Vercel gjør AI-agenter mer driftsklare

Vercel har lansert AI SDK 7. For mange utviklere er det en versjonsoppdatering i et TypeScript-bibliotek. For ledere er det et signal om hvor raskt agentinfrastrukturen modnes.

AI SDK brukes ifølge Vercel over 16 millioner ganger i uken. Den nye versjonen retter seg tydelig mot produksjon: kontroll over reasoning, verktøykontekst, filer, MCP Apps, terminalgrensesnitt, tool approvals, varige arbeidsflyter, timeouts, sandboxing, telemetry og støtte for flere agent-harnesser som Codex, Claude Code, Deep Agents, OpenCode og Pi.

Det er ikke én funksjon som er interessant. Det interessante er helheten. Vercel pakker inn det mange virksomheter nå bygger selv: hvordan en agent får tilgang til verktøy, hvordan handlinger godkjennes, hvordan arbeid gjenopptas etter avbrudd, hvordan kjøring isoleres, og hvordan man måler hva agenten faktisk gjør.

Dette er skiftet fra «kan vi lage en agent?» til «kan vi drifte en agent uten å miste kontrollen?»

Agentarbeid trenger drift, ikke bare prompt

De første AI-appene kunne ofte bygges som en enkel chatflate. Bruker skriver. Modell svarer. Det er håndterbart.

Agentarbeid er noe annet. En agent kan lese filer, hente data, kalle API-er, skrive kode, kjøre kommandoer, åpne verktøy og ta delbeslutninger over flere steg. Da blir det ikke nok å ha en god systemprompt. Man trenger godkjenninger, tidsgrenser, gjenopptakelse, observability og tydelig skille mellom trygge og risikable handlinger.

AI SDK 7 viser at dette nå blir standardvare. Tool approvals betyr at utviklere kan definere hvilke handlinger som krever ja fra bruker eller system. Durable workflows betyr at en agentjobb kan overleve avbrudd og fortsette med kontrollert tilstand. Sandboxing betyr at kode og verktøy kan kjøres mer isolert. Telemetry betyr at organisasjonen får data om livssyklus, ytelse og hendelser.

For CIO og CTO er dette positivt. Det gjør det lettere å bygge raskt uten å starte helt nederst i stacken.

For CISO er det også en påminnelse. Når slike byggesteiner blir enkle å ta i bruk, vil flere team sette agenter i produksjon. Da må virksomheten ha retningslinjer før antallet små agentløp eksploderer.

Hva bør styres

Det første styringspunktet er tool scope. Hvilke verktøy kan agenten se? Hvilke kan den bruke? Hvilke må lastes inn først når de faktisk trengs? En agent med for bred verktøykasse blir vanskelig å teste og vanskelig å forklare.

Det andre er godkjenning. Tool approvals må ikke bare være en utviklerfunksjon. De bør speile risikonivå. Lesetilgang til offentlig dokumentasjon er én kategori. Endring av kundedata, deploy til produksjon eller kjøring av shell-kommandoer er noe helt annet.

Det tredje er varighet. Når agentjobber kan gjenopptas, må man vite hva som lagres. Kontekst, filer, mellomresultater og beslutninger kan inneholde sensitive opplysninger. Varige arbeidsflyter krever retention-regler, tilgangskontroll og sletting.

Det fjerde er sandboxing. Agenten bør ikke få kjøre kode i samme miljø som produksjonssystemet den hjelper til med å endre. Isolasjon er ikke pynt. Det er skadebegrensning.

Det femte er observability. Agentbruk må kunne spores per team, system, kost, modell, verktøy og feiltype. Uten dette blir AI-kost og AI-risiko umulig å styre.

Hvorfor dette gjelder norske virksomheter

Mange norske selskaper kommer ikke til å bygge egen agentplattform. De kommer til å bruke byggesteiner fra Vercel, GitHub, AWS, Microsoft, Anthropic, OpenAI og andre. Det er fornuftig. Men det betyr også at arkitekturen formes av leverandørenes standardvalg.

Når Vercel legger inn MCP Apps, workflow-agenter, sandboxing og telemetry i et populært SDK, blir dette fort måten mange produktteam bygger på. Da bør virksomheten vurdere SDK-er og agentrammeverk som del av plattformstyringen, ikke som tilfeldige npm-pakker.

Spørsmålene bør være enkle: Hvilke agentrammeverk er godkjent? Hvilke mønstre skal brukes for godkjenning og logging? Hvilke data kan sendes til hvilke modeller? Hvor skal agenttilstand lagres? Hvem eier kost og sikkerhet når en agent kaller tre eksterne verktøy i samme løp?

Dette er særlig viktig i selskaper der produktteam får stor frihet. Frihet fungerer best når plattformen gir trygge standarder. Hvis ikke får man mange små agentarkitekturer, hver med sin egen sikkerhetsmodell.

AI SDK 7 er derfor mer enn en utviklernyhet. Den viser at agentmarkedet beveger seg mot en normal programvareplattform: verktøy, runtime, workflow, observability og sikkerhetskontroller. Det gjør produksjon lettere. Det gjør også styringsjobben mer konkret.

Ledere bør bruke denne typen lanseringer som sjekkliste. Hvis et team vil sette en agent i produksjon, bør det kunne forklare hvordan godkjenning, isolasjon, varighet, logging og kostmåling er løst. Hvis svaret er «det ligger i prompten», er løsningen ikke moden nok.

Kilder og medier

Primærkilde: Vercel, https://vercel.com/blog/ai-sdk-7

Kildekreditering: Vercel beskriver AI SDK 7 med støtte for reasoning-kontroll, tool approvals, WorkflowAgent, timeouts, sandboxing, MCP Apps, telemetry, terminalgrensesnitt og integrasjon med flere agent-harnesser.

Thumbnail: OpenAI Image 2 / hogby.ai