> ## Content Index > Fetch the complete content index at: https://eclibra.com/llms.txt > Use this file to discover other available public pages before exploring further. # Инфраструктурный потолок AI-агентов: почему legacy-системы тормозят внедрение - URL: https://eclibra.com/ai-agent-infrastructure-bottleneck-2026/ - Published: 2026-07-18T05:07:01.000Z - Updated: 2026-07-18T05:07:01.000Z - Description: LinkedIn, Walmart и Zendesk сошлись на VB Transform 2026: модели достаточно хороши, инфраструктура — нет. 79% компаний внедряют AI-агентов, но только 2% развернули их в масштабе. - Author: ByteMaster - Tags: ИИ-инфраструктура и энергия, #mode-4, #hook-statistic, #track-B, #social-signal 79% компаний внедряют AI-агентов. 88% планируют увеличить бюджеты. И только 2% развернули их в production. Разрыв между пилотом и масштабом — центральное противоречие enterprise AI в 2026 году. Агенты уже пишут код, обрабатывают тикеты и управляют цепочками поставок. Но попытка запустить их за пределами демо-среды вскрывает проблему, которую не решить более умной моделью. 🎯 Модели достаточно хороши. Инфраструктура — нет. LinkedIn перешёл от on-demand к pre-provisioned пулам контейнеров, потому что Kubernetes не успевал за агентами. Walmart столкнулся с вирусным принятием agent harness внутри компании — и хаосом из десятков дублирующихся агентов. Zendesk упёрся в data pipeline: 20 миллиардов диалогов нельзя просто скормить LLM с большим контекстным окном. Гэп между пилотом и масштабом — главная проблема enterprise AI в 2026 году. PwC сообщает, что 79% компаний активно внедряют AI-агентов. Capgemini уточняет: только 2% сделали это в масштабе предприятия. Разрыв не в моделях. ## Узкое место не там, где ищут На VB Transform 2026 — конференции VentureBeat в Менло-Парке 14–15 июля — сошлись три инфраструктурных лидера из трёх разных миров. Animesh Singh, senior director of AI platform and infrastructure в LinkedIn. Desiree Gosby, SVP corporate technology services в Walmart. Sami Ghoche, VP applied AI в Zendesk. Каждый пришёл к одному выводу с разных стартовых точек. Инфраструктура, а не модели, оказалась узким местом во всех трёх случаях. И это не случайность, а симптом системной проблемы. Проблемой была инфраструктура, спроектированная для людей, а не для агентов. ## Позиция А: инфраструктура не поспевает за агентами LinkedIn упёрся в Kubernetes. Контейнеры, которые поднимаются по запросу за секунды, — слишком медленные для агентных сценариев. Решение: предварительно выделенные пулы контейнеров, которые переключают агентные нагрузки в реальном времени без ожидания инициализации. Вторая проблема глубже. Когда LinkedIn разрешил агентам контролировать собственную оркестровку, всплыла структурная ошибка: LLM, оценивающая вывод другой LLM, воспроизводит те же сбои, что проверяемый. «Мы построили собственный harness, собственный control flow и сместили LLM на листья графа, а не в центр оркестровки», — сказал Сингх. Около 80% workflow теперь составляет детерминированный код. LLM используются только там, где нужно рассуждение. LinkedIn также построил два независимых слоя: AI gateway — единый интерфейс для всех outbound вызовов к моделям независимо от провайдера — и memory subsystem, хранящую контекст отдельно от модели. Это позволяет переключаться между провайдерами за минуты, а не недели. Walmart ударился в обратную проблему — избыточный успех. Agent harness, выданный сотрудникам, стал вирусным внутри компании. Gosby называет их «citizen developers» — люди без инженерного бэкграунда начали собирать собственных агентов для решения конкретных задач. Результат — десятки дублирующихся агентов без координации. Исправление — не ограничение harness, а построение governance-слоя, который выявляет дубликаты, продвигает лучшую версию и запускает в production без того, чтобы инженерия снова стала узким местом. Zendesk упёрся в данные. Ghoche описывает ситуацию так: в распоряжении компании — 20 миллиардов диалогов с клиентами. Инстинктивное решение — скормить историю LLM с большим контекстным окном и позволить модели генерировать агентов. Это не работает. «Приходится инвестировать в data pipeline и всю инфраструктуру данных, которая с этим связана», — сказал Гош. ## Позиция Б: устаревшая архитектура спроектирована для другого мира Аргумент, объединяющий три кейса: традиционная облачная инфраструктура строилась для stateless, immutable workload. Запрос пришёл — обработался — ушёл. Агенты ломают эту модель. Они поддерживают контекст через сессии. Принимают решения с последствиями. Делегируют задачи другим агентам в multi-hop цепочках. Им нужна авторизация, аудит и управление на каждом шаге. Примитивы, на которых держится современное облако — контейнеры, serverless-функции, сессионная аутентификация — не проектировались для этого. KPMG обнаружил, что 65% IT-лидеров называют сложность систем главным барьером. Исследование AI.cc (июнь 2026) показывает, что 83% enterprise AI-проектов не масштабируются именно из-за инфраструктурных ограничений. Это не проблема моделей. Это проблема архитектуры. ## Данные: три сценария, три решения Каждая компания нашла свой путь, и эти пути не совпадают. LinkedIn пошёл в предварительное выделение ресурсов и разделение orchestration/inference. Walmart — в governance и citizen development. Zendesk — в data infrastructure. Общее — все три движутся к vendor-agnostic архитектуре. LinkedIn построил AI gateway и memory subsystem. Walmart — внутренний gateway для трёх типов workload: полностью детерминированные workflow, planner-and-reasoner для открытых задач и гибрид. Ghoche из Zendesk формулирует тренд так: большинство enterprise предпочли бы владеть собственными моделями и инфраструктурой. Исключение — frontier reasoning, где лаборатории всё ещё лидируют. Но эта доля use cases сокращается относительно всего остального, что enterprise делают с AI. Singh из LinkedIn подтверждает: каждый outbound вызов к LLM — в публичном cloud или on-prem — идёт через единую семантику и единый API. Переключение между провайдерами занимает минуты. Это не optimización. Это новая архитектурная норма. Эти три кейса формируют паттерн. Исследование TGVP (апрель 2026) на основе интервью со 100+ фаундерами в AI-инфраструктуре формализует четыре слоя, которые требуются агентам: memory (персистентный контекст), execution (песочницы с запуском за миллисекунды), tooling (стандартизированная интеграция) и governance. Без хотя бы трёх из них enterprise-агент не дойдёт до production. Для инвесторов это сигнал: рынок agent infrastructure только формируется. Sail Research привлёк $80M при оценке $450M в июне 2026 — первый крупный раунд в категории «инфраструктура для long-horizon AI-агентов». Kleiner Perkins и Sequoia поставили на то, что текущие решения (чистый Kubernetes, serverless, ручная оркестровка) не выдерживают нагрузку. Вероятность: высокая. Gartner прогнозирует отмену 40% проектов к 2027 году именно из-за инфраструктурных ограничений, а не качества моделей. ## Ключевые сигналы для отслеживания 📊 **Ключевые сигналы для отслеживания** Появление стандартизированных протоколов взаимодействия агентов с enterprise-системами — MCP (Model Context Protocol) уже набрал 97M+ SDK-загрузок в месяц Рынок agent infrastructure: Sail Research ($80M при $450M valuation, июнь 2026) — первый крупный раунд в новой категории Регуляторные рамки: Сингапур первым в мире ввёл governance framework для agentic AI (январь 2026) Сдвиг от LLM-as-orchestrator к hybrid workflow: 80% детерминированного кода, LLM — только на листьях ## Сценарии развития #### 🟢 Оптимистичный сценарий (30%) Enterprise-вендоры (AWS, Microsoft, Google) встраивают agent-native примитивы в свои платформы. Kubernetes получает нативную поддержку агентных workload. Рынок agent infrastructure консолидируется вокруг стандартов MCP и OpenTelemetry. **Последствия:** время вывода agent в production сокращается с месяцев до недель. Доля компаний с агентами в масштабе растёт с 2% до 20% за 18 месяцев. #### 🟡 Базовый сценарий (50%) Каждая крупная компания строит собственную agent infrastructure с нуля. LinkedIn, Walmart, Zendesk задают паттерны, но они не стандартизированы. Gartner прогнозирует отмену 40% agentic AI-проектов к 2027 году из-за роста затрат и неясного ROI. **Последствия:** рынок фрагментирован. Победитель — платформы, которые предлагают governance и observability из коробки. #### 🔴 Пессимистичный сценарий (20%) Инфраструктурные ограничения не решаются. Рост числа агентов (прогноз: 100× к 2036 году, до триллионов инстансов) создаёт каскадные перегрузки сетей, edge-шлюзов и ЦОД. Статья AMD/Ericsson/SRC (arXiv, 2026) моделирует этот сценарий. **Последствия:** откат к централизованным архитектурам, ужесточение regulation, замедление внедрения AI в enterprise на 2–3 года. Как мы писали в июле, AI-агенты уже меняют бизнес-модели, но вопрос масштабирования оставался открытым. Данные с VB Transform 2026 подтверждают: узкое место не в моделях, а в инфраструктуре. ## Источники [ Agents think in milliseconds, legacy infrastructure doesn't. LinkedIn, Walmart and Zendesk shared how they closed the gap at VB Transform 2026 Репортаж с панельной дискуссии на VB Transform 2026 — основной источник данных по трём кейсам VentureBeat ](https://venturebeat.com/data/agents-think-in-milliseconds-legacy-infrastructure-doesnt-linkedin-walmart-and-zendesk-shared-how-they-closed-the-gap-at-vb-transform-2026?ref=eclibra.com) VentureBeat — ведущее издание по enterprise AI. Прямая речь участников панели. [ AI Agents: from pilot to scale — Capgemini Research, 2026 Статистика: только 2% компаний развернули AI-агентов в масштабе предприятия Capgemini ](https://www.capgemini.com/insights/research-library/ai-agents/?ref=eclibra.com) Capgemini — глобальный консалтинг, исследование базируется на выборке 1500+ компаний. [ PwC AI Agent Survey 2026 79% компаний внедряют AI-агентов, 88% планируют рост бюджетов PwC ](https://www.pwc.com/us/en/tech-effect/ai-analytics/ai-agent-survey.html?ref=eclibra.com) PwC — большой четверка аудит, ежегодный опрос AI-стратегий enterprise.