Согласно Databricks, переход на корпоративный ИИ переходит к агентским системам по мере того, как организации внедряют интеллектуальные рабочие процессы.
Изображение выше создано нейросетью NanoBanana через KolerskyAI
Первая волна генеративного ИИ обещала трансформацию бизнеса, но часто приводила лишь к появлению отдельных чат-ботов и остановке пилотных программ. Технологические лидеры обнаружили, что справляются с завышенными ожиданиями при ограниченной операционной полезности. Однако новая телеметрия от Databricks говорит о том, что рынок перешел на новый уровень.
Данные из более чем 20 000 организаций, включая 60% компаний из списка Fortune 500, указывают на быстрый переход к “агентским” архитектурам, где модели не просто извлекают информацию, но самостоятельно планируют и выполняют рабочие процессы.
Эта эволюция представляет собой фундаментальное перераспределение инженерных ресурсов. В период с июня по октябрь 2025 года использование многоагентных рабочих процессов на платформе Databricks выросло на 327 процентов. Этот всплеск сигнализирует о том, что ИИ постепенно становится ключевым компонентом системной архитектуры.
"Агент супервизора’ стимулирует корпоративное внедрение агентского искусственного интеллекта
Движущей силой этого роста является ‘Агент супервизора’. Вместо того, чтобы полагаться на единую модель для обработки каждого запроса, супервизор действует как организатор, разбивая сложные запросы и делегируя задачи специализированным субагентам или инструментам.
С момента своего запуска в июле 2025 года агент супервизора стал ведущим вариантом использования агентов, на долю которого к октябрю приходилось 37 процентов всех используемых. Этот шаблон отражает организационную структуру человека: менеджер не выполняет каждую задачу, но следит за тем, чтобы команда выполняла их. Аналогично, агент супервайзера управляет обнаружением намерений и проверками соответствия, прежде чем направить работу на инструменты, специфичные для предметной области.
Технологические компании в настоящее время лидируют в этом процессе, создавая почти в четыре раза больше мультиагентных систем, чем в любой другой отрасли. Тем не менее, полезность распространяется на разные сектора. Например, компания, оказывающая финансовые услуги, может использовать многоагентную систему для одновременного поиска документов и соблюдения нормативных требований, обеспечивая проверенный ответ клиента без вмешательства человека.
Традиционная инфраструктура находится под давлением
По мере того, как агенты переходят от ответов на вопросы к выполнению задач, базовая инфраструктура данных сталкивается с новыми требованиями. Традиционные базы данных онлайн-обработки транзакций (OLTP) были разработаны для взаимодействия с человеком с предсказуемыми транзакциями и нечастых изменений схемы. Агентские рабочие процессы переворачивают эти предположения.
Агенты ИИ теперь генерируют непрерывные высокочастотные шаблоны чтения и записи, часто программно создавая и отключая среды для тестирования кода или запуска сценариев. Масштаб этой автоматизации виден по данным телеметрии. Два года назад агенты ИИ создавали всего 0,1 процента баз данных; сегодня эта цифра составляет 80 процентов.
Более того, 97 процентов сред тестирования и разработки баз данных теперь создаются агентами ИИ. Эта возможность позволяет разработчикам и “программистам vibe” создавать эфемерные среды за секунды, а не за часы. С момента публичного показа приложений Databricks было создано более 50 000 приложений для обработки данных и искусственного интеллекта, что на 250 процентов больше, чем за последние шесть месяцев.
Многомодельный стандарт
Привязка к поставщику остается постоянным риском для руководителей предприятий, поскольку они стремятся расширить внедрение агентского ИИ. Данные указывают на то, что организации активно снижают этот риск, внедряя стратегии с несколькими моделями. По состоянию на октябрь 2025 года 78 процентов компаний использовали два или более семейства больших языковых моделей (LLM), таких как ChatGPT, Claude, Llama и Gemini.
Сложность этого подхода возрастает. Доля компаний, использующих три или более семейства моделей, выросла с 36% до 59% в период с августа по октябрь 2025 года. Это разнообразие позволяет инженерным командам переводить более простые задачи в меньшие по размеру и более экономичные модели, сохраняя при этом передовые модели для сложных рассуждений.
Розничные компании задают темп: 83% используют два или более семейства моделей, чтобы сбалансировать производительность и затраты. Унифицированная платформа, способная интегрировать различные проприетарные модели и модели с открытым исходным кодом, быстро становится необходимым условием для современного корпоративного стека ИИ.
Вопреки наследию пакетной обработки больших данных, агентский ИИ работает преимущественно в настоящем. В отчете подчеркивается, что 96 процентов всех запросов на вывод обрабатываются в режиме реального времени.
Это особенно очевидно в секторах, где задержка напрямую коррелирует со стоимостью. Технологический сектор обрабатывает 32 запроса в режиме реального времени для каждого отдельного пакетного запроса. В здравоохранении и науках о жизни, где приложения могут включать мониторинг пациентов или поддержку принятия клинических решений, соотношение составляет 13 к одному. Для ИТ-лидеров это усиливает потребность в инфраструктуре, обслуживающей вывод, способной справляться с резкими скачками трафика без ухудшения качества работы пользователей.
Управление ускоряет развертывание корпоративного ИИ
Возможно, наиболее нелогичным выводом для многих руководителей является взаимосвязь между управлением и скоростью. Часто рассматриваемые как узкое место, строгое управление и системы оценки функционируют как ускорители развертывания производства.
Организации, использующие инструменты управления ИИ, запускают в производство более чем в 12 раз больше проектов с ИИ по сравнению с теми, которые этого не делают. Аналогичным образом, компании, использующие инструменты оценки для систематического тестирования качества моделей, добиваются почти в шесть раз большего числа производственных развертываний.
Обоснование простое. Управление обеспечивает необходимые барьеры, такие как определение способа использования данных и установление ограничений скорости, что дает заинтересованным сторонам уверенность в одобрении развертывания. Без этих средств контроля пилоты часто застревают на этапе проверки концепции из-за неопределенных рисков безопасности или соответствия требованиям.
Ценность ‘скучной’ автоматизации предприятия с помощью agentic AI
В то время как автономные агенты часто создают образы футуристических возможностей, текущая ценность для предприятия от agentic AI заключается в автоматизации рутинных, обыденных, но необходимых задач. Основные варианты использования искусственного интеллекта варьируются в зависимости от сектора, но сосредоточены на решении конкретных бизнес-задач:
- Производство и автомобилестроение: 35% вариантов использования сосредоточены на профилактическом обслуживании.
- Науки о здоровье и жизни: 23% вариантов использования связаны с обобщением медицинской литературы.
- Розничная торговля и потребительские товары: 14% вариантов использования предназначены для анализа рынка.
Более того, 40 процентов лучших вариантов использования ИИ решают практические задачи клиентов, такие как поддержка клиентов, адвокация и адаптация. Эти приложения повышают измеримую эффективность и наращивают организационную мощь, необходимую для более продвинутых процессов работы с агентами.
Для C-suite дальнейший путь предполагает меньшее внимание к “магии” ИИ и больше к инженерной строгости, связанной с ним. Дэл Уильямсон, технический директор Databricks в регионе EMEA, подчеркивает, что разговор изменился.
“Для предприятий по всему региону EMEA разговор перешел от экспериментов с искусственным интеллектом к операционной реальности”, - говорит Уильямсон. “Агенты ИИ уже управляют критически важными частями корпоративной инфраструктуры, но реальную ценность видят те организации, которые рассматривают управление и оценку как основы, а не как запоздалые мысли”.
Уильямсон подчеркивает, что конкурентное преимущество снова смещается в сторону того, как компании создают, а не просто в сторону того, что они покупают.
“Открытые, совместимые платформы позволяют организациям применять искусственный интеллект к своим собственным корпоративным данным, вместо того чтобы полагаться на встроенные функции искусственного интеллекта, которые обеспечивают краткосрочную производительность, но не долгосрочную дифференциацию”.
На сильно регулируемых рынках такое сочетание открытости и контроля - “то, что отличает пилотов от конкурентных преимуществ”.