Reactiv: AgentCore automatiserer

Mobilcommerce for Shopify-forhandlere har hidtil krævet, at et menneske manuelt konfigurerer hver app-integration, tester den og ruller den ud. Det er en opgave, der skalerer dårligt, når en platform servicerer mange forhandlere samtidig, fordi hver butik har sin egen kombination af produkter, temaer og tredjepartsmoduler.

Reactivs løsning er en scheduler bygget på Amazon Bedrock AgentCore, der overtager selve konfigurationsarbejdet. Systemet læser forhandlerens butiksopsætning, identificerer hvilke ændringer en app-opdatering kræver, og udfører dem uden at et menneske skal gå ind og rette i koden manuelt. Den menneskelige rolle flytter sig fra at udføre opgaven til at godkende resultatet, hvilket er en markant anden arbejdsdeling end den traditionelle model i e-handelsplatforme.

I stedet for én monolitisk agent, der forsøger at løse hele opgaven, har Reactiv delt processen op i flere specialiserede agenter, der hver løser en del af konfigurationskæden. En agent analyserer butiksdata og nuværende opsætning. En anden planlægger de nødvendige ændringer. En tredje udfører selve implementeringen og validerer, at resultatet fungerer, før det går i produktion.

Den opdeling gør systemet nemmere at stole på, fordi fejl i et trin kan fanges og rettes, før de forplanter sig videre i kæden. AgentCore fungerer som den infrastruktur, der holder agenterne kørende, styrer deres hukommelse mellem trin og sikrer, at hver agent kun har adgang til de data og værktøjer, den faktisk har brug for. Det er en arkitektur, jeg selv genkender fra mine egne agentprojekter: jo mere en opgave deles op i afgrænsede, kontrollerbare trin, desto nemmere er det at stole på resultatet, uden at et menneske skal tjekke hvert eneste skridt undervejs. Det er ikke agentlogikken, der er svær. Det er grænserne mellem trinene.

Reactiv har sammenlignet sin AgentCore-baserede scheduler med et internt forsøg på at bygge den samme funktionalitet fra bunden uden en forvaltet agentplatform. Resultatet var en udviklingstid, der var 33 procent kortere med AgentCore end uden.

Forskellen skyldes først og fremmest, at AgentCore leverer de grundlæggende byggeklodser, et agentsystem har brug for: hukommelsesstyring, sikker adgang til værktøjer og skalering af selve agentkørslerne. Uden den infrastruktur skal et udviklerteam selv bygge og vedligeholde de lag, før de overhovedet kan begynde at løse den forretningsmæssige opgave. Jeg oplever det samme mønster, når jeg sætter agentsystemer i produktion hos kunder: selve agentlogikken er sjældent den store tidsrøver. Driftslaget omkring den er.

Det, der gør Reactivs case interessant, er ikke kun tidsbesparelsen i sig selv, men hvad den siger om, hvor agentiske systemer er på vej hen i e-handel. Konfiguration og opsætning af software har traditionelt været en opgave, mennesker udfører med støtte fra værktøjer. Her vendes rollen om: agenterne udfører opgaven, og mennesket godkender og overvåger.

For Shopify-forhandlere betyder det konkret, at app-opdateringer kan rulles ud hurtigere og med færre ressourcer bundet i manuel konfiguration. For platforme, der servicerer mange forhandlere, betyder det en vej til at skalere support og onboarding uden at skalere teamet proportionalt. Det er den samme bevægelse, jeg ser hos mine egne kunder: fra enkeltstående AI-eksperimenter til agentisk produktionsdrift, hvor systemet bærer en reel del af arbejdsbyrden i stedet for blot at assistere en medarbejder.