TrueForge vai Claude Managed Agents? Yrityksille ratkaisevaa on kontrolli, ei pelkkä hinta

TrueForge on TrueFoundryn avoimen lähdekoodin agenttiharness eli ajokerros, joka hallitsee kielimallin ympärillä muun muassa työkaluja, kontekstia, aliagentteja, koodin suoritusta, hyväksyntöjä, istuntoja, tilaa ja jäljitystietoja. Se on julkaistu MIT-lisenssillä, ja sen on tarkoitus toimia asiakkaan hallitsemassa infrastruktuurissa ilman sitoutumista yhteen mallitoimittajaan.

Yritykselle varsinainen kysymys ei siis ole, korvaako TrueForge kaikissa tilanteissa Claude Managed Agentsin. Olennaisempaa on pohtia, halutaanko agenttien tekninen perusta ottaa itse haltuun vastineeksi mallien vapaammasta valinnasta, paremmasta datanhallinnasta ja mahdollisesti pienemmistä tehtäväkohtaisista kustannuksista.

TrueForge ja Claude Managed Agents lyhyesti

Ominaisuus	TrueForge	Claude Managed Agents
Ajokerros	Avoin harness, jota asiakas voi tarkastella, muokata ja ylläpitää	Anthropicin isännöimä hallittu agenttiajo
Mallivalinta	Mallitoimittajasta riippumaton; TrueFoundry asemoi sen eri kaupallisten ja avoimien painojen mallien käyttöön	Rakennettu Anthropicin Claude-mallien ympärille
Käyttöönotto	Ajetaan yrityksen hallitsemassa pilvi- tai omassa infrastruktuurissa	Anthropic hallinnoi ajokerrosta ja hiekkalaatikkoinfrastruktuuria
Ylläpitovastuu	Asiakas vastaa skaalauksesta, päivityksistä, tietoturva-asetuksista, havainnoinnista ja häiriötilanteista	Palveluntarjoaja hoitaa suuren osan alustatoiminnasta
Hinnoittelu	Ohjelmisto on ilmainen, mutta laskuun tulevat laskenta, mallien ajaminen, tallennus, valvonta ja työvoima	Claude-mallien normaali token-hinnoittelu sekä aktiivisen istunnon ajomaksu; tietyistä työkaluista voi tulla erillisiä kuluja

TrueForgen ero on siten ennen kaikkea arkkitehtuurissa, ei uudessa kielimallissa. Sama harness voidaan yhdistää eri mallipäätepisteisiin, ja yritys voi päättää itse, missä ajokerros, data ja valvontamekanismit sijaitsevat. Claude Managed Agents tarjoaa puolestaan vertikaalisesti integroidun ratkaisun: vähemmän infrastruktuuria koottavaksi, mutta enemmän riippuvuutta Anthropicin alustasta ja malliekosysteemistä.

Mitä vertailutesti oikeastaan osoitti?

TrueFoundry kertoo verranneensa ratkaisuja 14 DevRevin Enterprise-Benchin ensimmäisen ja toisen tason tehtävällä. Tehtävissä työskenneltiin useiden yritysjärjestelmien välillä, kutsuttiin MCP-palvelimia ja yhdistettiin tietoja lopulliseksi vastaukseksi. Yhtiön mukaan molemmat kokoonpanot saivat samat tehtävät ja jokaisella asetuksella tehtiin kolme koetta.

TrueFoundryn raportoimat tulokset olivat seuraavat:

• Sama Opus 4.8 -malli: TrueForge ja Claude Managed Agents suorittivat kumpikin noin 11 tehtävää 14:stä. TrueForgen keskimääräinen kustannus oli noin 8,50 dollaria ajoa kohden, kun Claude Managed Agentsilla vastaava luku oli 11,80 dollaria – eroa noin 30 prosenttia.
• TrueForge ja GLM-5.2: TrueFoundry ilmoitti, että tehtävistä valmistui jälleen noin 11/14, mutta keskihinta oli noin 2,90 dollaria ajoa kohden. Tämä on noin 75 prosenttia vähemmän kuin Claude Managed Agentsin ja Opus-kokoonpanon ilmoitettu kustannus.
• Erillinen mallivertailu: TrueFoundry julkaisi aiemmin kymmenen tehtävän vertailun GLM-5.2:n ja Opus 4.8:n välillä. Tehtävät oli jaettu perustason, vaikeisiin ja pitkän kontekstin tehtäviin. Kyse oli yhtiön omasta testauksesta, ei riippumattomasta validoinnista.

Luvut kuvaavat siis TrueFoundryn testiä – ne eivät ole yleinen hintatakuu. Testi oli pieni, ja 75 prosentin vertailussa muuttui kaksi asiaa yhtä aikaa: ajokerros ja käytetty malli. Tuloksesta ei siksi voi päätellä, kuinka suuri osuus säästöstä syntyy TrueForgen tehokkuudesta ja kuinka suuri osuus GLM-5.2:n käyttämisestä Opus 4.8:n sijaan. Lisäksi kokonaiskustannusten väheneminen ei automaattisesti sisällä infrastruktuuria, henkilöstöä tai muita yritystason kuluja.

Mistä TrueForgen kustannusväite syntyy?

TrueFoundryn mukaan agenttiajon kustannuksia voidaan pienentää hallitsemalla paremmin mallin tekemää työtä ja tekemällä mallivalinnasta asetettava asia. Käytännössä säästö perustuu kahteen eri vipuun.

1. Ajonaikainen tehokkuus. Harness voi hallita istuntoja, työkaluja, tilaa ja kontekstia sen sijaan, että koko aiempi vuorovaikutus toistettaisiin jokaisella kierroksella. TrueFoundryn julkinen keskustelu painottaa agentin toimintasilmukan tehokkuutta ja raportoi yhdessä vertailussa vähemmän suunnitteluvaiheita. Saatavilla oleva aineisto ei kuitenkaan vahvista riippumattomasti toteutustapaa tai vaikutusta erilaisissa työkuormissa.
2. Mallien reititys. Vaativimmat tehtävät voidaan ohjata tehokkaalle lippulaivamallille, kun taas rajatummat tai pienemmän riskin tehtävät voidaan antaa edullisemmalle mallille, kuten avoimien painojen GLM-5.2:lle. Tämä selittää pääosan siitä, miksi ilmoitettu säästö kasvaa, kun TrueForgea ja GLM-5.2:ta verrataan Claude Managed Agentsiin ja Opus 4.8:aan.

Budjetoinnissa ero on tärkeä. Vertailua toistavan yrityksen pitäisi mitata ainakin syöte- ja tulostetokenit, kontekstin kasvu, työkalukutsut, uudelleenyritykset, viiveet, mallien isännöintikulut ja ihmisen tekemä tarkistus. Pelkkä ohjelmistolisenssin hinta ei kerro agentin kokonaiskustannusta.

Julkinen aineisto tukee TrueFoundryn omia benchmark-väitteitä sellaisina kuin yhtiö ne on esittänyt, mutta se ei osoita, että sama prosentuaalinen säästö toteutuisi kaikilla agenteilla, malleilla, työkuormilla tai samanaikaisilla käyttäjämäärillä.

Itse ylläpidetty ympäristö lisää kontrollia – ja vastuuta

TrueForgen itse ylläpidettävä malli muuttaa sitä, kuka hallitsee agentin suoritusympäristöä. Yritys voi sijoittaa ajokerroksen omaan pilviympäristöönsä tai muuhun hallitsemaansa infrastruktuuriin, määrittää verkkorajaukset ja päättää, miten kehotteita, asiakirjoja, työkalujen tuloksia ja jäljitystietoja käsitellään. Tämä voi helpottaa dataresidenssiin ja sisäiseen käyttöoikeuteen liittyvien vaatimusten täyttämistä, mutta itse ylläpito ei vielä tee järjestelmästä vaatimustenmukaista. Käyttöoikeudet, säilytysajat, auditointi, mallien hallinta ja työkalujen turvalliset oikeudet on edelleen suunniteltava ja toteutettava itse.

Vastapainona on operatiivinen vastuu. TrueForge-ympäristössä asiakkaan on tyypillisesti huolehdittava seuraavista:

• ajokerroksen päivityksistä ja tietoturvakorjauksista;
• saatavuudesta, skaalauksesta ja kapasiteettisuunnittelusta;
• salaisuuksista ja identiteetinhallinnan integraatioista;
• hiekkalaatikoista ja liittimien käyttöoikeuksista;
• havainnoinnista, jäljitystietojen säilytyksestä ja häiriötilanteisiin reagoinnista;
• mallipäätepisteistä, GPU-kapasiteetista ja suorituskyvyn muutoksista.

Hallittu palvelu siirtää suuren osan tästä työstä palveluntarjoajalle ja voi nopeuttaa matkaa prototyypistä tuotantoon. Hintana on pienempi kontrolli ajokerrokseen sekä tiiviimpi riippuvuus toimittajan alustasta. Hallittujen ja itse ylläpidettyjen agenttien vertailuissa ratkaiseviksi tekijöiksi nousevat yleensä vaatimustenmukaisuus, datan omistajuus, mallien reititys, operointikyky ja työkuorman sopivuus – eivät vain ohjelmistokulut.

Millaisiin työkuormiin ratkaisut sopivat?

TrueForge on vahvempi ehdokas, kun organisaatio tarvitsee:

• tiukat verkko- tai dataresidenssirajat;
• mahdollisuuden vaihtaa mallitoimittajaa tai käyttää avoimien painojen malleja;
• omat hyväksyntä-, auditointi- ja havainnointikäytännöt;
• pitkäkestoisia, paljon työkaluja käyttäviä tai suurivolyymisia agentteja;
• alusta-, tietoturva- tai SRE-tiimin, jolla on valmius operoida kokonaisuutta.

Claude Managed Agents on vahvempi ehdokas, kun etusijalla ovat:

• nopea ensimmäinen käyttöönotto;
• valmiiksi isännöity hiekkalaatikko ja ajokerros;
• vähäinen infrastruktuurin hallinnointitarve;
• tavanomaiset työkuormat, joissa mallien laaja siirrettävyys ei ole välttämätöntä;
• halu välttää itse ylläpidon henkilöstö- ja päivystysvastuut.

Itse ylläpito ei automaattisesti ole halvin vaihtoehto. Hallittu palvelu voi olla taloudellisesti järkevä pienellä tai vaikeasti ennustettavalla käyttömäärällä, koska palveluntarjoaja kantaa käyttämättömän kapasiteetin ja suuren osan alustatyön kustannuksista. Itse ylläpidettävä ratkaisu muuttuu houkuttelevammaksi, kun käyttö on tasaista, mallivalinta tuottaa merkittäviä säästöjä ja organisaatiolla on jo valmiiksi kyky ajaa infrastruktuuria.

Ketkä perustivat TrueFoundryn ja ketkä käyttävät TrueForgea?

TrueFoundryn perustivat vuonna 2021 entiset Metan insinöörit Nikunj Bajaj, Abhishek Choudhary ja Anuraag Gutgutia. Yhtiö ilmoitti keränneensä 19 miljoonan dollarin Series A -rahoituskierroksen, jota johti Intel Capital. Mukana olivat Peak XV, Eniac Ventures ja Jump Capital sekä enkelisijoittajia.

TrueForgen varhaisiksi tuotantokäyttäjiksi on ilmoitettu NetApp, Automatiq ja TrueFoundryn oma Ask TFY -järjestelmä. Viitteet kertovat varhaisesta yrityskäytöstä, mutta eivät ole sama asia kuin riippumaton näyttö ratkaisun luotettavuudesta laajassa joukossa tuotantoympäristöjä.

Mihin TrueForge sijoittuu agenttimarkkinassa?

TrueForge kuuluu agenttien ajokerroksen eli harness- ja runtime-markkinaan. Se on eri asia kuin taustalla oleva kielimalli tai kehittäjille tarkoitettu työkalu, jolla agentin logiikka rakennetaan.

• Claude Managed Agents yhdistää Anthropicin mallit, isännöidyn suorituksen ja hallitun infrastruktuurin. Sen vahvuus on yhtenäinen käyttöönotto; vastineeksi mallien ja ajokerroksen siirrettävyys on rajatumpaa.
• TrueForge korostaa yrityksen omistamaa, malliriippumatonta ajokerrosta, itse ylläpitoa, mallien reititystä ja yritystason hallintaa.
• DeepSeekiin liittyvät harnessit kuuluvat laajempaan avoimien mallien ja avoimien runtime-ratkaisujen liikkeeseen. Saatavilla oleva aineisto ei kuitenkaan riitä tarkkaan ominaisuuskohtaiseen vertailuun TrueForgen kanssa.
• OpenAI Codex CLI on ensisijaisesti kehittäjille tarkoitettu koodausagentti ja komentorivityökalu, ei suora korvaaja yleiskäyttöiselle yrityksen monityökaluiselle agenttien hallinta-alustalle.
• LangChain Deep Agents ymmärretään paremmin suunniteltujen tai aliagentteja hyödyntävien työnkulkujen rakentamisen kehykseksi. Se voi täydentää tuotantoruntimea eikä ole suora vastine TrueForgelle.

Johtopäätös yritysostajalle

TrueForgen uskottavin lupaus ei ole, että hallitut agentit olisivat vanhentuneita. Lupaus on, että osa yrityksistä haluaa omistaa agenttien alla olevan harnessin voidakseen valita mallit, hallita käyttöönottoa ja säätää agentin toimintasilmukkaa omien hallinta- ja tietoturvavaatimustensa mukaan.

Noin 30 prosentin ilmoitettu kustannusetu samalla Opus-mallilla ja jopa 75 prosentin säästö GLM-5.2:een siirryttäessä ovat testaamisen arvoisia väitteitä. Niitä kannattaa kuitenkin pitää hypoteeseina, kunnes ne on toistettu yrityksen omilla, edustavilla tehtävillä.

Hyvä arviointi käyttäisi oikeita työkaluja ja dataa ja vertaisi ainakin tehtävien onnistumisastetta, virhetilanteita, pitkän hännän viivettä, token- ja kontekstikulutusta, mallien ja infrastruktuurin hintaa, tietoturvakontrolleja, ylläpitoon kuluvaa työaikaa ja ihmisen tekemän tarkistuksen määrää.

Tiimille, jolla ei ole valmiutta tai tarvetta operoida tällaista kokonaisuutta, Claude Managed Agents voi edelleen olla järkevämpi tuotevalinta. Organisaatiolle, jolle kontrolli, siirrettävyys ja tasaisen suuren käyttömäärän talous ovat tärkeimpiä, TrueForge on uskottava ehdokas rajattuun yrityspilottiin – ei valmis oikotie tuotantovarmuuteen.