Databricks abre codigo de Omnigent meta-harness para orquestacion multi-agente con control de costo; aborda sobrecostos de presupuesto de IA de $500M/mes
Databricks abrio el codigo de Omnigent, una meta-harness para orquestar multiples agentes de IA bajo un plano de control unico, lanzada el 13 de junio bajo licencia Apache 2.0 y anunciada en alpha temprano. Omnigent envuelve arneses de agentes existentes—Claude Code, OpenAI Codex, Inflection Pi, LangGraph, CrewAI—sin modificarlos, proporcionando una API unificada para composicion, gobernanza y colaboracion en equipo. Opera en la capa de orquestacion por encima de los tiempos de ejecucion de agentes individuales, aplicando politicas con estado (presupuestos de costo, acceso al sistema de archivos, limites de red, aprobaciones human-in-the-loop) fuera de la capa de prompt LLM.
La motivacion es aguda: Uber gasto su presupuesto completo de IA de 2026 en cuatro meses mientras 5.000 ingenieros sin monitorear ejecutaban sesiones de Claude Code, con usuarios pesados alcanzando $500-2.000 por mes. Una empresa sin nombre gasto $500 millones en un solo mes antes de que los equipos de finanzas intervinieran. Gartner pronostica que el 40% de los proyectos de agentes de IA seran cancelados para 2027 debido a espirales de costos y controles de riesgo inadecuados. El control de costo de Omnigent se encuentra en la capa de infraestructura: pausa sesiones cuando se exceden los umbrales de gasto y requiere confirmacion humana antes de proceder. El soporte para orquestacion multi-agente permite que los equipos compongan agentes especializados (planificador, implementador, revisor, validador) en flujos de trabajo con contexto compartido y puertas de aprobacion.
Omnigent se integra con Unity AI Gateway, la capa de gobernanza en tiempo de ejecucion de Databricks anunciada en la cumbre. Gateway aplica controles de costo centralizados (visibilidad de gasto en proveedores, limites de gasto rigidos, enrutamiento inteligente), politicas de acceso y observabilidad unificada para todas las interacciones de agentes. Los socios de integracion incluyen Palo Alto Networks (Prisma AIRS para inspeccion en tiempo real) y Zscaler (AI Guardrails para controles basados en resultados). La arquitectura separa los arneses de agentes de la aplicacion de politica: las reglas viven fuera del prompt y no pueden ser razonadas porque la sandbox aplica restricciones antes de que cualquier LLM reciba entrada.
Para profesionales: Omnigent esta en produccion-alpha; evalue en entornos de prueba antes de implementacion critica. El modelo de gobernanza fuera de prompt es arquitectonicamente sano—inmune a la inyeccion de prompt porque las restricciones se aplican en la capa de orquestacion, no en el prompt. Esta resiliencia es importante para equipos reconstruyendo flujos de trabajo despues de la prohibicion de exportacion Anthropic Fable 5: la gobernanza en la capa de orquestacion sobrevive a las disrupciones a nivel de modelo. Observe: (1) versiones de estabilidad y estudios de casos de usuarios iniciales, (2) soporte para arneses adicionales (GitHub Copilot Workspace, Cursor, etc.), (3) precio de Omnigent administrado vs autohospedado. La visibilidad de costo es ahora fundamental para la implementacion de agentes a escala.