Przejdź do treści
Czas na świecieEU--:--UK--:--USA--:--CN--:--PLDEFRIT中文EN

portal o AI i technologiiwydarzenia · analizy · wywiady · tło techniczne

Szukaj
NA ŻYWO
›

MongoDB stawia na infrastrukturę dla agentów, a ruch z wyszukiwarek dalej spada

MongoDB udostępniła Atlas Agent Engine w publicznym podglądzie 29 września. Firma oferuje pamięć, środowisko uruchomieniowe i zarządzanie dla produkcyjnych agentów AI. W tym samym czasie nowe badania i dane wydawców pokazują, jak te same agenty zmieniają sposób powstawania oprogramowania i docierania czytelników do sieci.

Media i internetAnalizaMarta ZielińskaOpublikowano: 29 września 20264 min czytaniaŹródła 8
MongoDB stawia na infrastrukturę dla agentów, a ruch z wyszukiwarek dalej spada

Ogłoszenie pojawiło się we wpisie na blogu MongoDB z 29 września 2026 roku. Podpisał go dyrektor, który napisał, że zarząd poprosił go o objęcie funkcji tymczasowego CEO po „zmianie kierownictwa z tego tygodnia”. Obok Atlas Agent Engine MongoDB zapowiedziała wydanie MongoDB 9.0 oraz nową opcję wdrożenia o nazwie Atlas Infinite. Pozwala ona skalować pamięć masową i moc obliczeniową „niezależnie, w miarę zmian zapotrzebowania”.

Atlas Agent Engine jest neutralny wobec modeli i frameworków. Zbudowano go na otwartych standardach, w tym MCP i A2A, jak podaje strona produktu. Firma twierdzi, że środowisko uruchomieniowe śledzi każde wywołanie modelu i narzędzia oraz każde odwołanie do pamięci. Polityki rozchodzą się z poziomu organizacji i nie można ich nadpisać niżej.

Taki jest przekaz. Czy przedsiębiorstwa faktycznie kupują narzędzia do zarządzania, nie zostało dowiedzione. Ceny w publicznym podglądzie, jak zaznacza MongoDB, „mogą się zmienić”.

Gdzie te agenty naprawdę działają

W innych częściach stosu ten sam tydzień przyniósł grupę prac open source i badawczych. Mają one uczynić decyzje agentów tańszymi i łatwiejszymi do zmierzenia. 29 września projekt OpenJev opublikował kompatybilny z Jev silnik decyzyjny. Zwraca on typowane odpowiedzi, Choice, Score lub Noul, z modeli o otwartych wagach w jednym przebiegu w przód, bez parsowania JSON. W pliku README podano 290 ms dla jednego pytania i 328 ms dla 27, przy liczbie tokenów wyjściowych rosnącej z 23 do 594. Projekt wyraźnie zaznacza, że jest niezależny i „nie jest powiązany z TypeSafe ani przez nią wspierany”.

Routing to druga połowa problemu kosztów. Firma Unblocked opisała budowę adaptacyjnego routera dla wnioskowania na modelach o otwartych wagach. Router kierował ruch między Baseten, Fireworks i CoreWeave na podstawie zmierzonego kosztu i szybkości. W trybie round-robin Fireworks obsłużył 51% zadań GLM 5.2, a Baseten 49%, choć ceny Fireworks były o 25% wyższe. Stała kolejność wypchnęła potem Baseten do 98,5%. Ceny katalogowe CoreWeave były o około 45% niższe niż w Baseten, ale zespół nie miał danych o jego wydajności.

29 września ukazały się dwa artykuły ekonomiczne z twardszymi liczbami. Praca robocza NBER Matthew Schwartza, Isaiaha Andrewsa i Jessego M. Shapiro przepuściła przez jeden proces LLM 4 452 opublikowane pakiety replikacyjne z pięciu czasopism ekonomicznych. Wykryła rozbieżności w 3 460 artykułach lub ich załącznikach. W 496 artykułach skróciła czas obliczeń danego rachunku ponad dziesięciokrotnie przy podobnej lub większej dokładności, a w 923 wygenerowała rozszerzenie nieobecne w oryginalnej pracy. W artykule ujawniono, że Schwartz pracował jako kontraktor dla Anthropic i że Anthropic nie firmuje tych wyników.

Makroekonomiczna teza i jej metoda

Drugi artykuł, praca robocza NBER 35 793, szacuje wpływ AI przez jeden kanał: inżynierię oprogramowania. Autorzy wzięli wrażliwość stóp zwrotu z akcji na indeks AI oraz udział wynagrodzeń w inżynierii oprogramowania w każdej firmie. Na tej podstawie szacują, że od listopada 2022 do grudnia 2025 roku AI podniosła oczekiwaną przez rynek wartość bieżącą produktywności inżynierii oprogramowania o równowartość trwałego wzrostu o 32,6%. Ich bazowy wpływ na PKB to 3,6%, a rośnie do 6,5%, jeśli wyższa produktywność inżynierii oprogramowania podniesie też produktywność prac badawczo-rozwojowych. Do połowy 2026 roku, jak piszą, efekt był ponad dwukrotnie większy niż na koniec 2025 roku.

To miara wyprzedzająca, wyprowadzona z cen, a nie bezpośredni pomiar produktywności. Autorzy tak ją przedstawiają.

W praktyce Daniel Gebler, CTO firmy Picnic, powiedział The Global Move, że jego firma „zatrudnia z powodu przewagi, jaką daje nam AI”, a nie mimo niej. Picnic zatrudnia około 400 inżynierów. Gebler powiedział, że 25 000 000 z 50 000 000 linii kodu firmy napisali analitycy, a nie inżynierowie. Dodał, że Picnic ograniczył tempo wydań napędzane przez AI, bo 10 razy więcej eksperymentów bije 10 razy więcej wydań.

Strona ruchu w tej historii jest mniej zachęcająca dla każdego, czyj biznes zależy od poleceń z wyszukiwarek. Zebrane dla kontekstu nagłówki wskazują, że spadki ruchu z wyszukiwarki Google pogłębiły się do 40% rok do roku u wydawców na dzień 24 września, a małe serwisy zgłaszają spadki sięgające 60%. To streszczenia nagłówków, nie fakty, które ten tekst może niezależnie zweryfikować. Ustawiają jednak kontekst dla tygodniowych wieści o infrastrukturze: budowane teraz narzędzia zakładają, że odpowiedzi przychodzą bez kliknięcia.

Manticore Search wyraziła to założenie wprost we wpisie z 29 września. Przekonuje, że wyszukiwanie pełnotekstowe wciąż dobrze działa dla SKU i dokładnych nazw, ale samo nie doprowadza już użytkownika do odpowiedzi. Google podał w maju 2026 roku, że AI Mode przekroczył miliard użytkowników miesięcznie, przypomina wpis. Ludzie zadają dłuższe pytania, które nigdy nie mieszczą się w polu na słowo kluczowe.

Komentarze 0

Źródła

8
  1. 01The Intelligent Data Platform for the AI EraEN
  2. 02The MongoDB Agent Platform | Atlas Agent EngineEN
  3. 03OpenJev: An open-source, Jev-compatible System One decision engineEN
  4. 04Routing LLM traffic across inference providers by cost, speed and reliabilityEN
  5. 05An LLM Workflow That Reproduces, Improves, and Extends Published Economics ResearchEN
  6. 06The Macroeconomic Effect of AI: Sizing the Software Engineering ChannelEN
  7. 07We Are Hiring Engineers Because of AI, Not Despite It: Inside Picnic's AI TransformationEN
  8. 08Full-Text Search Still Works. It Just Doesn't Get You to an AnswerEN

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.

Marta Zielińska

Marta Zielińska

AI, modele i technologie

Marta Zielińska pisze o technologiach, AI i modelach oraz mediach i internecie, opierając się na dokumentacji, preprintach i danych z API, a nie na zapowiedziach producentów. Przy każdej publikacji sprawdza karty modeli, parametry treningowe i benchmarki, a liczby porównuje z niezależnymi testami i wynikami z repozytoriów. Rozmawia z badaczami i inżynierami, czeka na kolejne wydania modeli i zestawia ich działanie z wcześniejszymi wersjami. Prywatnie drukuje w 3D, naprawia stare komputery i sprawdza, jak modele uczą się na śmieciach z internetu. Nie publikuje wyników, których nie może odtworzyć na własnym sprzęcie.

Redakcja →

Komentarze

0
  1. Brak komentarzy — bądź pierwszy.

Dodaj komentarz

Komentarze są widoczne publicznie. Nie publikujemy wulgaryzmów, spamu i treści reklamowych.