В июле 2026 года MIT Technology Review опубликовала статью, которая может стать манифестом для всего enterprise-сектора: как строить среду для agentic AI. Тема перестала быть академической — крупные корпорации уже экспериментируют с агентами, способными самостоятельно планировать, выполнять цепочки действий и адаптироваться к изменениям. Но без продуманной инфраструктуры такие системы превращаются в хаос. О чём предупреждают авторы и какие шаги стоит предпринять уже сегодня — разбираемся в материале.
Что такое agentic AI и почему enterprises не могут его игнорировать
Agentic AI — это системы, которые действуют не просто как чат-боты, а как автономные цифровые сотрудники. Они получают высокоуровневую цель, разбивают её на подзадачи, выбирают инструменты, взаимодействуют с внешними сервисами и корректируют курс в реальном времени. В статье MIT подчёркивается: в 2026 году разрыв между традиционными языковыми моделями и агентными решениями стал критическим. Компании, которые не подготовят среду для таких агентов, рискуют отстать в операционной эффективности.
Ключевые отличия от классического ИИ
| Параметр | Традиционный ИИ (ML-модели, NLP) | Agentic AI |
|---|---|---|
| Управление | Человек задаёт каждый запрос | Агент действует автономно в рамках целей |
| Интеграция | API-вызовы по одному сценарию | Многошаговые оркестровки через несколько систем |
| Безопасность | Изолированные инференсы | Повышенные риски из-за доступа к корпоративным данным |
| Масштабирование | Горизонтальное через кэширование | Требуется управление очередями и приоритетами |
| Наблюдаемость | Логи отдельных запросов | Сквозная трассировка цепочек действий |
Основные вызовы, описанные в материале
Авторы статьи выделяют три главных барьера, с которыми столкнулись первые корпоративные внедрения агентов.
1. Инфраструктура безопасности и контроля
Агент, который может читать базы данных, отправлять письма или менять статусы заказов, — это мощный, но опасный инструмент. В MIT Technology Review приводят пример: один из прототипов агента случайно удалил тестовые записи в CRM, потому что система разрешений была настроена слишком широко. Решение — внедрение политик «нулевого доверия» на уровне каждого действия агента, а также обязательное логирование с возможностью отката.
2. Оркестрация и управление очередями
Когда в корпоративной среде работают сотни агентов, они начинают конкурировать за ресурсы — вычислительные мощности, API-лимиты, доступ к данным. Без системы оркестрации возникают deadlock’и и взаимные блокировки. В статье описывается подход на основе платформ-координаторов, которые распределяют задачи по приоритетам и следят за временем выполнения.
3. Наблюдаемость и отладка
Цепочка действий агента может состоять из десятков шагов. Если на одном из них произошёл сбой, традиционное логирование не помогает — нужна сквозная трассировка. Команды разработчиков начали использовать специализированные инструменты, которые визуализируют путь агента и позволяют «перематывать» его шаги для анализа.
Как предприятия строят среду для агентного ИИ: практические примеры
В материале MIT упоминаются несколько подходов, которые уже применяют пилотные проекты в финансовом секторе и ритейле.
Пример 1: Автоматизация обработки заявок в страховой компании
Страховщик развернул агентов, которые самостоятельно собирают документы, проверяют их на соответствие условиям и запускают выплаты. Для этого потребовалось:
- Создать единый шлюз для доступа к legacy-системам через REST API.
- Настроить политики: агент может читать данные, но не может менять финансовые проводки без утверждения человеком.
- Внедрить дашборд наблюдаемости, где отображается каждый шаг агента с временными метками.
Результат — время обработки одной заявки сократилось с 4 часов до 12 минут, а доля ошибок снизилась на 40%.
Пример 2: Управление цепочками поставок
Ритейлер использует агентов для мониторинга запасов, автоматического перезаказа товаров и перенаправления поставок при сбоях. Ключевой элемент — интеграция с ERP и WMS-системами. Разработчики применили архитектуру на основе событий (event-driven), где агенты подписываются на изменения в инвентаре и реагируют в реальном времени.
Рекомендации из статьи: как подготовить enterprise-среду
Авторы MIT Technology Review дают несколько конкретных советов для ИТ-руководителей.
-
Аудит текущей инфраструктуры. Прежде чем запускать агентов, нужно понять, какие системы уже поддерживают API, где есть узкие места и какие данные критичны для безопасности.
-
Создание песочниц. Тестировать агентов следует в изолированных средах, которые копируют реальные бизнес-процессы, но с фейковыми данными.
-
Инвестиции в наблюдаемость. Инструменты вроде OpenTelemetry или Datadog могут стать базой для мониторинга агентов, но требуют доработки под цепочки действий.
-
Обучение команд. Не только разработчиков, но и бизнес-пользователей — чтобы они понимали, когда агенту можно доверять, а когда нужен контроль человека.
Будущее: что дальше
Статья завершается оптимистичным, но осторожным прогнозом. К 2028 году, по мнению авторов, agentic AI станет стандартом для крупных корпораций, но только при условии, что компании сейчас заложат правильный фундамент. Те, кто откладывает построение enterprise-среды, рискуют столкнуться с каскадными сбоями и потерей контроля.
Заключение
«Создание корпоративной среды для агентного ИИ» — не просто заголовок новости, а дорожная карта для CIO и CTO. Статья MIT Technology Review напоминает: технология уже готова, но инфраструктура — нет. Пока одни компании экспериментируют в песочницах, другие уже получают первые результаты. Вопрос не в том, внедрять ли агентов, а в том, как сделать это безопасно и масштабируемо.
ASI Biont поддерживает подключение к Salesforce через API — подробнее на asibiont.com/courses
Комментарии