ИИ-агенты

Протокол для взаимодействия больших языковых моделей с внешним миром кардинально меняет классические подходы к построению и интеграции корпоративных ИТ-инфраструктур. В MCP предложено элегантное универсальное решение для стандартизации межмашинного взаимодействия при посредничестве ИИ-агентов без ограничений на специфику объекта. Однако некоторые недостатки MCP сдерживают применение этого протокола. Имеются также принципиальные ограничения, основанные на самой природе ИИ-решений.

Model Context Protocol претендует на роль стандарта для подключения ИИ-агентов к корпоративным данным и инструментам. Однако по мере перехода от пилотов к промышленной эксплуатации неуклонно растет число агентов, инструментов и связей между ними, и когда счет идет уже на десятки и сотни, то для каждой связки «агент — сервер» приходится отдельно настраивать подключение, авторизацию, синхронизацию и журналирование. Отдельно управлять каждым сервером невозможно, и нужен новый класс решений – MCP-шлюз.

ИИ-агент способен выполнить работу некоторых сотрудников, но тогда и спрос с него должен быть таким же. Обычно вывести сотрудника на работу еще недостаточно — важно, чтобы он работал хорошо, а для этого есть испытательный срок, регулярная оценка и руководитель. У ИИ-агента вместо всего этого есть доля хороших ответов, полученная неизвестно как: компания запускает агента, получает показатель 76% и не знает, кто его считал и по каким правилам. Как должна быть устроена оценка качества агента в промышленной эксплуатации?

Сбер объявил о запуске на ИИ-платформе GitVerse каталога навыков. Это сценарии для ИИ-агентов, которые могут включать инструкции, скрипты и другие вспомогательные материалы.

Anthropic и OpenAI осветили корпорациям путь, которые уверовали, что теперь-то все будет по-другому, хотя до эпохи ИИ мало кто задумывался об эффективности бизнес-процессов, да это и неважно – ведь теперь достаточно запустить рой ИИ-агентов для построения "эффективных" процессов.

Продемонстрированы риски использования агентов для кодогенерации с возможностью модификации собственных ИИ-моделей.

Ключевой управленческой проблемой становятся подходы к делегированию задач ИИ-агентам и доверие полученным результатам.

В июле 2026 года принят Федеральный закон № 243-ФЗ «О поддержке развития технологий искусственного интеллекта в Российской Федерации». Компании, которая уже внедрила ИИ-агентов в свои процессы, этот закон не говорит почти ничего. А требования к агентам пишутся в другом месте, и написано их уже довольно много. Что же действительно предъявят к ИИ-агенту в корпоративном контуре?

«Строительная платформа» Neoverse CSS N4 поддерживает до 128 ядер, LPDDR6, PCIe 7 и обеспечивает двукратный рост производительности.

В то время как Apple и Google создают приложения с ИИ в дополнение к традиционным, китайские компании переопределяют саму концепцию смартфона.

Оптимизированные в расчете на ИИ технологии Console для автоматизации сервисных запросов персонала расширят возможности платформы Cortex.

Устройство выглядит как стильный аксессуар, но в компании заявляют, что это серьезный инструмент для предприятий.

Компания предлагает экосистему решений — от корпоративных дата-центров до ноутбуков и граничных устройств.

Российские крупные компании позитивно воспринимают перспективы ИИ, но традиционно осторожничают. Они опасаются проблем со зрелостью инфраструктуры данных, недостаточных экономических эффектов и дороговизны оборудования.

В компании утверждают, что готовы к сетевой поддержке локальной и облачной ИИ-инфраструктуры.

Американская компания возражает, утверждая, что эти меры могут подорвать гарантии конфиденциальности и безопасности для миллионов европейцев.

Экономика автономных агентов в меньшей степени зависит от используемой модели и в большей — от объема «мышления», количества циклов и частоты обращений к вспомогательным инструментам.

ИИ-агенты способны автономно решать поставленные задачи, подстраиваясь под текущее окружение и используя доступные инструменты. Однако непосредственное подключение агентов к LLM часто оказывается затруднительно и несет риски утечки конфиденциальной информации. Платформа Tengri Data архитектурно решает эту проблему, превращая ИИ-агента из внешней надстройки в полноценного цифрового сотрудника.

Большое число провальных пилотных проектов внедрения ИИ-агентов породило сомнения в эффективности их интеграции в корпоративные бизнес-процессы. Однако имеются два инструмента, помогающие пройти путь от «галлюцинаций языковой модели» до целевого «точно оперировать» и «безошибочно выполнять»: каталог данных и семантический слой.

Внедрение любого ИИ-решение сразу вызывает вопрос о рисках информационной безопасности, и наоборот – как только внедряются какие-либо средства ИБ, то сразу требуется предусмотреть их защиту от быстро совершенствующихся средств ИИ. На что бизнесу надо в первую очередь потратить ресурсы: на развитие ИИ или на выстраивание защиты для минимизации рисков нарастающих атак?