Согласно новому отчету DatabricksВ настоящее время ландшафт корпоративного ИИ претерпевает кардинальные изменения. Организации выходят за рамки простых чат-ботов и пилотных программ, внедряя интеллектуальные решения. агентные системы которые переопределяют операционные рабочие процессы.

Первая волна генеративного ИИ характеризовалась высокими ожиданиями, но зачастую ограниченной полезностью. Лидеры технологической отрасли боролись с разрозненными инструментами, которые не смогли обеспечить существенную экономическую выгоду. Однако новые данные телеметрии от Databricks указывают на переломный момент. Рынок созревает, и теперь основное внимание уделяется автономным агентам, способным планировать и выполнять сложные задачи.

Данные, полученные от более чем 20 000 организаций, включая 60 процентов компаний из списка Fortune 500, показывают быструю миграцию к архитектурам, в которых модели ИИ не просто извлекают информацию, но и независимо управляют рабочими процессами. Эта эволюция представляет собой фундаментальное перераспределение инженерных ресурсов: использование многоагентных рабочих процессов на платформе Databricks выросло на 327 процентов в период с июня по октябрь 2025 года.

Возникновение «агента-супервайзера»

Ключевым элементом этого роста является концепция «Супервайзер-агент»Вместо того чтобы полагаться на монолитную модель обработки каждого запроса, супервизор выступает в роли координатора. Он разбивает сложные запросы пользователей на части и делегирует конкретные задачи специализированным суб-агентам или инструментам, подобно руководителю проекта в команде.

С момента своего запуска в июле 2025 года, агент-супервайзер быстро стал доминирующим вариантом использования агентов, на его долю к октябрю пришлось 37 процентов всего использования. Эта структура отражает эффективную организационную иерархию: менеджер обеспечивает выполнение, не выполняя каждую задачу лично. Аналогично, агент-супервайзер управляет обнаружением намерений, проверками соответствия и маршрутизацией к специализированным инструментам.

Хотя технологические компании в настоящее время лидируют в этом направлении, создавая почти в четыре раза больше многоагентных систем, чем любая другая отрасль, полезность агентного ИИ выходит далеко за рамки технологий. Например, финансовые компании внедряют многоагентные системы для одновременного выполнения сложных задач по поиску документов и соблюдению нормативных требований, предоставляя проверенные ответы клиентам без участия человека.

Инфраструктура под давлением: реальность в реальном времени

По мере того, как агенты ИИ переходят от ответов на вопросы к выполнению задач, базовая инфраструктура данных сталкивается с беспрецедентными требованиями. Традиционные базы данных для обработки онлайн-транзакций (OLTP), разработанные для взаимодействия со скоростью человека, работают на пределе своих возможностей. Рабочие процессы агентов переворачивают эти предположения с ног на голову, генерируя непрерывные, высокочастотные шаблоны чтения и записи.

Масштабы этой автоматизации поражают воображение. Два года назад агенты искусственного интеллекта создавали всего 0,1 процента баз данных. Сегодня эта цифра впечатляет. 80 процентовКроме того, 97 процентов сред тестирования и разработки баз данных теперь запускаются с помощью агентов искусственного интеллекта, что позволяет разработчикам создавать временные среды за секунды, а не за часы.

В отличие от традиционного подхода к обработке больших данных и пакетной обработке, агентный ИИ работает преимущественно в режиме реального времени. В отчете подчеркивается, что 96 процентов всех запросов на получение информации обрабатываются в режиме реального времени.Этот сдвиг особенно заметен в секторах, где задержка напрямую коррелирует со стоимостью, таких как здравоохранение и финансы.

Многомодельный стандарт и независимость от поставщика

Зависимость от поставщика остается постоянным риском для руководителей предприятий. Для смягчения этого риска организации активно внедряют многомодельные стратегии. По состоянию на октябрь 2025 года, 78 процентов компаний использовали две или более семейств больших языковых моделей (LLM).такие как ChatGPT, Claude, Llama и Gemini.

Сложность этого подхода постоянно растет. Доля компаний, использующих три или более семейства моделей, значительно увеличилась — с 36 до 59 процентов всего за два месяца. Такое разнообразие позволяет инженерным группам направлять более простые задачи на более мелкие и экономически эффективные модели, оставляя при этом перспективные модели для сложных задач логического мышления.

Управление как ускоритель

Пожалуй, наиболее парадоксальным для многих руководителей является взаимосвязь между управлением и скоростью внедрения. Строгие системы управления и оценки, часто рассматриваемые как узкое место, выступают в качестве ускорителей развертывания производства.

Организации, использующие инструменты управления на основе ИИ, превзошли В производство запущено в 12 раз больше проектов в области ИИ. По сравнению с теми, кто этого не делает. Аналогично, компании, использующие инструменты оценки для систематической проверки качества моделей, достигают почти в шесть раз большего количества развертываний в производственной среде. Управление обеспечивает необходимые механизмы контроля — такие как определение использования данных и установление ограничений скорости — что дает заинтересованным сторонам уверенность в одобрении развертывания.

Ценность «скучной» автоматизации

Хотя автономные агенты часто вызывают ассоциации с футуристическими возможностями, в настоящее время ценность ИИ для предприятий заключается в автоматизации рутинных, повседневных задач. Основные варианты применения ИИ различаются в зависимости от сектора, но в основном сосредоточены на решении конкретных, практических бизнес-задач:

• Производство и автомобилестроение: 35% сценариев использования ориентированы на прогнозируемое техническое обслуживание.
• Здравоохранение и медико-биологические науки: 23% случаев использования связаны с анализом медицинской литературы.
• Розничная торговля и потребительские товары: 14% сценариев использования посвящены анализу рынка.

Кроме того, 40 процентов наиболее популярных сценариев использования ИИ направлены на решение практических проблем клиентов, таких как поддержка, защита интересов и адаптация. Эти приложения обеспечивают измеримую эффективность и укрепляют организационные возможности, необходимые для более сложных рабочих процессов с участием агентов.

Для высшего руководства дальнейший путь предполагает меньшее внимание к «магии» ИИ и больше к инженерной точности, лежащей в его основе. Конкурентное преимущество смещается в сторону того, как компании создают, а не просто что они покупают. Открытые, совместимые платформы позволяют организациям применять ИИ к собственным корпоративным данным, создавая долгосрочные преимущества на рынках с жестким регулированием.