Agentowa AI i luka w tożsamości: problem RAG w firmach, którego nikt nie rozwiązał
Na koniec czerwca z generatywnej sztucznej inteligencji w Chinach korzystało ponad 700 mln ludzi, o 16 proc. więcej niż 602 mln na koniec 2025 roku. Tak podało 29 września China Internet Network Information Centre. Dla firm budujących systemy RAG trudniejszym problemem niż samo wdrożenie jest zarządzanie dostępem i odpowiedzialnością.

China Internet Network Information Centre podało, że na koniec czerwca z generatywnej AI w Chinach korzystało ponad 700 mln osób, czyli więcej niż połowa populacji. South China Morning Post poinformował o tym 29 września. To wzrost o 16 proc. w porównaniu z końcem 2025 roku, gdy w Chinach było 602 mln użytkowników generatywnej AI, a współczynnik penetracji wynosił 42,8 proc. To samo badanie pokazało, że 76 proc. użytkowników sięga po AI po odpowiedzi, 48 proc. po obrazy lub wideo, 38 proc. do przetwarzania tekstu, a 33 proc. po podsumowania pracy, notatki ze spotkań lub prezentacje.
\n\nTe liczby opisują zachowania konsumentów. Nie mówią nic o tym, czy systemom odpowiadającym na te zapytania można zaufać w firmie.
\n\nProblem zaufania znalazł się w centrum dyskusji o RAG w firmach. Retrieval augmented generation opiera odpowiedź modelu językowego na dokumentach pobieranych w chwili zapytania. To dziś domyślna architektura korporacyjnej AI. Zbudowanie działającego prototypu zajmuje kilka dni. Uczynienie go na tyle niezawodnym, by obsługiwał proces biznesowy, to już inna dyscyplina inżynierska, jak zauważył VentureBeat 27 września. Większość wdrożeń grzęźnie w luce między jednym a drugim.
\n\nKto odpowiada za agenta?
\n\nThe Hacker News opublikował 28 września framework. Traktuje każdego agenta AI jako nie-ludzką tożsamość z ludzkim właścicielem, określonym celem, ograniczonymi uprawnieniami, terminem ważności i stałym monitorowaniem. Artykuł wymienia pięć trybów awarii, których klasyczne zarządzanie tożsamością i dostępem nigdy nie miało wychwytywać: brak właściciela, długotrwałe sekrety, nieograniczone delegowanie, niewidoczne tworzenie instancji i brak terminu ważności. Powołuje się na OWASP Top 10 for Large Language Model Applications, gdzie nadmierna autonomia figuruje jako LLM06. Chodzi o to, że agent z szerokimi uprawnieniami lub dużą autonomią działa poza powierzonym mu zadaniem.
\n\nTekst rozróżnia konfigurację i telemetrię. Statyczne przypisanie ról nie ograniczy tego, co agent robi w czasie działania, a przegląd konfiguracji tego nie zmierzy. Ustalenia z konfiguracji opisują możliwość, telemetria opisuje to, co faktycznie się stało. To bezpośrednie wyzwanie dla sposobu, w jaki większość firm obecnie audytuje swoje systemy AI.
\n\nSkalę problemu zarządzania widać w liczbach. Foundry w badaniu 2026 Cloud Computing Study ustaliło, że 74 proc. firm przyspieszyło w zeszłym roku migracje do chmury, podał Data Center Knowledge. Private Cloud Outlook 2026 firmy VMware wskazuje, że 83 proc. firm zakończyło lub planuje przenieść obciążenia z chmury publicznej z powrotem do własnej infrastruktury. Powodem są obawy o bezpieczeństwo, koszty, zgodność z przepisami i wydajność. Te obciążenia coraz częściej obejmują wnioskowanie AI. Data Center Knowledge podał, że wnioskowanie przenosi się do centrów kolokacyjnych, gdzie operatorzy oferują szafy o mocy 35 kW z chłodzeniem powietrzem oraz 70 do 150 kW z chłodzeniem cieczą.
\n\nNie chodzi tylko o gęstość. Firmy z branż regulowanych wolą uruchamiać wnioskowanie na poufnych danych finansowych, operacyjnych i badawczych w prywatnych strefach kolokacyjnych. Te strefy mają dedykowane łącza sieciowe i własne zapory. Alternatywą jest wysyłanie takich danych do zewnętrznych startupów AI. Ta preferencja ma bezpośrednie konsekwencje dla architektur RAG, bo pobieranie dokumentów oznacza, że system musi sięgać do korporacyjnego zbioru przy każdym zapytaniu.
\n\nDostawcy infrastruktury wchodzą do gry
\n\nDostawcy infrastruktury zmieniają pozycjonowanie wokół tego wymagania. CoreWeave pokazało Forge 30 września na swoim wydarzeniu Fully Connected w San Francisco. To zintegrowana platforma programowa do tworzenia, uruchamiania i ulepszania modeli i agentów AI. Corey Sanders, starszy wiceprezes ds. zarządzania produktem w CoreWeave, mówił na briefingu dla mediów. Powiedział, że firma przeszła od koncentracji na byciu najlepszym dostawcą infrastruktury dla AI do dostarczania usług AI, żeby klienci mogli budować aplikacje na jej platformie. Forge jest dostępny w edycjach Free, Pro i Enterprise. Zawiera CoreWeave Notebooks, Agent Lens do obserwacji agentów produkcyjnych oraz RL Rollouts. Wśród pierwszych partnerów są VAST Data, CrowdStrike i ClickHouse.
\n\nAnalityk IDC Dave McCarthy powiedział Data Center Knowledge, że CoreWeave próbuje odróżnić się od wyspecjalizowanych dostawców chmury AI, takich jak Nebius, Lambda i Vultr, jednocześnie konkurując z AWS, Google Cloud i Microsoft Azure. Jego argument jest taki, że wygrywanie laboratoriów AI nie wystarczy do stabilnego biznesu. Firmy potrzebują większego ekosystemu programowego i możliwości, które są gotowe do użycia, a nie wymagają samodzielnego składania.
\n\nMicrosoft tego samego dnia wybrał przeciwną drogę. Azure Container Apps Express osiągnął ogólną dostępność, podał InfoQ. Model wdrożenia usuwa etap przygotowywania środowiska i zastępuje większość konfiguracji narzuconymi ustawieniami domyślnymi. Wchodzi razem z ogólną dostępnością Azure Container Apps Sandboxes, izolowanej warstwy obliczeniowej, na której działa Express. Sandboxes tworzą środowiska ze wstępnie rozgrzanych pul, co daje start w mniej niż sekundę. Izolują każde obciążenie w osobnym sprzętowo odseparowanym mikroVM i obsługują zawieszanie i wznawianie z pełnym zapisem stanu. Dokumentacja Microsoftu, cytowana przez InfoQ, stwierdza, że Express jest zbudowany w całości na tej warstwie. Opisuje produkt jako nastawiony najpierw na dewelopera, a potem na agenta.
\n\nWspomagane przez AI przepływy pracy mogą tworzyć i aktualizować aplikacje znacznie szybciej, niż ktokolwiek zdąży skonfigurować infrastrukturę ręcznie.\n\n
To zdanie z dokumentacji Microsoftu najwyraźniej pokazuje, dlaczego problem tożsamości stał się pilny. Jeśli agenci mogą tworzyć i zmieniać infrastrukturę szybciej, niż ludzie są w stanie ją przejrzeć, warstwa zarządzania też musi działać automatycznie. InfoQ zauważył, że reakcje na Reddicie sugerowały, iż prymityw Sandboxes był w użyciu na długo przed ogłoszeniem. Jeden z komentujących twierdził, że stanowi podstawę kluczowych usług Azure, w tym Foundry Hosted Agents, czego materiały samego Microsoftu nie podają.
\n\nBadania napierają z obu stron
\n\nPublikacje naukowe z ostatniego tygodnia pokazują to samo napięcie z różnych stron. Praca przesłana do arXiv 29 września przez Yining Lu, Aurelie Lozano, Xi Yang, Naoki Abe, Yu Deng i Meng Jiang proponuje MoFlow. Metoda generuje przepływy pracy agentów, które jednocześnie optymalizują dokładność, koszt, opóźnienie, odporność i spójność, zamiast wybierać jeden stały kompromis. Autorzy formułują problem jako wielokryterialny proces decyzyjny Markowa i rozwiązują go za pomocą Convex-Hull Monte Carlo Tree Search. MoFlow oceniano wobec sześciu punktów odniesienia na sześciu testach obejmujących matematykę, kod i odpowiadanie na pytania. Osiągnął najwyższą średnią hiperobjętość. Autorzy przyznają, że porównanie z optymalizatorami jedno-kryterialnymi jest trudne, bo te punkty odniesienia uruchamiano ponownie dla każdej preferencji testowej, a MoFlow ich nie widział.
\n\nInna praca z arXiv, przesłana 30 września przez Tianyu Chen, Mingyuan Zhou i Jiaxing Wu, atakuje sam etap pobierania. Ich VHOP-Router trenuje model osadzania w autoregresyjny wieloetapowy retriever, który działa bezpośrednio w wizualnej przestrzeni ukrytej. Pobiera powiązane łańcuchy obrazów w jednym wywołaniu narzędzia, bez formułowania przez agenta pośrednich zapytań tekstowych. Podane wyniki są duże. Skuteczność pobierania wzrosła z poniżej 5 proc. do 76,3 proc. Wskaźniki powodzenia zadań poprawiły się o 52,7 proc. Średnia długość tokenów spadła o 61 proc. z 1886 do 728. Liczba obrazów w kontekście zmalała 23-krotnie, a skumulowany ładunek API 35-krotnie. Same ulepszenie agenta dało dla porównania tylko 3,7 proc. zysku.
\n\nTrzecia praca, przesłana 29 września przez Sumit Asthana, Michael Ion i Kevyn Collins Thompson, dotyczy danych syntetycznych używanych do dostrajania systemów konwersacyjnych. Autorzy twierdzą, że bezpośrednie promptowanie LLM daje dane o niskiej różnorodności, które zlewają się na dominujących wzorcach. Proponują trenowanie Generative Flow Networks na ukrytej strukturze rozmowy z użyciem mieszaniny Gaussa gęstości na cechach interakcji. W dialogach edukacyjnych i wsparcia emocjonalnego raportują lepszą równowagę wierności, pokrycia wzorców i autentyczności niż punkty odniesienia oparte na uczeniu ze wzmocnieniem i end-to-end LLM, bez kopiowania danych treningowych.
\n\nDwie kolejne prace z arXiv z tego samego okresu są węższe, ale istotne dla każdego, kto prowadzi pobieranie na dużą skalę. Praca przesłana 26 września przez Junoh Kang, Kiseop Lee i Bohyung Han opisuje ReLOBGen, metodę generowania komunikatów księgi zleceń z limitem ceny, które z założenia dają się odtworzyć. Osiągnęła 100 proc. odtwarzalności w seriach po 500 komunikatów i przyspieszenie 2,7 do 3,6 razy na odtworzony komunikat wobec punktu odniesienia LOBS5. Praca przesłana 28 września przez Julien Moreau i Marc Lelarge proponuje EnJoi, oparty na dyfuzji algorytm asymilacji danych, który uczy się łącznego rozkładu stanów przeszłych i przyszłych. Pokazuje lepszą rekonstrukcję w symulacjach przepływu płynów i ruchu, gdzie obserwacje są rzadkie i niejednorodne.
\n\nŻadna z tych prac nie wspomina bezpośrednio o RAG w firmach. Ich znaczenie jest strukturalne. Każda próbuje uczynić zachowanie systemu generatywnego bardziej przewidywalnym, mierzalnym lub kontrolowalnym. Dokładnie tego, zdaniem frameworku opublikowanego przez The Hacker News, brakuje w większości korporacyjnych wdrożeń.
\n\nLiczby pod spodem
\n\nPresja sprzętowa dokłada się do problemu. Data Center Knowledge podał 24 września, że generatory grzebienia częstotliwości optycznej są oceniane pod kątem łączy w centrach danych AI. Wytwarzają wiele równo rozstawionych długości fali z jednego lasera pompującego zamiast z tablicy pojedynczych laserów. Marcello Girardi, dyrektor generalny i współzałożyciel Solinide, powiedział publikacji, że cztery długości fali to rozwiązany problem dla tablic laserowych. Trudność zaczyna się przy ośmiu, a przy 16 liczba elementów zaczyna ograniczać. Steven Estrella, dyrektor ds. zarządzania produktem w Quintessent, powiedział, że grzebienie zmniejszają liczbę laserów potrzebnych do tej samej liczby kanałów. To przekłada się na mniej punktów awarii i mniejszą złożoność kontroli długości fali. Zauważył, że przy obecnym niedoborze laserów DFB z falą ciągłą na fosforku indu, ograniczanie liczby potrzebnych laserów ma większe znaczenie niż kiedykolwiek.
\n\nBilans środowiskowy też jest liczony. Badanie Fraunhofer Center for Silicon Photovoltaics zleciła niemiecka agencja zasobów mineralnych, a 1 października opisał je pv magazine. Wynika z niego, że moduły zainstalowane w Niemczech do końca 2023 roku stanowiły zapas materiałów o masie około 5 350 000 ton metrycznych. W tym 3 850 000 ton szkła, 663 000 ton aluminium, 208 000 ton krzemu, 53 500 ton miedzi i 3 900 ton srebra. Potencjalna wartość materiałowa to 4,8 mld euro. Do 2030 roku może powstać ponad 600 000 ton odpadów PV. Ale odnotowany wolumen modułów wycofanych z eksploatacji spadł między 2022 a 2024 rokiem, wbrew oczekiwaniom. Badacze podają eksport używanych modułów jako jedną z możliwych przyczyn. W 2024 roku dostępnych było ponad 50 000 ton zdolności recyklingowych, a jedynie około 9 300 ton przeszło wstępne przetworzenie.
\n\nTa rozbieżność między zainstalowanymi mocami a faktyczną przepustowością ma oczywistą analogię w firmowej AI. Możliwości wdraża się szybciej niż systemy do zarządzania nimi, mierzenia ich i wycofywania.
\n\nGdzie te dwie historie się spotykają
\n\nGenerative Bionics, startup wyodrębniony z Istituto Italiano di Tecnologia, daje konkretny przykład tego, jak szybko narastają zobowiązania. Il Sole 24 ORE poinformował 1 października, że firma zamknęła rundę o wartości 70 mln euro 4 grudnia 2025 roku, prowadzoną przez Cdp Venture Capital z udziałem m.in. Eni Next. Działalność rozpoczęła 7 stycznia i w lipcu pokazała robota Gene.01. Ma czteroletni program z Fincantieri na humanoida do spawania, a pierwsze zatrudnienie przewidziano na początek 2027 roku. Podpisała też nową umowę z Eni na ocenę współpracy przemysłowej począwszy od Gene.01, obejmującą inspekcję, teleoperację, zdalną pomoc i wsparcie w złożonych środowiskach.
\n\nDyrektor generalny Daniele Pucci powiedział Il Sole 24 ORE, że robot, który robi wszystko, robi wszystko źle. Opisał podejście firmy jako wspólną platformę dostosowywaną na trzech poziomach: modelu AI, obudowy oraz dłoni i stóp. Firma twierdzi, że wprowadziła tę strategię pierwsza w lutym i teraz widzi, jak inni idą jej śladem.
\n\nKażdy z tych scenariuszy wdrożenia, od spawania po logistykę szpitalną, rodzi to samo pytanie, które stawia framework tożsamości: kto odpowiada, gdy agent działa poza powierzonym zadaniem? Odpowiedź, zdaniem frameworku, nie może pochodzić wyłącznie z przeglądu konfiguracji. Musi pochodzić z telemetrii czasu działania, a większość firm tej zdolności jeszcze nie zbudowała.
\n\nPopyt w innych miejscach nie zwalnia. PopWheels, startup z Brooklynu, testuje model wymiany baterii dla nowojorskich wózków gastronomicznych, który zastępuje generatory na paliwa kopalne, podał Canary Media. Prowadzi sześciomiesięczny pilotaż rozpoczęty w lipcu, z dwiema szafami ładowania w Flushing Meadows Corona Park i 10 uczestniczącymi dostawcami. Pilotaż wspiera 46 000 dolarów od City Parks Foundation i 30 900 dolarów od Resilient Cities Catalyst. Dostawca William Arevalo powiedział publikacji, że jego generator kosztuje około 500 do 600 dolarów miesięcznie na paliwo. Firma pobiera już od kurierów od 65 do 95 dolarów miesięcznie za dostęp do baterii do e-rowerów z ponad 45 szaf w mieście.
\n\nTańsza, czystsza infrastruktura wciąż nadchodzi. Warstwa zarządzania wciąż zostaje z tyłu.
Źródła
14- 01China's generative AI user base crosses 700 million, covering over half the populationEN
- 02IAM for AI agents: A Practical Enterprise FrameworkEN
- 03CoreWeave Targets Enterprises with Forge PlatformEN
- 04Container Apps Express Reaches GA on a Newly Generally Available Sandbox LayerEN
- 05Enterprises Adopt Colocation for AI and Hybrid Cloud InitiativesEN
- 06The Role of Optical Frequency Comb Generators in AI Data CentersEN
- 07MoFlow: Multi-Objective Agentic Workflow GenerationEN
- 08Learning to Route in Visual Space via Multi-Step Embedding RetrievalEN
- 09Beyond Mode Collapse: Generating Diverse Synthetic Expert Conversations via Generative Flow NetworksEN
- 10ReLOBGen: Replayable Limit Order Book Message GenerationEN
- 11EnJoi: Ensemble Joint Score Filter for Generative Data AssimilationEN
- 12Germany could generate over 600,000 tonnes of PV module waste by 2030EN
- 13This startup helps food carts switch loud, dirty generators for batteriesEN
- 14Generative Bionics, la start up che in meno di un anno ha stretto accordi con Eni e FincantieriEN
Wszystkie liczby i cytaty w tym tekście pochodzą z poniższych źródeł. Nie dopisujemy danych, których w źródłach nie ma.
Materiały zostały przygotowane przez zespół redakcyjny wspierane przez AI.
Komentarze
0- Brak komentarzy — bądź pierwszy.