Barak Yagour, a Meta adat‑infrastruktúráért felelős alelnöke a VB Transform 2026 konferencián azt állította, hogy a vállalati rendszereket eddig emberek fogyasztására tervezték, de az ügynökök (agentek) gyors térnyerése alapvetően felborítja ezeket a feltételezéseket. A megnyitóban Ray‑Ban Meta AI szemüveget viselt, ami szemléltette, hogy az MI miként épül be a fizikai mindennapokba is.
Mi történt és miért fontos
Yagour elmondása szerint az ügynöki lekérdezések volumene a Meta adat rendszereiben egyetlen félév alatt 30‑szorosára nőtt. Hasonló trendek kívülről is látszanak: az Imperva 2025‑ös Bad Bot Reportja szerint tavaly az automatizált forgalom átlépte az emberi forgalom arányát az interneten (51%), és a HUMAN Security 2026 State of AI Traffic adatai szerint az ügynöki/automatizált forgalom körülbelül nyolcszor gyorsabb ütemben növekszik, mint az emberi forgalom.
Yagour szerint ez az elmozdulás három alapfeltételezést egyszerre tesz próbára: kapacitást, identitást és sebességet.
Kapacitás: egy mérnök nem egy egységnyi terhelés többé
A korábbi mérnöki számítások felborulnak, mert egy mérnök ma már többszörös ügynök‑hierarchiát indíthat el. "Egy mérnök egykor egy egységnyi terhelést jelentett," mondta Yagour. "Most ugyanaz a mérnök tíz agentet spawnol, amelyek saját al‑ügynököket hoznak létre. Egy 1 000 fős szervezet gyakorlatilag egyik napról a másikra 100 000 felhasználó terhelését generálhatja."
Meta válasza nem a forgalom blokkolása, hanem az infrastruktúra agent‑tudatossá tétele: dinamikus vezérlők, agent‑hierarchiák felismerése, fogyasztás visszakövetése az eredeti use case‑ig, és prioritás alapú throttling.
Identitás: az agentek nem illenek a meglévő hozzáférés‑modellekbe
Yagour rámutatott, hogy egy agent nem emberi felhasználó, nem visel belépőkártyát és nem feltétlenül hagyományos szolgáltatásként van telepítve, mégis önálló döntéseket hoz. Ez kihívást jelent a jogosultságkezelés és auditálás számára.
Sebesség: a gyors kódgenerálás nem gyorsítja a teljes pipeline‑t
Arra is felhívta a figyelmet, hogy GitHub Copilotra hivatkozva a cégjelentések szerint a tipikus felhasználó kódjának 46%-át a Copilot írja. Az ügynök másodpercek alatt generálhat kódot, de a CI/CD, build, tesztelés, deploy és monitoring nem válik automatikusan gyorsabbá.
Adat és kormányzás: trusted data environments
Yagour szerint az ügynökök nyomása legközvetlenebbül az adatszinten jelentkezik. A Meta februárban kiadott, úgynevezett agentic data appjei három hónapon belül a Meta által közzétett dashboardok 63%-ának létrehozásában szerepeltek, részét képezve az említett 30x‑os növekedésnek. Ez felveti a kormányzási problémát: korábban emberi elemzők ültek a nyers adatok és az üzleti döntések között, mint informális minőségellenőrök.
A válasz a Meta szerint a trusted data environment: olyan környezet, amelyben az agent szabadon vizsgálódhat, de minden kimenetet forrásához vissza lehet követni és valós időben ellenőriznek. Érzékeny mezők maszkolva vannak, és minden hozzáférési kérést valós időben értékelnek arra vonatkozóan, hogy az agent mit próbál elérni, miért és jogosult‑e rá. Yagour megfogalmazása szerint a cél „szélesen felfedezni, de szűkön kiadni”.
A modellek miatt az adatfeltöltés módja is változik
Ahogy a modellek a korrelációról az érvelésre (reasoning) tolódnak, az igényelt adatmennyiség nő. "A reasoning adatigényes," mondta Yagour, mert nem elég a tömörített mintázat‑jelek: szükség van a felhasználói viselkedés teljes történetére, minden interakcióra időben.
Ennek két gyakorlati következménye a Meta infrastruktúrájában:
- A ranking pipeline‑oknál a valós idejű streaming veszi át a helyét a naponta futó batch ETL‑folyamatoknak; egy 24 órás pipeline nem működik, ha a modell a felhasználó aktuális szándékát próbálja megérteni.
- A tárolás sématudatossá válik, hogy megakadályozzák a GPU‑éheztetést: korábban homályos blobokat tároltak, ami túlhalmozott lekérésekhez és tétlen GPU kapacitáshoz vezetett. Most a rendszer csak azokat az oszlopokat és idősávokat húzza be, amelyekre az adott lekérdezésnek szüksége van. Yagour említette, hogy a Meta célja irányába épít: 500 millió lekérdezés/másodperc és petabyte/másodperc szintű átbocsátás a tréningadatok olvasásához.
Ajánlások és jövőkép: ügynökök, adatok, ajánlások mint hajtókövek
Yagour szerint az ügynökök, az adat és a személyre szabott ajánlórendszerek egymást hajtják előre: "Az agentek hozzáférhetőbbé teszik az adatot. A jobb adatok jobb reasoninget eredményeznek. A reasoning új igényeket támaszt, amelyek tovább tolják előre az agenteket és az infrastruktúrát. Ez nem lineáris; ez egy lendítőkerék."
A Meta a felhasználói ajánlásokban is változást vezet be: Yagour szerint az Instagram‑felhasználók 42%-a jelezte a cégnek, hogy alapvetően megváltoztatná az algoritmust. A válasz egy teljesen beszélgetésalapú ajánlórendszer, amely a felhasználói szándékot érvelés szintjén próbálja megérteni (például ugyanaz a keresőkifejezés, "soccer", különböző találatot ad egy alkalmi nézőnek és egy klubsportolónak).
Kísérletezés és időkorlát
A közönség kérdésére Yagour elmondta, hogy a Meta minden szinten kísérletezik, beleértve annak feltevését is, hogy a SQL megfelelő interfész‑forma‑e az agentek számára. A Meta méretei több számjegyű exabyte‑tartományban működő tárolást igényelnek, és ez tovább növekedésre szorul.
A záró gondolat: Yagour szerint az iparágnak körülbelül 20 hónapja van átépíteni azokat az infrastruktúrákat, amelyeket 20 év alatt hozott létre az emberekre építve. "Az ablak nyitva van, de nem marad nyitva sokáig," mondta.
Miért számít ez más szervezeteknek?
A Meta tapasztalatai és a független forgalmi jelentések alapján több szervezet előtt is gyors döntési és tervezési feladat áll: az ügynökök forgalma és képességei gyorsabban növekednek, mint a hagyományos rendszerek átalakításának üteme, ezért a skálázhatóság, hozzáférés‑irányítás és kormányzás területein aktív fejlesztésekre van szükség.
A Meta megközelítése: ne blokkoljuk az ügynököket, hanem tervezzünk rájuk, állítsunk fel valós idejű kontrollokat és transzparenciát, valamint építsünk olyan adattárolási és feldolgozási rétegeket, amelyek megfelelnek a reasoning‑központú modellek igényének.
