Google uczy AI lepiej liczyć pieniądze. I to ma sens

Google właśnie opublikował badanie, które brzmi technicznie, ale dotyczy bardzo prostej sprawy. Agenci AI – te programy, które mają działać samodzielnie i korzystać z różnych narzędzi – mają problem z budżetem. Nie chodzi o dolary (choć o nie też), ale o coś bardziej podstawowego: moc obliczeniową i liczbę narzędzi, z których mogą skorzystać.

Problem? Większość z nich działa jak ktoś, kto dostał kartę kredytową i nie sprawdza salda.

Czemu agenci AI marnują zasoby

asystenta, który ma zorganizować Ci wyjazd. Może sprawdzić ceny lotów, hoteli, pogodę, opinie. Ma dostęp do 20 narzędzi, ale tylko 10 "żetonów" do wykorzystania (żeton to tutaj jednostka zasobów – jak moneta w automacie). Typowy agent AI użyje tych żetonów chaotycznie.

Sprawdzi pogodę trzy razy. Zapomni o cenach hoteli. Wyczerpie budżet zanim skończy zadanie.

Badacze z Google i UC Santa Barbara nazwali to "tool and compute budget" – budżetem narzędzi i mocy obliczeniowej. W praktyce: każdy agent ma limit tego, ile razy może "pomyśleć" (moc obliczeniowa) i ile razy może sięgnąć po zewnętrzne narzędzie (API, bazy danych, kalkulatory).

I tu zaczyna się problem. Większość agentów nie wie, kiedy przestać.

Budget Tracker – banalna idea, która działa

Pierwsza technika z badania to Budget Tracker. Nazwa techniczna, zasada banalna: agent dostaje licznik. Widzi na bieżąco, ile zasobów mu zostało.

To jak aplikacja bankowa, która pokazuje saldo po każdej transakcji.

Efekt? Agent zaczyna planować. Jeśli zostało mu 3 żetony, nie sprawdza pogody po raz piąty. Priorytetyzuje. Decyduje, co jest ważne.

W testach różnica była brutalna. Agenci z Budget Trackerem osiągały lepsze wyniki przy tym samym budżecie. Nie chodzi o to, że były mądrzejsze – dlatego, że wiedziały, kiedy się zatrzymać.

Meta-Cognitive Optimization – agent myśli o myśleniu

Druga technika przypomina coś z filozofii: Meta-Cognitive Optimization. W skrócie MCO. Ale to nie jest abstrakcja.

MCO to mechanizm, który uczy agenta zadawać sobie pytanie: "Czy to, co teraz robię, ma sens Jeśli chodzi o tego, ile mi zostało zasobów?" Agent nie tylko widzi budżet – aktywnie optymalizuje swoje działania pod jego kątem.

Przykład.

Standardowy agent: "Mam zadanie, używam narzędzi, aż się skończą". Agent z MCO: "Mam zadanie, 10 żetonów i 5 narzędzi. Które narzędzie da mi najwięcej informacji przy najmniejszym koszcie? Czy warto sprawdzić to jeszcze raz, czy lepiej przejść dalej?"

To jak różnica między kimś, kto robi zakupy bez listy i kimś, kto planuje każdą pozycję pod kątem budżetu i wartości odżywczej.

Czemu to w ogóle jest problem

Może się wydawać, że to detale. W praktyce – to fundament działania AI w realnym świecie.

Agenci AI mają działać autonomicznie. Rezerwować spotkania. Analizować dane. Zarządzać projektami. Ale jeśli każde zapytanie kosztuje (a kosztuje – moc obliczeniowa to pieniądze), to nieefektywny agent to drogi agent. Firma, która wdroży setki takich agentów, może spalić budżet w tydzień.

Google nie publikuje takich badań dla zabawy. Oni budują infrastrukturę, na której będą działać miliony agentów. I jeśli każdy z nich będzie tracił 30% zasobów na niepotrzebne operacje, cały system się sypie.

Co to znaczy dla kogoś, kto nie pisze kodu

Jeśli nie jesteś programistą, możesz pomyśleć: "Okej, ale co mnie to obchodzi?"

Otóż to.

Za rok, dwa, trzy – agenci AI będą częścią Twojej codzienności. Asystent, który zarządza kalendarzem. Narzędzie, które analizuje raporty. System, który automatyzuje obsługę klienta.

I będziesz płacić za ich działanie. Albo bezpośrednio (subskrypcja), albo pośrednio (koszty firmy). Efektywność tych agentów to nie abstrakcja – to Twoje pieniądze.

Framework, który Google właśnie pokazał, to krok w stronę agentów, które nie marnują zasobów. Które robią więcej, kosztując mniej. Które działają szybciej, bo nie gubią się w chaosie dostępnych narzędzi.

Czy to już działa

Badanie to nauka, nie produkt. Google nie wypuścił aplikacji "Budget Tracker AI" (jeszcze). Ale techniki opisane w papierze to fundament pod przyszłe rozwiązania.

Ciekawe jest co innego: Google pokazuje, jak powinny działać agenci AI. I można się założyć, że za kilka miesięcy zobaczymy te mechanizmy w Gemini, w narzędziach Google Cloud, w systemach dla firm.

A konkurencja (OpenAI, Anthropic, Microsoft) patrzy i notuje. Bo problem jest uniwersalny. Każdy, kto buduje agenci AI, mierzy się z tym samym: jak sprawić, żeby działały efektywnie, nie tylko efektownie.

Źródła

• VentureBeat AI - Google's new framework helps AI agents spend their compute and tool budget more wisely