Большие языковые модели

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?

Несмотря на стремительный рост инвестиций в технологии искусственного интеллекта и широкое распространение больших языковых моделей, реальная эффективность соответствующих проектов невысока. Интеграция аналитических систем с LLM через протокол Model Context Protocol может изменить ситуацию за счет предоставления моделям актуальных достоверных данных, детерминированной бизнес-логики и стандартизированных механизмов взаимодействия с корпоративными информационными системами.

Новейшие модели предлагаются дешевле в расчете на токен на фоне стирания различий между ведущими сервисами генеративного ИИ.

Из-за массового распространения практики ИИ-вошинга – преувеличения и искажения возможностей ИИ-решений – инвесторы перестают верить маркетинговым презентациям и требуют от стартапов подтверждения наличия собственных вычислительных мощностей и оригинального кода.

ИИ перестал быть бантиком, который можно было привесить к любой системе, чтобы не отставать от моды, а стал одним из факторов стратегии компаний. И «виной» этому – единый протокол взаимодействия ИИ-моделей с разнообразными информационными системами.

В компании объяснили, для каких целей можно пользоваться предлагаемыми ею общедоступными LLM.

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

Яндекс выложил в опенсорс Alice AI Foundation LLM — претрейн-версию своей новой большой языковой модели, обученной полностью с нуля.

Глава ACE Robotics ожидает скорое наступление «решающего момента», обеспеченного развитием моделей и масштабным сбором данных об окружающей среде.

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

MWS Cloud проанализировала требования к вычислительной инфраструктуре для запуска ведущих мировых и российских больших языковых моделей. Согласно оценкам, средняя стоимость минимального набора ускорителей Nvidia для запуска одной модели выросла с 13,7 млн руб. в 2025 году до 38,8 млн руб. в 2026 году – в 2,8 раз.

MWS Cloud проанализировала потребление китайских больших языковых моделей российскими компаниями. В первом полугодии 2026 года объем потребления более чем в 11 раз превысил показатель за весь 2025 год.

Исследователи из лаборатории научных исследований Т-Технологий разработали единый подход к оценке методов дообучения языковых моделей.

DiffusionGemma создает целые абзацы в виде «шума» и последовательно приводит к нужному виду, работая подобно системам генерации изображений.

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.

Не имея ничего против ИИ, не надо забывать про здравый смысл как основу всего, что происходит в компаниях и в обществе, чтобы хотя бы изредка к нему обращаться. А пока мы фактически мчимся по шоссе со скоростью 200 км в час на автономном автомобиле без ремней безопасности и фар. Посмотрим, куда приедем, правда, как бы не оказалось, что ИИ станет последним открытием человечества.

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.

Технические руководители часто не замечают, что именно от ИИ-агента зависит работоспособность системной оболочки, а значит рискуют впустую потратить средства. Данный вывод вытекает из анализа корпуса сессионных логов работы реальных терминальных ИИ-агентов – более половины вызовов агента приходится на команды системной оболочки, а не на правку файлов, что меняет саму логику закупки и влияет на весь состав инвестиций при внедрении ИИ: первична готовность инфраструктуры, а не обучение промпт-инжинирингу.