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.
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
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%)
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%)
Последствия: рынок фрагментирован. Победитель — платформы, которые предлагают governance и observability из коробки.
🔴 Пессимистичный сценарий (20%)
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.
