top of page

Seria A Lumbra finansuje agentów AI do pracy z wrażliwymi zadaniami

7 minut temu
10 minut(y) czytania
Illustrative photograph. Photo: cottonbro studio / Pexels.

Lumbra ogłosiła 10 listopada rundę Serii A o wartości 25 mln USD, wspierającą jej ekspansję z obszaru bezpieczeństwa narodowego na regulowaną działalność komercyjną. Lumbra Series A celuje w trudną równowagę: umożliwienie oprogramowaniu wykonywania użytecznych analiz przy zachowaniu kontroli ludzi nad jego dostępem i działaniami.

Point72 Ventures i Ansa Capital wspólnie poprowadziły finansowanie, w którym uczestniczył także Costanoa Ventures. Gunderson Dettmer, reprezentujący Point72, niezależnie udokumentował finansowanie Serii A. Ogłoszenie poprzedza zbiorcze omówienie tej historii z 12 listopada; raporty opisują tę samą rundę.

Kluczowe napięcie dotyczy delegowania uprawnień. Nabywcy chcą, aby agenci — oprogramowanie realizujące zadania za pomocą modeli i narzędzi — ograniczali nakład pracy, nie tworząc decyzji niemożliwych do zweryfikowania. Palantir już promuje zatwierdzanie przez ludzi i widoczność wykonywania działań w ramach swojej Artificial Intelligence Platform. Lumbra wchodzi w to konkurencyjne otoczenie z węższą propozycją: kontrola powinna organizować przepływ pracy od samego początku.

Co faktycznie zmienia Lumbra Series A

Finansowanie daje Lumbra zasoby do realizacji wdrożeń komercyjnych; nie potwierdza jednak niezawodności każdego procesu zbudowanego z użyciem jej oprogramowania.

Według komunikatu o finansowaniu Lumbra planuje przeznaczyć większość nowego kapitału na inżynierów i zespoły wdrożeniowe obsługujące regulowane sektory komercyjne. Firma wskazuje finanse, ochronę zdrowia i prawo jako swoje docelowe rynki. Jej ogłoszenie dotyczące platformy agentowej podaje, że jej agenci działają już w rządowych sieciach o klauzuli ściśle tajnej.

To stwierdzenie dotyczące wdrożenia pozostaje deklaracją firmy. Nie powinno stawać się skrótem myślowym oznaczającym uniwersalną certyfikację bezpieczeństwa, niezależnie zmierzoną dokładność ani przydatność dla każdej wrażliwej aplikacji przedsiębiorstwa. Działanie w ograniczonym środowisku i konsekwentne tworzenie poprawnych analiz to różne osiągnięcia.

Praktyczną zmianą jest komercyjna ambicja stojąca za finansowaniem. Lumbra prosi inwestorów o wsparcie kategorii produktów, w której praca wdrożeniowa ma znaczenie obok możliwości modeli. Propozycja zależy od wprowadzenia oprogramowania do rzeczywistych systemów informacyjnych organizacji, struktur uprawnień i procesów weryfikacji.

Ten nacisk ma znaczenie, ponieważ imponująca demonstracja pozostawia bez odpowiedzi kilka pytań biznesowych. System może przekonująco streszczać dokumenty, nie pokazując jednak, czy przestrzegał ograniczeń dostępu. Może tworzyć wiarygodnie brzmiącą rekomendację, nie ułatwiając sprawdzenia materiału dowodowego, na którym ją oparto.

Wdrożenie w przedsiębiorstwie łączy te pytania. Nabywca musi rozumieć, gdzie przepływają informacje, które działania wymagają zatwierdzenia i kto odpowiada za wynikającą z nich decyzję. Obowiązki te pozostają aktualne nawet wtedy, gdy agent pomyślnie ukończy przypisane zadanie.

Dla Lumbra ekspansja oznacza więc więcej niż znalezienie klientów zainteresowanych AI. Oznacza przełożenie propozycji zorientowanej na kontrolę na procesy pracy, które organizacje komercyjne zaakceptują, utrzymają i odnowią. Nabywcy muszą dostrzec wystarczającą wartość, by uzasadnić zarówno integrację, jak i stały nadzór.

Finansowanie nie rozwiązuje tego równania. Zapewnia zasoby, by podjąć taką próbę. Inwestorzy stawiają na możliwość, że organizacje zapłacą za system, który uczyni delegowaną pracę łatwiejszą do zarządzania.

Istnieje użyteczne rozróżnienie między kupowaniem inteligencji a kupowaniem pewności operacyjnej. Lepsze odpowiedzi tworzą wartość, lecz organizacje potrzebują również pewności co do tego, co wydarzyło się przed ich wygenerowaniem. Obejmuje to wykorzystane informacje, zastosowane uprawnienia i uzyskane zatwierdzenia.

Lumbra Series A należy do tej drugiej rozmowy w takim samym stopniu jak do pierwszej. Jej znaczenie zależy od tego, czy kontrola stanie się powodem do rozszerzania wdrożenia. Samo finansowanie nie może wykazać, że klienci powierzą platformie szersze obowiązki.

Komercyjni nabywcy dziedziczą problem odpowiedzialności

Zespoły bezpieczeństwa, właściciele biznesowi i osoby dokonujące przeglądu odczuwają bezpośrednią presję: muszą zdecydować, które obowiązki może przejąć agent, a które pozostają po stronie człowieka.

Ekspansja Lumbra w przedsiębiorstwach uwypukla ten problem podziału odpowiedzialności. Komercyjni nabywcy nie mogą oceniać wrażliwego procesu wyłącznie przez jakość odpowiedzi. Muszą również ocenić, czy proces odpowiada istniejącym obowiązkom i czy ktoś będzie mógł później wyjaśnić jego działanie.

Rozważmy przykładowe dochodzenie finansowe. Agent mógłby zebrać istotne dokumenty, porównać transakcje i przygotować narrację dla analityka. Użyteczny wynik byłby punktem wyjścia do oceny, a nie automatycznym zezwoleniem na zmianę oficjalnego rejestru.

To hipotetyczne zastosowanie, a nie ujawnione wdrożenie u klienta Lumbra. Pokazuje, dlaczego decyzja zakupowa wykracza poza pytanie, czy model potrafi napisać spójne wyjaśnienie. Organizacja musi również określić, do których dowodów badacz może uzyskać dostęp i które wnioski wymagają potwierdzenia.

Organizacja ochrony zdrowia staje przed analogicznym rozróżnieniem. Porządkowanie informacji do przeglądu różni się od podejmowania decyzji klinicznej. Rola agenta musi pozostać zrozumiała, nawet gdy to samo oprogramowanie bazowe wspiera zarówno wyszukiwanie informacji, jak i przygotowywanie rekomendacji.

Praca prawna wprowadza kolejną wersję tej granicy. Proponowany argument może być użyteczny, choć zawierać twierdzenia bez potwierdzenia. Proces weryfikacji musi zachować różnicę między dokumentem źródłowym, interpretacją agenta i zatwierdzonym wnioskiem specjalisty.

We wszystkich tych przykładach presja spada na osoby zatwierdzające wdrożenie. Muszą określić, jak wygląda skuteczna pomoc, zanim zdecydują, jak dużą autonomię przyznać. W przeciwnym razie niejasna obietnica oszczędności czasu staje się niejasnym podziałem odpowiedzialności.

Programiści stają przed powiązanym ograniczeniem. Proces, który dobrze działa podczas demonstracji, może zależeć od szerokiego dostępu lub ręcznego przygotowania. Przekształcenie tej demonstracji w niezawodną aplikację wymaga zdecydowania, co następuje, gdy dostęp zawiedzie, dowody są sprzeczne lub zatwierdzenie nigdy nie nadejdzie.

Właściciele biznesowi muszą następnie ocenić cały proces. Czas zaoszczędzony podczas przygotowywania projektu może zniknąć podczas weryfikacji. Szybsza początkowa odpowiedź ma ograniczoną wartość, jeśli osoby dokonujące przeglądu muszą ręcznie odtwarzać jej materiał dowodowy.

Dla pracowników wiedzy podkreśla to różnicę między znajdowaniem informacji a autoryzowaniem działania. Przeszukiwalna baza wiedzy wspiera dostęp do istotnych materiałów. Wdrożenie agentów dodaje pytania o to, co oprogramowanie może zrobić z tym materiałem.

Odpowiedź organizacyjna powinna być zatem konkretna. Nabywca potrzebuje ograniczonego zadania, odpowiedzialnego właściciela i jasnego momentu, w którym zatwierdzenie przez człowieka staje się konieczne. Są to kryteria zakupowe, a nie jedynie szczegóły wdrożenia.

Agenci AI Lumbra będą podlegać kontroli wszędzie tam, gdzie te obowiązki się nakładają. Przekonujące wdrożenie komercyjne musi pomóc organizacji zachować jasne uprawnienia przy jednoczesnym ograniczeniu pracy. Jeśli trudniej jest ustalić odpowiedzialność, pozorne zyski z automatyzacji stają się trudniejsze do obrony.

Użyteczna autonomia wymaga egzekwowalnych granic

Kluczowy kompromis polega na delegowaniu wystarczającej ilości pracy, aby tworzyć wartość, przy zachowaniu wystarczającej kontroli, by wynik można było rozliczyć.

Agent, który musi prosić o pozwolenie przy każdej drobnej operacji, może stać się uciążliwy. Agent z nieograniczoną swobodą może przekroczyć uprawnienia, które użytkownik zamierzał mu przekazać. Szansa komercyjna polega na zdefiniowaniu użytecznych granic między tymi skrajnościami.

Lumbra opisuje platformę neutralną wobec modeli, co oznacza, że klienci mogą korzystać z modeli różnych dostawców. Firma podaje również, że eksperci dziedzinowi weryfikują wyniki, zanim agenci zapiszą je w oficjalnych rejestrach. Te stwierdzenia opisują zamierzone podejście operacyjne, a nie opublikowane porównanie wyników.

Rozróżnienie między zaproponowaniem działania a jego wykonaniem jest szczególnie istotne. Przygotowanie sugerowanej aktualizacji daje osobie dokonującej przeglądu możliwość jej sprawdzenia. Zastosowanie tej aktualizacji zmienia informacje organizacji i może wpłynąć na dalszą pracę.

Znacząca granica zatwierdzenia musi w praktyce zachowywać to rozróżnienie. Osoba dokonująca przeglądu potrzebuje wystarczającego kontekstu, by zrozumieć proponowaną zmianę. Oprogramowanie musi następnie wykonać zatwierdzone działanie bez potajemnego rozszerzania jego zakresu.

Wymóg ten staje się trudniejszy, gdy zadanie obejmuje kilka systemów. Agent może pobrać informacje z jednej aplikacji, przekształcić je w innej i zaproponować zmianę gdzie indziej. Uprawnienie do odczytu pierwszego źródła nie ustanawia automatycznie uprawnień do końcowego działania.

W tym miejscu orkiestracja, czyli koordynacja agentów i ich narzędzi, staje się kwestią operacyjną. Warstwa koordynacji określa, jak praca przechodzi między etapami. Nabywcy muszą wiedzieć, czy polityka podąża za tym przepływem, czy też znika między aplikacjami.

Użyteczny ślad audytowy rejestruje podjęte działania i związane z nimi zatwierdzenia. Powinien pomagać organizacji odtworzyć zdarzenie bez całkowitego polegania na wyjaśnieniu modelu. Płynna retrospektywna narracja jest słabszym dowodem niż zapis rzeczywistej aktywności systemu.

Śledzenie materiału dowodowego służy innemu celowi. Pozwala osobie dokonującej przeglądu zbadać, co wspiera dane twierdzenie, zamiast akceptować pewność agenta. Nie gwarantuje to poprawności wniosku, ale może ułatwić jego skorygowanie.

To rozróżnienie zmienia także sposób mierzenia autonomii. Liczenie ukończonych działań nagradza aktywność, niekoniecznie nagradzając właściwy osąd. System, który odpowiednio się zatrzymuje, gdy dowody są niewystarczające, może być bardziej użyteczny niż taki, który zawsze tworzy gotową odpowiedź.

Dla ekspansji Lumbra w przedsiębiorstwach tworzy to wyzwanie produktowe o komercyjnych konsekwencjach. Mechanizmy kontroli muszą być wystarczająco zrozumiałe, by nabywcy mogli je skonfigurować, oraz wystarczająco niezawodne, by użytkownicy mogli im ufać. Muszą także unikać zasypywania osób dokonujących przeglądu niepotrzebnymi przerwami.

Równowaga będzie różnić się zależnie od zadania. Przygotowanie wewnętrznego podsumowania i modyfikacja autorytatywnego rejestru uzasadniają odmienne wymagania dotyczące zatwierdzania. Platforma, która traktuje je identycznie, ryzykuje albo nadmierne tarcia, albo nadmierną swobodę.

Najsilniejsza wersja propozycji Lumbra to zatem autonomia warunkowa. Agenci otrzymują przestrzeń do wykonywania zdefiniowanej pracy, podczas gdy uprawnienia pozostają ograniczone przez zadanie i dostępne dowody. To, czy platforma konsekwentnie zapewnia tę równowagę, wymaga dowodów z wdrożeń wykraczających poza ogłoszenie finansowania.

Palantir pokazuje, że nadzór jest już obszarem konkurencji

Lumbra wchodzi na rynek, na którym kontrola człowieka jest ugruntowanym argumentem sprzedażowym, więc wyróżnienie musi wynikać z realizacji i dopasowania.

Publiczna platforma operacyjna AI Palantir opisuje procesy pracy, w których ludzie przeglądają sugerowane rozwiązania i zatwierdzają proponowane działania. Opisuje również widoczność zasad automatyzacji i historii wykonywania działań. Te możliwości pokrywają się z kwestiami kontroli związanymi z wdrażaniem wrażliwych agentów.

Tworzy to istotne porównanie, ale nie ustanawia równoważności produktów. Publiczne opisy nie mówią kupującym, jak konkurencyjne systemy działają na ich własnych danych. Nie rozstrzygają też różnic w wysiłku wdrożeniowym, wymaganiach integracyjnych ani doświadczeniu osób dokonujących przeglądu.

Główne pytanie konkurencyjne jest zatem węższe niż to, czy którakolwiek z firm wspiera nadzór. Kupujący muszą wiedzieć, jak dobrze każde podejście pasuje do określonego środowiska operacyjnego. Funkcja może istnieć, nie będąc jednocześnie łatwa do zastosowania w wymagającym procesie pracy.

Na przykład ekran zatwierdzania ma ograniczoną wartość, jeśli bazowe dowody są rozproszone między niepowiązanymi aplikacjami. Historia wykonania jest mniej pomocna, jeśli osoby dokonujące przeglądu nie potrafią ustalić, która polityka regulowała dane działanie. To otaczający proces pracy decyduje o tym, czy mechanizm kontroli staje się użyteczny.

Nakłada to na Lumbrę konkretny ciężar konkurencyjny. Firma musi wyjaśnić, dlaczego klienci powinni przyjąć jej podejście, gdy uznane platformy już obiecują nadzorowane operacje AI. To wyjaśnienie musi połączyć działanie produktu z rozpoznawalną przewagą operacyjną.

Przewaga może polegać na lepszym dopasowaniu do konkretnego zadania lub łatwiejszym radzeniu sobie z określonym ograniczeniem wdrożeniowym. Są to możliwości wymagające zbadania, a nie potwierdzone atuty Lumby. Dostępne dowody dotyczące finansowania nie uzasadniają wskazania zwycięzcy.

Kupujący powinni również odróżniać konkurencyjne oprogramowanie od konkurencyjnych wyborów zakupowych. Organizacja może rozbudować istniejącą platformę, przyjąć specjalistyczny produkt albo zbudować proces pracy wewnętrznie. Każda opcja przekazuje odpowiedzialność za integrację i utrzymanie w inne ręce.

System zbudowany wewnętrznie daje kupującemu bezpośrednią odpowiedzialność za jego komponenty. Zakupiona platforma przenosi część odpowiedzialności na dostawcę, jednocześnie wprowadzając własne zależności. Żadne z tych rozwiązań nie eliminuje potrzeby określenia wymagań dotyczących dostępu, zatwierdzeń i dowodów.

Ten kontekst konkurencyjny wyostrza znaczenie rundy Series A Lumby. Kapitał wspiera dążenie do stania się częścią środowiska operacyjnego organizacji. Zdobycie tej pozycji wymaga czegoś więcej niż wykazania, że agenci potrafią skutecznie się koordynować.

Wymaga powodu, dla którego klient miałby wybrać ten system i nadal z niego korzystać. Powód ten musi przetrwać rutynowe zadania, wyjątkowe przypadki, zmiany kadrowe i aktualizacje oprogramowania. Przekonująca narracja sprzedażowa nie może zastąpić takiego dopasowania operacyjnego.

Dla czytelników użyteczne porównanie nadal dotyczy kontrolowanego delegowania zadań wobec automatyzacji, której uprawnienia trudno skontrolować. Palantir stanowi rynkowy punkt odniesienia dla tej debaty. Postępy komercyjne Lumby będą zależeć od pokazania, w jaki sposób jej wdrożenie usprawnia rzeczywistą pracę kupującego.

Ograniczone sieci nie gwarantują poprawnych odpowiedzi

Ochrona informacji i walidacja wniosków to odrębne wymagania, a powodzenie w jednym z tych wymiarów nie może potwierdzać powodzenia w drugim.

Agent może pozostawać w autoryzowanym środowisku obliczeniowym, a mimo to dojść do błędnego wniosku. Może trafnie podsumować niepełny zbiór dokumentów. Może również przytoczyć rzeczywiste dowody, wyciągając wniosek, którego te dowody nie wspierają.

Te możliwości nie dowodzą wady oprogramowania Lumby. Wyjaśniają, dlaczego jej deklaracje dotyczące wdrożeń wymagają ostrożnej interpretacji. Dostęp do wrażliwego środowiska dostarcza kontekstu o tym, gdzie działa oprogramowanie, a nie ogólnej gwarancji poprawności jego rozumowania.

National Institute of Standards and Technology określa pewnie przedstawiane fałszywe wyniki jako konfabulację w swoim profilu ryzyka generatywnej AI. Profil ten traktuje również prywatność i bezpieczeństwo informacji jako odrębne obszary ryzyka. To rozróżnienie jest użyteczne przy ocenie systemów przeznaczonych do pracy o istotnych konsekwencjach.

Osoba dokonująca przeglądu powinna zatem unikać sprowadzania każdego rodzaju zapewnienia do słowa „bezpieczny”. Termin ten może oznaczać ograniczenia dostępu, sposób postępowania z informacjami, ochronę infrastruktury lub odporność na niewłaściwe użycie. Żaden z tych aspektów nie odpowiada automatycznie na pytanie, czy wniosek analityczny jest dobrze uzasadniony.

Ta sama ostrożność dotyczy audytowalności. Rejestr może dokładnie pokazać, co zrobił system, jednocześnie ujawniając, że zrobił to niewłaściwie. Audytowalność wspiera dochodzenie i rozliczalność; nie eliminuje potrzeby walidacji.

Nadzór człowieka również ma praktyczne ograniczenia. Osoba dokonująca przeglądu, która otrzymuje dopracowaną odpowiedź bez dostępnych dowodów, musi albo powtórzyć analizę, albo zaufać prezentacji. Żaden z tych rezultatów nie musi prowadzić do zamierzonego ograniczenia nakładu pracy.

Projekt nadzoru ma zatem znaczenie równie duże jak jego obecność. Osoby dokonujące przeglądu potrzebują materiałów niezbędnych do zakwestionowania wniosku. Potrzebują także możliwego do opanowania obciążenia pracą i jasnego uprawnienia do odrzucania lub zmieniania proponowanych działań.

Badania dotyczące wyzwań związanych z nadzorem nad agentami opisują trudności związane z założeniami, zmieniającymi się kryteriami poprawności i komunikowaniem procesu agenta. Ustalenia te dotyczą nadzoru nad agentami ogólnie. Nie powinny być przedstawiane jako ocena Lumby.

W przypadku agentów AI Lumby użyteczne dowody łączyłyby mechanizmy kontroli z mierzalnymi wynikami zadań. Kupujący powinni szukać ocen wyjaśniających zadanie, oczekiwany rezultat, definicję niepowodzenia i wymagania dotyczące przeglądu. Nagłówkowy wskaźnik dokładności bez tego kontekstu pozostawiałby znaczną niepewność.

Na uwagę zasługują również wyniki negatywne. Wiarygodna ocena powinna umożliwiać zrozumienie, kiedy system się zatrzymał, zawiódł lub wymagał korekty. Takie przypadki pomagają wyznaczyć granicę właściwego zastosowania.

Kolejną niewiadomą pozostaje przenoszalność komercyjna. Doświadczenie w dziedzinie bezpieczeństwa narodowego może wpływać na projekt produktu, nie dowodząc przydatności w każdej regulowanej branży. Różne organizacje odmiennie definiują akceptowalne dowody, uprawnienia zatwierdzające i wartość operacyjną.

Sceptyczna interpretacja jest zatem konkretna, a nie lekceważąca. Lumbra ogłosiła finansowanie i opisała ambitny model operacyjny. Publiczne dowody nadal muszą pokazać, jak konsekwentnie model ten zapewnia użyteczną pracę możliwą do zweryfikowania w przewidzianych środowiskach komercyjnych.

Trzy sygnały pokażą, czy ekspansja działa

Kolejne dowody powinny dotyczyć adopcji komercyjnej, jakości oceny i dalszego wykorzystania, a nie kolejnej szerokiej obietnicy dotyczącej możliwości agentów.

Po pierwsze, warto obserwować nazwane wdrożenia komercyjne z jasno określonymi obowiązkami. Użyteczne ujawnienie wskazywałoby zadanie, uprawnienia agenta i granicę zatwierdzania przez człowieka. Udział klienta pomógłby odróżnić działające wdrożenie od proponowanego przez dostawcę zastosowania.

Takie dowody wzmocniłyby argument, że podejście Lumby sprawdza się poza jej pierwotnym środowiskiem. Nieprecyzyjne ogłoszenie dotyczące klienta potwierdzałoby mniej. Bez zdefiniowanego obciążenia pracą czytelnicy nie mogą ocenić, czy wdrożenie sprawdza centralną tezę firmy.

Jakość opisu zadania ma większe znaczenie niż sama rozpoznawalna nazwa klienta. Ograniczone wdrożenie do wyszukiwania informacji oraz agent upoważniony do modyfikowania oficjalnych rejestrów oznaczają różne zobowiązania. Relacjonowanie powinno zachować to rozróżnienie.

Po drugie, warto obserwować oceny ujawniające metody i warunki niepowodzenia. Kupujący potrzebują wystarczających informacji, aby zrozumieć, co testowano i jak oceniano powodzenie. Wysiłek osób dokonujących przeglądu powinien być przedstawiany wraz z jakością wyników zawsze wtedy, gdy deklaracja dotyczy ograniczania pracy człowieka.

Ocena obejmująca trudne przypadki wzmocniłaby zaufanie do deklarowanych przez platformę granic. Demonstracja ograniczona do wybranych sukcesów dostarczałaby mniej informacji. Brak publicznych szczegółów pozostawiałby pytanie otwarte, zamiast potwierdzać niepowodzenie.

Porównania powinny również opisywać alternatywy. Proces pracy może przewyższać nienadzorowanego agenta, a jednocześnie wymagać większego wysiłku niż istniejący proces. Bez odpowiedniego punktu odniesienia twierdzenia o poprawie są trudne do interpretacji.

Po trzecie, warto obserwować powtarzalne wykorzystanie i szersze wdrażanie u obecnych klientów. Organizacja powierzająca platformie dodatkowe zadania o wyraźnie ograniczonym zakresie dostarcza innego sygnału niż początkowy pilotaż. Dalsze użycie może wskazywać, że system pasuje do zwykłej działalności.

Ten sygnał nadal wymaga kontekstu. Ekspansja napędzana nowym eksperymentem różni się od ekspansji opartej na udokumentowanych korzyściach operacyjnych. Czytelnicy powinni szukać wyjaśnień, co zmieniło się dla użytkowników i jak organizacja oceniła rezultat.

W ciągu najbliższych kilku miesięcy te sygnały pomogą odróżnić propozycję wartą inwestycji od wykazanej trakcji komercyjnej. Żaden z nich nie wymaga założenia, że każdy klient może ujawnić wrażliwe informacje o swojej pracy. Publiczne dowody mogą pozostać ograniczone, a jednocześnie opisywać metody oceny i granice zatwierdzania.

Runda Series A Lumby zapewnia firmie zasoby do pozyskania tych dowodów. Nie czyni tych dowodów zbędnymi. Jej argument komercyjny stanie się jaśniejszy, gdy klienci wyjaśnią, które obowiązki delegują, a które zachowują.

Dla kupujących korporacyjnych punktem wyjścia powinien być proces pracy, który rzeczywiście byście autoryzowali. Określcie informacje, do których agent może uzyskać dostęp, działania, które może proponować, oraz decyzje wymagające zatwierdzenia. Poproście dostawców o pokazanie dowodów potwierdzających i zachowania w przypadku niepowodzenia w tych granicach. Porównajcie kompletny proces, w tym wysiłek związany z przeglądem, z obecnym podejściem. Dla programistów: sprawdźcie, czy mechanizmy kontroli pozostają skuteczne, gdy zmieniają się modele, uprawnienia lub materiały źródłowe. Dla pracowników wiedzy: zapytajcie, czy odpowiedź staje się łatwiejsza do zweryfikowania, czy jedynie szybsza do wygenerowania. Śledźcie ekspansję Lumby przez pryzmat tych konkretnych pytań. Którą część własnego procesu pracy zaufalibyście agentowi do wykonania i jakich dowodów wymagalibyście przed rozszerzeniem jego uprawnień?

 
 

Zacznij bezpłatnie

Asystent AI działający przede wszystkim lokalnie, z funkcją zarządzania wiedzą osobistą

Aby zapewnić lepsze działanie AI,

remio obsługuje obecnie wyłącznie Windows 10+ (x64) i M-Chip Macs.

Twój partner AI w pracy
Zrób więcej z remio

Planuj. Twórz. Dostarczaj.
Wszystko w jednym miejscu.

bottom of page