Kong har gjort Kong AI Gateway 2.0 allmänt tillgängligt, vilket markerar ytterligare ett steg i övergången från enkel LLM-proxy till ett bredare kontrollplan för modeller, agenter, verktyg och AI-utgifter.

Utgåvan den 1 september ger flera funktioner som är viktiga för team som redan kör produktions AI-arbetsbelastningar: MCP Server Bundling för styrda verktygsmodeller som ger olika modifierade verktygsåtkomster, bredare kostnadshanteringsmodeller och bredare kostnadshanteringsmodeller. täckning, identitetsmedvetna AI-policyer och inbyggd IAM-autentisering för Amazon Bedrock AgentCore. Kong säger också att produkten nu är tillgänglig i Kong Konnect utan betaaktivering.

Den kombinationen är nyheten. AI-gatewaykategorin handlar inte längre bara om att ta en OpenAI-liknande begäran, vidarebefordra den till en leverantör och logga svaret. Företagsköpare vill i allt högre grad att gatewayen ska bestämma vem som kan anropa vilken modell, vilka verktyg en agent kan nå, hur utgifterna ska mätas och hur dessa beslut mappas till identitetssystem som redan används av företaget.

Vad förändrades i Kong AI Gateway 2.0

Det mest anmärkningsvärda tillägget är MCP Server Bundling. MCP, eller Model Context Protocol, har blivit ett vanligt sätt att exponera verktyg och resurser för AI-agenter. Att bunta MCP-servrar vid gatewaylagret ger plattformsteam en plats att samla och styra dessa verktygsanslutningar snarare än att överlåta varje applikationsteam att koppla och kontrollera sina egna agentintegrationer.

Det är en meningsfull produktriktning. När agenter går från demos till interna arbetsflöden handlar risken mindre om att en modell svarar dåligt på en fråga och mer om att en modell är kopplad till för många verktyg med för lite tillsyn. En gateway som kan paketera och kontrollera MCP-åtkomst ligger närmare det operativa problemet: vilka agenter som kan nå vilka system, under vems identitet och med vilka policygränser.

Kong lade också till dynamisk modalitetsmedveten kostnadshantering. Detta är viktigt eftersom AI-prissättningen inte längre är en enda token-mätare. Text, bild, ljud, video, verktygssamtal, cachade sammanhang och resonemangslägen kan ha olika ekonomi beroende på leverantör. Ett kostnadskontrollskikt som förstår modalitet kan ge team mer exakta gränser och routingregler än en generisk förfrågningsräknare.

Releasen utökar också modell- och leverantörstäckningen och lägger till identitetsmedvetna AI-policyer. Kongs ursprungliga IAM-autentisering för Amazon Bedrock AgentCore är särskilt relevant eftersom Bedrock AgentCore håller på att bli en av platserna där företag driver och hanterar agenter. Att koppla gatewaypolicy till molnidentitet minskar gapet mellan AI-specifika kontroller och de åtkomstsystem som företag redan granskar.

Varför detta är viktigt för utvecklare och plattformsteam

För utvecklare är den praktiska effekten att gatewayen blir en del av applikationsarkitekturen, inte bara ett infrastrukturtillägg. Ett team som bygger en intern supportagent, kodningsassistent eller arbetsflöde för dataanalys kan nu behöva gateway-regler för modellåtkomst, verktygsåtkomst, budgettrösklar och identitetsförmedling innan appen når produktion.

Det kan lägga till en del installationskostnader, men det åtgärdar också ett riktigt felläge. Utan ett delat gatewaylager tenderar modellval, leverantörsuppgifter, verktygsbehörigheter och utgiftskontroller att spridas över programkod, CI-hemligheter, SDK-omslag och teamspecifika instrumentpaneler. Den fragmenteringen gör incidenter svårare att undersöka och modellmigreringar svårare att utföra.

Kongs release är också en signal till leverantörer som bygger OpenAI-kompatibla API-lager och multimodell-API-produkter. Enbart kompatibilitet blir bordsinsatser. Kunder förväntar sig i allt högre grad styrning kring begäran: policytillämpning, användningsanalys, åtkomst på teamnivå, budgetkontroller, reservrutt och modell/leverantörssynlighet.

För Model Gate-användare är anslutningen direkt. Enhetlig fakturering, API-nyckelhantering, användningsanalys och teamkontroller blir alla mer värdefulla när modellåtkomst bara är en del av arbetsflödet. När agenter får åtkomst till verktyg genom MCP-liknande gränssnitt, kommer gateways att behöva representera inte bara vilken modell som anropades, utan också vilket team, nyckel, verktygspaket och policykontext som var inblandade.

Konkurrensriktmärket förändras

Kong är inte ensamt i denna riktning. Nya rörelser på marknaden visar att leverantörer av AI-infrastruktur konvergerar kring samma bredare problem: företags-AI behöver en styrd väg mellan användare, modeller, agenter, verktyg och utgifter. Gateway-produkter bedöms mindre efter om de kan normalisera förfrågningsformat och mer av om de kan stödja produktionskontroller.

Det sätter press på köparna att ställa skarpare frågor. Förstår gatewayen leverantörsspecifika priser och modaliteter? Kan administratörer ange policy efter team eller identitet? Kan det dirigera mellan leverantörer utan att förlora granskningsbarhet?Kan det styra agentverktyg, inte bara modellslutpunkter? Kan den exponera användnings- och kostnadsdata på ett sätt som ekonomi, säkerhet och ingenjörskonst alla kan använda?

De här frågorna är inte längre teoretiska. Långsammanhangsmodeller, samtal om agentverktyg och multimodala arbetsbelastningar kan snabbt ändra kostnadsprofiler. Ett arbetsflöde som ser billigt ut under testning kan bli dyrt när upprepade sammanhang, bildinmatningar eller verktygstunga agentslingor kommer in i produktionen. En gateway som inte kan särskilja dessa mönster kan fortfarande centralisera åtkomsten, men den kommer inte att ge operatörerna tillräckligt med kontroll.

Vad som förblir osäkert

Tillkännagivandet fastställer allmän tillgänglighet och namnger nyckelfunktionerna, men tillämpningen i verkligheten kommer att bero på implementeringsdetaljer: hur team konfigurerar MCP-paket, hur detaljerade policyerna är, hur mycket kostnadsstyrda policyer är, hur mycket kostnads- och kontrollprogram har, operativ synlighet kunder får i praktiken.

Det är också för tidigt att veta om företag kommer att standardisera agentstyrningen i en enda AI-gateway eller dela ansvaret mellan molnplattformar, säkerhetsverktyg, utvecklarplattformar och observerbarhetsleverantörer. AWS, värdplattformar, IDE-leverantörer och fristående gateway-leverantörer försöker alla äga delar av samma kontrollyta.

Ändå är riktningen tydlig. Kong AI Gateway 2.0 behandlar AI-trafik som ett styrt företagssystem snarare än en ström av modellanrop. För utvecklare och företag som bygger på modell-API:er betyder det att gatewaybeslut blir arkitekturbeslut: de påverkar kostnader, säkerhet, modellval, verktygsåtkomst och tillförlitligheten hos agentarbetsflöden.