Databricks наблюдает переход корпоративных ИИ-систем к агентивным системам

По данным Databricks, внедрение искусственного интеллекта в предприятиях движется в сторону агентских систем, поскольку организации внедряют интеллектуальные рабочие процессы.

Первоначальная волна генеративного ИИ обещала трансформацию бизнеса, но часто приводила к появлению изолированных чат-ботов и остановке пилотных программ. Лидеры в области технологий столкнулись с высокими ожиданиями при ограниченной практической полезности. Однако последние данные Databricks указывают на то, что рынок достиг переломного момента.

Информация от более чем 20 000 организаций, включая 60 % компаний из списка Fortune 500, показывает быстрый переход к «агентным» архитектурам, в которых модели не только извлекают информацию, но и автономно планируют и выполняют рабочие процессы.

Этот сдвиг представляет собой фундаментальное перераспределение инженерных ресурсов. С июня по октябрь 2025 года использование мультиагентных рабочих процессов на платформе Databricks увеличилось на 327%. Этот рост сигнализирует о превращении ИИ в ключевой компонент системной архитектуры.

«Агент-супервизор» стимулирует внедрение агентного ИИ в предприятиях

«Агент-супервайзер» стимулирует это расширение. Вместо того, чтобы полагаться на одну модель для каждого запроса, супервайзер действует как оркестратор, разбивая сложные запросы и распределяя задачи между специализированными подагентами или инструментами.

С момента своего появления в июле 2025 года агент-супервизор стал ведущим агентским приложением, на которое к октябрю приходилось 37% использования. Этот подход отражает организационные структуры человека: менеджер не выполняет каждую задачу, но обеспечивает их выполнение командой. Аналогичным образом, агент-супервизор обрабатывает обнаружение намерений и проверки соответствия, прежде чем направлять работу в инструменты, специфичные для конкретной области.

В настоящее время лидерами в области внедрения этой технологии являются технологические компании, которые создают почти в четыре раза больше мультиагентных систем, чем любая другая отрасль. Однако преимущества распространяются на все секторы. Например, финансовая компания может использовать мультиагентную систему для одновременного управления поиском документов и соблюдением нормативных требований, предоставляя проверенные ответы клиентам без вмешательства человека.

Традиционная инфраструктура под давлением

По мере того как агенты продвигаются от ответов на вопросы к выполнению задач, базовая инфраструктура данных сталкивается с новыми вызовами. Традиционные базы данных онлайн-обработки транзакций (OLTP) были разработаны для взаимодействия со скоростью человека с предсказуемыми транзакциями и редкими изменениями схемы. Агентные рабочие процессы опровергают эти предположения.

Агенты ИИ теперь генерируют непрерывные высокочастотные шаблоны чтения и записи, часто программно создавая и демонтируя среды для тестирования кода или запуска сценариев. Масштаб этой автоматизации очевиден в данных. Два года назад агенты ИИ создавали всего 0,1% баз данных; сегодня эта цифра составляет 80%.

Кроме того, 97 % сред тестирования и разработки баз данных теперь создаются агентами ИИ. Эта возможность позволяет разработчикам и «вибе-кодерам» создавать временные среды за секунды, а не за часы. С момента публичного анонса Databricks Apps было разработано более 50 000 приложений для работы с данными и ИИ, а за последние шесть месяцев их количество выросло на 250 %.

Мультимодельный стандарт

Зависимость от поставщика остается постоянной проблемой для руководителей предприятий, которые стремятся расширить использование агентного ИИ. Данные показывают, что организации активно решают эту проблему, внедряя мультимодельные стратегии. По состоянию на октябрь 2025 года 78 % компаний использовали две или более семейств больших языковых моделей (LLM), таких как ChatGPT, Claude, Llama и Gemini.

Этот подход становится все более совершенным. Процент компаний, использующих три или более семейства моделей, вырос с 36% до 59% в период с августа по октябрь 2025 года. Такое разнообразие позволяет инженерным командам назначать более простые задачи меньшим, более экономичным моделям, оставляя продвинутые модели для сложных вычислений.

Розничные компании лидируют в этой тенденции: 83 % из них используют две или более семейства моделей, чтобы сбалансировать производительность и стоимость. Единая платформа, способная интегрировать различные проприетарные и открытые модели, быстро становится незаменимой для современного корпоративного стека ИИ.

В отличие от устаревшего подхода к обработке больших данных, основанного на пакетной обработке, агентский ИИ работает в основном в режиме реального времени. В отчете отмечается, что 96% всех запросов на вывод обрабатываются немедленно.

Это особенно очевидно в секторах, где задержка напрямую влияет на стоимость. Технологический сектор обрабатывает 32 запроса в режиме реального времени на каждый пакетный запрос. В здравоохранении и биологических науках, где приложения могут включать мониторинг пациентов или поддержку клинических решений, это соотношение составляет 13 к 1. Для ИТ-руководителей это подчеркивает необходимость инфраструктуры для обслуживания выводов, которая может обрабатывать всплески трафика без ущерба для пользовательского опыта.

Управление ускоряет внедрение ИИ в предприятиях

Возможно, самым неожиданным открытием для многих руководителей является связь между управлением и скоростью. Строгие системы управления и оценки, которые часто рассматриваются как препятствие, на самом деле ускоряют внедрение в производство.

Организации, использующие инструменты управления ИИ, внедряют в производство в 12 раз больше проектов ИИ по сравнению с теми, которые этого не делают. Аналогичным образом, компании, использующие инструменты оценки для систематического тестирования качества моделей, достигают почти в шесть раз большего количества внедрений в производство.

Причина проста. Управление обеспечивает необходимые меры безопасности, такие как определение использования данных и установление ограничений по скорости, что дает заинтересованным сторонам уверенность в одобрении внедрения. Без этих мер контроля пилотные проекты часто застревают на этапе доказательства концепции из-за неколичественных рисков безопасности или соответствия.

Ценность «скучной» автоматизации предприятий с помощью агентного ИИ

Хотя автономные агенты могут вызывать ассоциации с футуристическими возможностями, в настоящее время ценность агентского ИИ для предприятий заключается в автоматизации рутинных, повседневных, но необходимых задач. Лучшие приложения ИИ варьируются в зависимости от сектора, но сосредоточены на решении конкретных бизнес-задач:

• Производство и автомобилестроение: 35 % случаев использования сосредоточены на прогнозном техническом обслуживании.

• Здравоохранение и биологические науки: 23 % случаев использования связаны с синтезом медицинской литературы.

• Розничная торговля и потребительские товары: 14 % случаев использования посвящены аналитике рынка.

Кроме того, 40 % основных случаев использования ИИ связаны с практическими проблемами клиентов, такими как поддержка, защита интересов и адаптация. Эти приложения обеспечивают измеримую эффективность и создают организационные возможности, необходимые для более продвинутых агентных рабочих процессов.

Для высшего руководства путь вперед предполагает меньшее внимание к «магии» ИИ и большее внимание к инженерной дисциплине, которая его окружает. Дэл Уильямсон, технический директор Databricks в регионе EMEA, отмечает, что дискуссия эволюционировала.

«Для компаний в регионе EMEA разговор перешел от экспериментов с ИИ к операционной реальности, — говорит Уильямсон. — ИИ-агенты уже управляют критически важными частями инфраструктуры предприятий, но реальную ценность видят те организации, которые рассматривают управление и оценку как основу, а не как второстепенные аспекты».

Уильямсон подчеркивает, что конкурентное преимущество снова смещается в сторону того, как компании строят, а не просто того, что они покупают.

«Открытые, взаимодействующие платформы позволяют организациям применять ИИ к своим собственным корпоративным данным, а не полагаться на встроенные функции ИИ, которые обеспечивают краткосрочную производительность, но не долгосрочную дифференциацию».

На высокорегулируемых рынках именно это сочетание открытости и контроля «отличает пилотные проекты от конкурентных преимуществ».

См. также: Anthropic выбрана для создания пилотного проекта по созданию государственного ИИ-помощника

Хотите узнать больше об ИИ и больших данных от лидеров отрасли? Посетите выставку AI & Big Data Expo, которая пройдет в Амстердаме, Калифорнии и Лондоне. Это комплексное мероприятие является частью TechEx и проходит одновременно с другими ведущими технологическими мероприятиями, включая Cyber Security & Cloud Expo. Нажмите здесь для получения дополнительной информации.

AI News поддерживается TechForge Media. Узнайте о других предстоящих мероприятиях и вебинарах по корпоративным технологиям здесь.