbyggda testerna. På produktsidan står det att ett underkänt test stoppar lanseringen av en agent tills den klarar testet.

Steget Monitor skyddar agenter i produktionsmiljö. Teamen ansluter en agent via ett programvaruutvecklingspaket som registrerar dess aktivitet, däribland prompter, svar, modellförfrågningar, svarstid, sessioner och policyhändelser. Agenter som körs i Switch Rooms får automatiskt skyddspolicyer. Under pågående interaktioner söker policyerna efter promptinjektioner, hemligheter, personligt identifierbar information, giftigt innehåll och jailbreak-attacker. Trust kan blockera eller maskera osäkert beteende, skicka aviseringar om det eller logga det, samtidigt som bevis på vad som inträffade bevaras. På produktsidan står det att skyddsmekanismerna kontrollerar vad som går in i och ut ur varje agent och att Switch Trust samlar en enda dokumentation av vad varje agent har gjort och vem som har godkänt det.

Switch ROI: mätning av kostnad och värde för varje agent

Enligt tillkännagivandet mäter Switch ROI varje agents kostnad och levererade värde och ger konkreta rekommendationer för att sänka kostnaderna och förbättra prestandan. På produktsidan för Switch ROI står det att tjänsten samlar alla agenter från alla leverantörer på ett ställe och sammanställer AI-utgifter som annars är utspridda på användarlicenser, användningsbaserade fakturor och olika leverantörer.

Funktionen Measure följer utgifter och prestanda ända ned på nivån för enskilda agenter, sessioner och turer. Budgetar, förbrukningstakt och aviseringar ska göra det möjligt att upptäcka överutgifter i ett tidigt skede. I stället för att räkna infrastrukturmått som token eller API-anrop kopplar funktionen utgifterna till resultat, exempelvis lösta supportärenden, snabbare hantering av pull requests och automatiserade uppgifter.

Funktionen Prove väger värdet som varje agent skapar mot dess kostnad: Switch fastställer en mänsklig baslinje, följer automatiskt agenternas utgifter och mäter värden som kostnad per resultat och nettoavkastning på investeringen.

Funktionen Optimize letar efter onödiga utgifter och avgör vad som bör åtgärdas, styras om eller minskas. Den rangordnar rekommendationer för varje agent och anger ett uppskattat intervall för månadsbesparingar och en konfidensnivå. I tillkännagivandet listas problemen som rekommendationerna ska lösa: dåligt modellval, verktyg som erbjuds men aldrig används, kontext som skickas på nytt i stället för att cachas, upprepade återförsök och loopar som gör om samma arbete samt utdata som är längre än uppgiften kräver. På produktsidan står det att rekommendationerna omfattar fyra slags kostnadsförbättringar: modellval, oanvända verktyg, svarslängd och cachning. Där står också att prestandaförbättringar kommer framöver och att en agents arbete kan flyttas till en billigare modell när kvalitetskontrollerna godkänns, samtidigt som agenten behåller rummets kontext.

Uttalanden från Mount Sinai West och företagsledningen

Enligt tillkännagivandet använder MSW Lab vid Mount Sinai West Switch Trust för att bygga G Board, ett ramverk som gör det möjligt för läkare att skapa kliniska applikationer med AI-agenter. ”På MSW Lab utvecklar läkare verklig vårdprogramvara med AI-agenter, så vi måste kunna visa att agenterna beter sig säkert”, sade dr Jeffrey Bander, chef för kardiologi vid Mount Sinai West och biträdande professor i kardiologi och artificiell intelligens vid Icahn School of Medicine at Mount Sinai, i SandboxAQ:s tillkännagivande. Bander sade att Switch AI ger labbet ett sätt att bygga in den tilliten i det dagliga arbetet, så att läkarna kan fokusera på kliniska problem i stället för att bli specialister på AI-säkerhet.

I tillkännagivandet hänvisas till en prognos från Gartner om att mer än 40 procent av projekten inom agentbaserad AI kommer att läggas ned före utgången av 2027. På produktsidan för Switch ROI hänvisas separat till uppgifter från KPMG Global AI Pulse-undersökningen, daterad den 24 juni 2026 och baserad på 2 145 svarande. Enligt uppgifterna har 7 procent av ledarna en etablerad avkastning på AI, och ledare med tydlig insyn i AI-kostnaderna uppger fem gånger så ofta att de har en sådan avkastning.

Mohammed Aboul-Magd, chef för Switch AI på SandboxAQ, sade att företaget har sett fall bland många användare där AI-utgifter, som förväntades göra det möjligt att undvika en nyanställning, snabbt blev högre än kostnaden för att anställa en person på heltid. Han sade att AI-användning inte i sig innebär avkastning på investeringen; team behöver känna till varje agents kostnad, vad den producerar och hur den kan förbättras. Det beskrev han som det problem Switch ROI är utvecklat för att lösa.

Jack Hidary, vd för SandboxAQ, sade att företag kommer att ha hundratals, och potentiellt tusentals, AI-agenter som arbetar tillsammans med de anställda. Han sade att företag inte skulle anställa tusen personer utan att känna till deras kvalifikationer, kostnader eller resultat, och att samma noggrannhet måste tillämpas på agenter. I takt med att tekniken utvecklas måste företagen också kunna byta till bättre agenter och modeller utan att förlora den kunskap de har samlat på sig, sade han.