От прототипов к реальным продуктам: уроки Vercel
Облачный сервис Vercel, известный своей инфраструктурой для развертывания агентов без управления серверами, незаметно стал одной из ключевых компаний в индустрии ИИ. По его данным, ежедневно происходит 6 миллионов развертываний, половина из которых инициируется кодинг-агентами, а через ИИ-шлюз компании проходит более триллиона токенов в день.
После конференции ShipNYC мы пообщались с гендиректором Vercel Гильермо Раухом и расспросили его о текущем моменте в развитии искусственного интеллекта и о том, как платформенные компании конкурируют с ведущими лабораториями.
Энергия сообщества смещается от пилотных проектов к практической реализации
В прошлом году все занимались прототипированием – казалось, что предела нет, агенты могут всё, строить может каждый. Мы тоже через это прошли и многое поняли, ведь внутри компании стихийно создавались и развёртывались сотни агентов. А потом мы столкнулись с суровой реальностью работы агентов в продакшене и всеми вытекающими сложностями.
Главный вывод, который я для себя сделал, – это два «убойных» сценария использования агентов. Первый – это, конечно, кодинг-агент. Он генерирует огромную долю токенов в мире, но когда софта становится слишком много, его нужно где-то размещать. И здесь на сцену выходит второй killer-app – внутренний агент, помогающий управлять компанией. Проблема в том, как безопасно предоставить ему доступ к данным, как аудировать его действия, как отслеживать все вызовы инструментов и разрешения, которые агенту потребовались для выполнения задачи.
Для решения этих задач мы разработали фреймворк Eve, где на естественном языке можно задать инструкции и навыки агента. А ещё есть Vercel Sandbox – этакая «клетка», в которую помещается агент. Он сохраняет свободу для проявления своего интеллекта, но вы можете наложить политики: к каким данным он может обращаться и какие данные могут покидать песочницу.
Контроль данных: главное преимущество Sandbox
Самое большое преимущество Sandbox – это контроль данных. Один из реальных рисков ИИ, о котором я постоянно думаю: если вы используете IDE вроде Devin или Cursor в неправильной конфигурации, они могут обучиться на всей вашей кодовой базе. Я общался с президентом Airbus на эту тему. У них десятилетиями накапливается уникальный C++-код для аэрокосмической инженерии. Кто-то устанавливает неподходящий инструмент разработчика – и весь код утекает в облако для обучения моделей. Это недопустимо.
Как выглядит внутренний корпоративный агент на практике?
В нашем офисе, например, есть менеджер по продажам, которая занимается развитием клиентской базы. Её задача – растить существующие аккаунты. Узким местом для таких специалистов всегда были не креативность, не умение выстраивать отношения, а данные. «Покажи мне пять аккаунтов, которые нарастили больше всего рабочих мест за последние две недели, чтобы я могла расставить приоритеты» – такой запрос раньше был невыполним. Приходилось ждать квартального проекта по созданию новой дашборда продаж.
Мы годами страдали от этого узкого места в Vercel. Со стороны R&D мы были самой быстрой компанией в мире, а в отделе продаж, в части инженерии Salesforce, я был совершенно некомпетентен — за всю жизнь ни разу не открывал Salesforce, когда начинал бизнес.
Теперь я чувствую, что могу влиять на всю компанию, потому что Eve можно использовать и для наших клиентских агентов, и для повышения продуктивности сотрудников. Технология одна – просто API. Агенты заставляют компании открываться, и в долгосрочной перспективе это приведёт к драматическим изменениям. Многие SaaS-гиганты построили свои империи на том, что запирают ваши данные, а такая модель несовместима с агентами.
Как меняются отношения с крупными ИИ-лабораториями?
В прошлом году многие выбирали одного партнёра среди лабораторий — говорили, что будут строить всё на OpenAI или Anthropic. Теперь подход иной: люди разобрались, как работает вся цепочка — модель, harness, платформа данных, песочница, шлюз — все компоненты взаимозаменяемы. Можно использовать OpenAI, можно Anthropic, можно Gemini. Мы видим значительный рост использования Gemini, хотя о нём меньше пишут в новостях, потому что сейчас все оптимизируются под продакшен. А когда оптимизируешься под продакшен, начинаешь оценивать соотношение цены и производительности, и здесь модели Gemini показывают отличные характеристики. Также набирают популярность открытые модели — Deepseek и GLM-5.2. Цифры не врут.
Прямая конкуренция с лабораториями и будущее: модели или агенты?
Есть области, где мы напрямую конкурируем с лабораториями. Буквально на прошлой неделе OpenAI выпустила набор инструментов, позволяющих публиковать сайты напрямую, не выходя из среды OpenAI. Для них это естественный шаг — начать хостить небольшие сайты. И это отличная возможность для нас, потому что теперь люди будут думать о ChatGPT как об инструменте для создания сайтов. А если они продолжат задавать модели вопросы о веб-хостинге, модель будет рекомендовать нас. Но вы правы: по мере того как модели и платформы наращивают возможности, они вступают в прямую конкуренцию с существующими инфраструктурными платформами.
На мой взгляд, сейчас мы определяемся: будут ли модель и агент связаны вместе? Получать ли весь интеллект из одного источника? Или же вы берёте модуль, библиотеку, строительный блок у одного провайдера и строите на этой основе — так, как всегда работала программная инженерия. Именно это мы и предлагаем рынку. Мы намерены стать AWS этого поколения, поэтому мы, конечно, боремся за мир открытых протоколов.