Databricks отмечает переход компаний к агентным системам ИИ: организации внедряют умные рабочие процессы.
Первая волна генеративного ИИ обещала перевернуть бизнес, но чаще всего принесла только отдельные чат-боты и застрявшие пилоты. IT-руководители пытались оправдать ожидания при слабой реальной отдаче. Однако свежая телеметрия от Databricks показывает: ситуация меняется к лучшему.
Данные свыше 20 000 организаций, включая 60% из Fortune 500, демонстрируют быстрый рост «агентных» архитектур. Модели здесь не просто выдают информацию, а самостоятельно разрабатывают планы и выполняют задачи.
Такая эволюция кардинально меняет подход к инженерным ресурсам. С июня по октябрь 2025 года применение многоагентных процессов на платформе Databricks увеличилось на 327%. Это признак того, что ИИ входит в базовую архитектуру систем.
Супервизор-агент ведёт к массовому внедрению агентного ИИ
Рост обеспечивают супервизор-агенты. Они не нагружают одну модель всеми запросами, а выступают координаторами: разбирают сложные задания и передают их специализированным подагентам или инструментам.
С запуска в июле 2025 года супервизор-агент занял лидирующую позицию среди сценариев — 37% использования к октябрю. Это отражает реальные структуры компаний: руководитель не делает всю работу сам, а распределяет её по команде. Супервизор-агент тоже сначала определяет цели и проверяет соответствие правилам, а потом направляет задачи к профильным средствам.
IT-компании лидируют, создавая почти в четыре раза больше многоагентных систем, чем другие отрасли. Применение шире: например, в финансовой сфере такая система может параллельно извлекать документы и обеспечивать соблюдение регуляций, выдавая клиенту проверенный ответ без людей.
Классическая инфраструктура не справляется
Когда агенты переходят от ответов на вопросы к реальным действиям, данные инфраструктуры испытывают новые нагрузки. Традиционные OLTP-базы создавались для операций на скорости человека с предсказуемыми транзакциями и редкими изменениями схем. Агентные процессы всё меняют.
ИИ-агенты генерируют постоянные потоки чтения и записи высокой частоты, часто создавая и удаляя окружения для тестов кода или сценариев. Масштаб виден в телеметрии: два года назад агенты создавали 0,1% баз данных, сейчас — 80%.
Кроме того, 97% тестовых и разработческих окружений для баз строят ИИ-агенты. Это позволяет разработчикам и вайб-кодерам запускать временные среды за секунды вместо часов. С паблик-превью Databricks Apps появилось свыше 50 000 приложений для данных и ИИ, с ростом 250% за последние полгода.
Стандарт на несколько моделей
Зависимость от одного поставщика — риск для бизнеса при масштабе агентного ИИ. Данные показывают: компании избегают этого через мультимодельные подходы. К октябрю 2025 года 78% используют две и более семьи LLM вроде ChatGPT, Claude, Llama и Gemini.
Сложность растёт: доля компаний с тремя и более семьями LLM подскочила с 36% до 59% за август-октябрь 2025 года. Так команды отправляют простые задачи на компактные и дешёвые модели, а тяжёлые расчёты — на передовые.
Ритейл впереди: 83% применяют две и более семей моделей для баланса цены и отдачи. Единая платформа для проприетарных и открытых моделей становится обязательной в стеке enterprise ИИ.
В отличие от батч-обработки в big data, агентный ИИ работает в реальном времени: 96% запросов на инференс обрабатываются мгновенно.
Это заметно в отраслях, где задержки бьют по ценности. В IT на 32 реал-тайм запроса приходится один батч. В здравоохранении и life sciences, с мониторингом пациентов или поддержкой решений, соотношение 13:1. IT-лидерам нужна инфраструктура инференса, выдерживающая пики без потерь в опыте пользователей.
Управление ускоряет запуск ИИ в продакшен
Неожиданно для многих: управление и оценки не тормозят, а ускоряют внедрение. Строгие фреймворки управления ИИ помогают выводить проекты в продакшен.
Компании с инструментами управления ИИ запускают в 12 раз больше проектов, чем без них. С оценками качества моделей — почти в 6 раз больше.
Логика проста: управление даёт рамки — правила использования данных, лимиты запросов, — что убеждает заинтересованных в одобрении. Без контроля пилоты застревают на стадии прототипов из-за неясных рисков безопасности и compliance.
Ценность агентного ИИ в рутинной автоматизации бизнеса
Автономные агенты кажутся футуризмом, но сейчас в бизнесе ценны за автоматизацию скучной, но нужной рутины. Топ-применения зависят от отрасли, но решают конкретные задачи:
- Производство и автопром: 35% случаев — предиктивное обслуживание.
- Здравоохранение и life sciences: 23% — синтез медицинской литературы.
- Ритейл и потребительские товары: 14% — анализ рынка.
Ещё 40% топ-применений касаются клиентских нужд: поддержка, продвижение, онбординг. Такие задачи дают ощутимую эффективность и готовят почву для сложных агентных процессов.
Для топ-менеджеров путь вперёд — меньше внимания «магии» ИИ, больше — инженерной дисциплине вокруг него. Dael Williamson, EMEA CTO в Databricks, подчёркивает смену фокуса.
По его словам, в компаниях EMEA разговоры ушли от экспериментов к реальной эксплуатации. Агенты ИИ уже берут на себя ключевые участки инфраструктуры, а успех имеют те, кто делает управление и оценки базой, а не дополнением.
Williamson акцентирует: преимущество возвращается к тому, как строят системы, а не что покупают. Открытые платформы дают применять ИИ к собственным данным бизнеса, а не зависеть от готовых фич для сиюминутной продуктивности без долгосрочного отрыва от конкурентов.
В строго регулируемых рынках такая открытость с контролем отличает пилоты от настоящего преимущества.