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
›

Narzędzia do agentów AI w firmach dzielą się na orchestrację i bezpieczeństwo

Platformy agentów AI dla firm konsolidują się wokół istniejących stosów technologicznych, a badacze bezpieczeństwa ostrzegają, że tożsamość agentów i sandboxing kodu pozostają w dużej mierze nierozwiązane. Wynika to z materiałów dostawców i analityków opublikowanych do 2026 roku.

AI i modeleAnalizaAnna KaczmarekOpublikowano: 27 września 20264 min czytaniaŹródła 4
Narzędzia do agentów AI w firmach dzielą się na orchestrację i bezpieczeństwo

W 2026 roku w narzędziach do agentów AI dla firm prawdziwe są dwie rzeczy. Rynek platform szybko dojrzewa. Warstwa bezpieczeństwa pod nim nie. Większość decyzji zakupowych zapada dziś w szczelinie między tymi faktami.

Zacznijmy od platform. Przegląd platform agentów AI dla firm autorstwa Bardeen, opublikowany 10 sierpnia 2026 roku, stawia wybór jako pytanie o to, jaki stos firma już prowadzi. Salesforce Agentforce 360 pasuje do operacji na Salesforce. Microsoft Copilot Studio do środowisk Microsoft 365. Google Gemini Enterprise do Google Cloud. ServiceNow do obiegów IT i HR, które już obsługuje. Przegląd wymienia WIQ jako następcę task mining opartego na AI. WIQ obserwuje, jak przebiega praca, i szereguje to, co warto zautomatyzować. Opisuje też wspólny kształt platformy: kreator, warstwa orchestracji oraz ład korporacyjny obejmujący tożsamość, obserwowalność i kontrolę nad tym, czego agenci mogą dotykać.

Gartner śledzi tę kategorię jako platformy do tworzenia agentów AI.

Cennik to miejsce, gdzie marketing staje się cienki. Salesforce publikuje Flex Credits po 500 dolarów za 100 000, przy czym standardowa akcja spala 20 kredytów, około 0,10 dolara, według przeglądu Bardeen. Firma pobiera też 2 dolary za rozmowę z klientem i dodatki użytkownika po 125 dolarów za użytkownika miesięcznie. Porównanie Manus, opublikowane 24 lipca 2026 roku, podaje te same stawki: 0,10 dolara za akcję i 2 dolary za rozmowę. Zauważa, że całkowity koszt posiadania może przekroczyć reklamowaną cenę wejścia. Większość poważnych wdrożeń wymaga też Data Cloud, usług wdrożeniowych i pracy nad czystością danych. Microsoft Copilot Studio jest wliczony w M365 Copilot po 30 dolarów za użytkownika miesięcznie, podaje przewodnik Manus. ServiceNow widnieje jako wycena indywidualna.

Deklaracje adopcji trzeba czytać uważnie. Przegląd Bardeen twierdzi, że 90% firm z Fortune 500 już używa Copilot Studio. Podaje też, że Salesforce raportuje 12 000 klientów korzystających z Agentforce 360. To liczby podane przez dostawców. Ten sam przegląd cytuje Salesforce, który twierdzi, że Reddit odciążył 46% zgłoszeń do wsparcia. Cytuje Salesforce, który twierdzi, że OpenTable rozwiązał autonomicznie 70% zapytań, znów według dostawcy.

Co mówią badania bezpieczeństwa

Raport n8n o narzędziach do tworzenia agentów AI dla firm mówi bez ogródek o warstwie, którą kupujący zwykle pomijają. Uwierzytelnianie i tożsamość agentów są niemal powszechnie nieobecne na rynku, twierdzi raport. Większość marketingu miesza też dwie rzeczy. Jedna to agent używający klucza API do wywołania modelu. Druga to agent przedstawiający własne poświadczenia zewnętrznej usłudze. Tylko Google, Langflow, Workato, CrewAI, Sim.ai i Gumloop dostały 2 punkty w tej kategorii w raporcie. Linia pochodzenia praktycznie nie istnieje. Chodzi o możliwość prześledzenia agenta aż do tożsamości człowieka. Punkty w tej kategorii dostały tylko Google, Workato i Gumloop. Zarządzanie sekretami jest równie cienkie: tylko Google, Sim.ai i Gumloop dostały 2 punkty, a Make i Retool 1 punkt.

Sandboxing niezaufanego kodu generowanego przez LLM jest rzadkością. Tylko garść dostawców oferuje sandbox jako granicę bezpieczeństwa, twierdzi raport n8n. Większość z nich opiera się na usługach zewnętrznych, najczęściej E2B. CrewAI wycofało swoją natywną usługę wykonywania kodu i zasugerowało klientom E2B. Raport zauważa też, że żadna platforma nie radzi sobie dobrze jednocześnie z wykonywaniem kodu agenta i kodu napisanego przez człowieka, nawet Google.

Napisanie promptu z prośbą do LLM, żeby nie halucynował ani nie ujawniał danych wrażliwych, nie jest funkcją bezpieczeństwa.

To zdanie z raportu n8n to najostrzejsze podsumowanie problemu. Ewaluacje bywają używane jako bariery ochronne. Jeden przykład to LLM jako sędzia sprawdzający, czy odpowiedź zawiera dane osobowe. Raport odróżnia to od deterministycznej reguły regex, która wykrywa numer ubezpieczenia społecznego i go zastępuje.

Obraz adopcji jest bardziej pogmatwany niż obietnice platform

Manus cytuje badanie IDC opublikowane w 2025 roku. Wynika z niego, że 88% firmowych proof of concept z AI nie trafia do produkcji. O wyniku zwykle decydują integracja, ład korporacyjny i planowanie kosztów, a nie samo AI. Przewodnik Liqteq cytuje ostrzeżenie Gartnera z czerwca 2025 roku, że ponad 40% projektów agentowego AI zostanie anulowanych do końca 2027 roku. Jako przyczyny podaje rosnące koszty, niejasny zwrot z inwestycji i niewystarczający ład korporacyjny. Opisuje agent washing jako powszechny, czyli przebrandzianie chatbotów i narzędzi RPA na agentów. Twierdzi, że tylko około 130 z tysięcy dostawców buduje prawdziwe systemy agentowe.

Połącz te dwie połowy, a pytanie zakupowe się zmienia. Krótka lista platform jest teraz dość przewidywalna. Odpowiada stosowi, który firma już prowadzi. Trudniejsze pytanie brzmi, czy wybrane narzędzie potrafi dowieść, który agent działał, z czyjego upoważnienia i w jakich granicach. Na podstawie dotychczas opublikowanych dowodów to wciąż ta część, której większość dostawców nie zbudowała.

Komentarze 0

Źródła

4
  1. 0110 Best Enterprise AI Agent Platforms (2026)EN
  2. 0210 Best AI Agents for Enterprise in 2026, Reviewed and ComparedEN
  3. 03Enterprise AI agent development tools 2026EN
  4. 04Enterprise AI Agents: Real Use Cases, Costs & ROI Guide 2026EN

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.

Anna Kaczmarek

Anna Kaczmarek

AI, modele i technologie

Anna Kaczmarek pisze o technologiach, AI i modelach oraz mediach i internecie, opierając się na dokumentacji, repozytoriach i danych źródłowych, a nie na komunikatach prasowych. Przy testach modeli sprawdza karty techniczne, parametry wejściowe i liczy wyniki na tych samych zbiorach, zamiast powtarzać liczby od producentów. Czeka na premiery API i aktualizacje wag, rozmawia z inżynierami oraz porównuje wersje modeli pod kątem kosztów i opóźnień. Prywatnie self-hostuje usługi i konfiguruje sieci domowe, więc do redakcji wnosi praktykę z własnego serwera. Nie publikuje zapowiedzi ani parametrów, których nie może odtworzyć na własnym środowisku.

Redakcja →

Komentarze

0
  1. Brak komentarzy — bądź pierwszy.

Dodaj komentarz

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