A VB Transform 2026 rendezvényen öt startup mutatta be, hogyan építik meg azt az infrastruktúrát, amely lehetővé teszi az ügynök‑alapú vállalati AI‑rendszerek közötti kommunikációt, a megbízhatóság bizonyítását, az auditálhatóságot és a jogosultságkezelést. A bemutatott megoldások a koordinációtól és megfigyelhetőségtől az integráción és a biztonságon át a CX‑automatizálásig terjednek.
BAND: többügynökös koordinációs réteg
A BAND célja egy koordinációs infrastruktúra megépítése a több‑ügynökös rendszerek számára, mondta Vlad Luzin, a BAND társalapítója és műszaki igazgatója. Luzin szerint az ügynökök hamarosan mindenhol megjelennek majd: feladatokat vesznek át, regisztereket keresnek, további ügynököket toboroznak, részfeladatokat delegálnak egy „konverzációs térben”, összegyűjtik és megosztják az eredményeket, majd emberi felhasználónak visszaadnak egy összefoglalót.
A problémát nem oldják meg a meglévő emberi csevegőplatformok (Telegram, Slack, Discord), mert ezek emberekre vannak tervezve: az ügynököket sok lépésben kézzel kell bekötni, és nem látják egymást. Ugyanígy a stateless modellek és a több párhuzamos munkamenet is súrlódást okoz. Luzin szerint a kulcs a távoli folyamatok összekötése — ez elosztott rendszerekhez tartozó kihívás: „először a szállítási réteget kell megoldani, hogy az ügynökök hogyan kommunikálnak valós időben.”
A BAND absztrakciós réteget vezet be, amely lehetővé teszi, hogy az ügynökök csatornákon, konverzációs tereken és platformokon át tudjanak beszélni egymással, lássák, megértsék és együttműködjenek; emberi szereplők is becsatlakozhatnak a beszélgetésekbe. Luzin szerint a rendszer autonóm munkafolyamatokat támogat, amelyek 8–20 órán át futhatnak, kompatibilis az A2A és MCP protokollokkal, és valós idejű feladatkövetést nyújt.
Conifers: védelmi műveletek gépi sebességre gyorsítása
Tom Findling, a Conifers társalapítója és vezérigazgatója szerint a védelem egyik legnagyobb problémája, hogy a védekező oldalak még mindig emberi sebességgel működnek, miközben a támadók ügynököket és gépi sebességet használnak. A rosszindulatú kampányok, amelyek korábban hónapokig tartottak, ma órák vagy percek alatt képesek célba érni; egy támadónak elég egyszer sikeresnek lennie.
A Conifers az olyan védekezési komponenseket — titkos intelligencia, hunting, detektálás, mérnökség, vizsgálat, reagálás — ügynökökre fordította, majd összekötötte ezeket a korábban szigetelt rendszereket. Az ügynökök egymással kommunikálva biztosítják, hogy az operatív és aktív védelem folyamatosan alkalmazkodjon.
Findling állítása szerint a Conifers rendszere a containment (lekorlátozás) idejét 7 óráról 12 percre csökkenti, és a komplex kibervizsgálatokat négy percen belül képes lezárni. Hangsúlyozta a meglévő enterprise biztonsági eszközökhöz (EDR, SIEM, posture management stb.) való csatlakozás fontosságát: a Conifers segít feltérképezni a biztonsági helyzetet, a működő kontrollokat és a beruházási prioritásokat.
Raindrop AI: ügynök‑audit és előtelepítési szimulációk
Ben Hylak, a Raindrop AI műszaki igazgatója szerint az egyik alapvető probléma az, hogy kritikus hibákat megtalálni az ügynökökben nehéz: egyszerre nő az összetettség és az ügynökök futási ideje (órákig vagy napokig), miközben a hibák egyes iparágakban — például egészségügyben vagy védelmi szektorban — katasztrofális következményekkel járhatnak.
A Raindrop AI platformja termelési környezetben keresi a kritikus problémákat, és múltbeli felhasználói viselkedés alapján szimulálja a javításokat, lehetővé téve a csapatok számára, hogy élesítés előtt ellenőrizzék: az adott módosítás valóban működik-e és nem okoz‑e nem várt mellékhatást. A vállalat megerősítéses tanuláson (RL) alapuló platformja a Raindrop adataiból optimalizálja a teszthámokat és közvetlenül a modelleket is tanítja.
Az előtelepítési szimulációk megmutatják, mely javításoknak lesz tényleges hatása a termelésben; az élő A/B tesztelés pedig demonstrálja ezeket a változtatásokat. Üzenetek, eszközhívások, újrapróbálkozások és hibák egy helyen gyűlnek, és emberi értesítések (jellemzően Slack) aktiválódnak, amikor probléma adódik. Minden ügyfélre külön modelleket képeznek, és jelek folyamatos tanulást táplálnak a modellekbe és a harness‑okba, hogy áttekinthető, igazolható felület jöjjön létre.
Arcade.dev: jogosultságkezelés és megfigyelhetőség az ügynökök számára
Az AI‑ügynökök gyakran három fő akadályba ütköznek: hozzáférés‑engedélyezés (authorization), irányítás (governance) és megbízhatóság. Sam Partee, az Arcade.dev társalapítója és műszaki igazgatója szerint az ügynököknek újfajta biztonsági architektúrára van szükségük ahhoz, hogy valós felhasználók jogosultságaival tudjanak cselekedni.
Az Arcade biztonságos agent runtime‑ja autentikációs és engedélyezési réteget ad az ügynökök fölé, így azok átmehetnek biztonsági felülvizsgálatokon. Ugyanakkor megfigyelhetőséget is biztosít, hogy az emberek valós időben követhessék az ügynökök tevékenységét; a műveletek pontos időbélyeghez és minimális privilégiumhoz köthetők.
Az Arcade telepíthető pluginként on‑prem, „clean room” jellegű környezetben, miközben a vállalat megtarthatja meglévő bejelentkezési és biztonsági eszközeit. Minden Arcade‑ben futtatott művelet szerepalapú hozzáférés‑szabályozással (RBAC), behatolásérzékeléssel és megelőzéssel (IDPS), politikákkal és jogosultságellenőrzésekkel van kordában tartva. Partee kiemelte, hogy a beszállítói lánc elleni támadások különösen elterjedtek, és a megfelelő absztrakciók hiánya nehezítette a biztonságot és a megfigyelést.
Omilia: összetett ügyfélszolgálati automatizálás
Claudio Rodrigues, az Omilia termékfejlesztési vezetője szerint az enterprise ügyfélélmény (CX) megoldása „valóban nem egyszerű”. A heuristikus rendszerek kontrolláltak, de lassúak; a „ügynökös” (agentic) megoldások gyorsak, de kiszámíthatatlanok. Omilia platformja azzal a céllal épült, hogy kontrollt és sebességet egyszerre nyújtson.
Az Omilia rendszere valódi ügyfél‑ és ügynökinterakciókat figyel meg: feldolgozza a beszélgetéseket, API‑specifikációkat, képernyőfelvételeket és szabványos működési eljárásokat (SOP), majd ezeket use case‑ekké alakítja az ügyféltámogatás számára. Az AI betekintést ad, javaslatokat tesz, automatikusan generál konverzációs ügynököket, dokumentumokból és API‑kból gyűjt információt, és dialógusfolyamokat tervez. Emberi szakértők valós és szimulált interakciókat tesztelhetnek, és felügyelet mellett telepíthetnek.
Rodrigues szerint az Omilia évente több mint 3 milliárd hívást kezel, egyes telepítésekben több mint 1 millió hanghívás naponta, és 30–45%‑os javulást látott a megoldási időben (TTR). Az Omilia ügynökei az ő méréseik szerint 21‑szer több upsell‑bevételt generálnak, mint az emberi ügynökök, és egy érett telepítésben az automatizálás könnyen eléri a 80–90%-ot. Ugyanakkor a „human in the loop” továbbra is alapvető eleme a rendszernek.
Miért számít ez?
A bemutatott megoldások különböző oldalról közelítik meg ugyanazt az alapvető problémát: ahhoz, hogy az AI‑ügynökök széles körben, vállalati környezetben és biztonságosan használhatók legyenek, szükség van olyan infrastruktúrára, amely összekapcsolja őket, láthatóvá és elszámoltathatóvá teszi működésüket, kezeli jogosultságaikat és kompatibilis a meglévő rendszerekkel. A rendezvényen elhangzott számok és állítások — a futásidők, a containment‑idők és a hívásszámok — azt mutatják, hogy ezek a startupok konkrét, mért hatékonyságnövelő megoldásokat fejlesztenek.
A következő időszak kérdése az lesz, mennyire válnak ezek a rétegek ipari szabvánnyá, és hogyan illeszthetők be a vállalati biztonsági, megfelelőségi és működési gyakorlatokba.
