Агентный ИИ нуждается в органах чувств для работы с операционными данными

При поддержке Splunk

Организации в самых разных отраслях спешат воспользоваться преимуществами агентного ИИ. Перспективы повышения цифровой устойчивости выглядят заманчиво — речь идет о потенциальном переходе компаний от реактивных операций к превентивным.

Однако в том, как большинство организаций подходят к этой трансформации, заложен фундаментальный изъян.

Мы строим мозг без органов чувств

Зайдите в любой зал заседаний, где обсуждается стратегия внедрения ИИ, и вы услышите бесконечные споры об LLM (больших языковых моделях), механизмах рассуждения и кластерах графических процессоров. В дискуссиях доминируют «мозг» (какие модели использовать) и «тело» (на какой инфраструктуре их запускать).

Чего же здесь демонстративно не хватает? Любых серьезных обсуждений об органах чувств — тех операционных данных, которые необходимы агентам ИИ для восприятия окружающей среды и ориентации в ней.

Это не второстепенное упущение. Это концептуальная ошибка, которая определит, какие организации успешно развернут агентный ИИ, а какие создадут дорогостоящий и опасный хаос.

Вспомните аналогию с беспилотным автомобилем. У вас может быть самая сложная в мире система искусственного интеллекта для автономного вождения, но без лидаров, камер, радаров и потоков данных с датчиков в реальном времени такой ИИ бесполезен. Хуже чем бесполезен — он опасен.

Тот же принцип применим и к корпоративному агентному ИИ. Агенту ИИ, которому поручено реагирование на инциденты безопасности, оптимизация инфраструктуры или оркестрация клиентского сервиса, для работы необходимы непрерывные, контекстные и высококачественные машинные данные. Без них вы просите агентов принимать критически важные решения с завязанными глазами.

Три критически важных органа чувств, необходимых агентам

Чтобы агентный ИИ успешно функционировал в корпоративной среде, ему требуются три базовые сенсорные возможности:

1. Оперативная осведомленность в реальном времени: агентам необходимы непрерывные потоки телеметрии, журналов, событий и метрик по всему технологическому стеку. Это не пакетная обработка; это «живые» данные, поступающие от приложений, инфраструктуры, инструментов безопасности и облачных платформ. Когда агент безопасности обнаруживает аномальное поведение, ему нужно видеть, что происходит прямо сейчас, а не час назад.

2. Контекстное понимание: «сырых» потоков данных недостаточно. Агентам необходима способность мгновенно сопоставлять информацию из разных доменов. Всплеск неудачных попыток входа в систему сам по себе ничего не значит. Но если сопоставить его с недавними изменениями инфраструктуры и необычным сетевым трафиком, перед нами внезапно предстает подтвержденный инцидент безопасности. Именно этот контекст отделяет полезный сигнал от шума.

3. Историческая память: эффективные агенты понимают закономерности, базовые показатели и аномалии с течением времени. Им нужен доступ к историческим данным, которые обеспечивают контекст: Как выглядит норма? Случалось ли это раньше? Эта память позволяет агентам отличать рутинные колебания от реальных проблем, требующих вмешательства.

Скрытая стоимость «долгового бремени данных»

Здесь ситуация становится неприятной для большинства организаций: инфраструктура данных, необходимая для успешного внедрения агентного ИИ, годами пылилась в списке дел под названием «когда-нибудь займемся».

В традиционной аналитике низкое качество данных приводит к замедлению получения аналитических выводов. Это неприятно, но не катастрофично. Однако в агентных средах такие проблемы немедленно перерастают в операционные сбои:

• Противоречивые решения: агенты мечутся между бездействием и инициализацией ненужных аварийных переключений, поскольку фрагментированные источники данных противоречат друг другу.

• Застои в автоматизации: рабочие процессы обрываются на полпути, так как у агента нет видимости зависимостей системы или зон ответственности.

• Ручное восстановление: в случае сбоев команды тратят дни на восстановление картины происшествия, поскольку отсутствует четкая линия происхождения данных, способная объяснить действия агента.

Высокая скорость работы агентного ИИ не скрывает эти проблемы с данными — она обнажает и усиливает их на машинной скорости. То, что раньше было квартальной инициативой по наведению порядка в данных, теперь превратилось в экзистенциальный операционный риск.

Что строят компании-лидеры

Организации, которые будут доминировать в эпоху агентов, — это не те, кто разворачивает больше всего агентов или использует самые навороченные модели. Это те, кто осознал, что инфраструктура агентного восприятия и есть главный конкурентный дифференциатор.

Эти лидеры инвестируют в четыре важнейшие возможности, каждая из которых лежит в основе архитектуры Cisco Data Fabric:

1. Унифицированные данные в бесконечном масштабе и с конечными затратами: Превращение разрозненных инструментов мониторинга в единую операционную платформу данных является обязательным условием. Для поддержки автономных операций в реальном времени организациям необходима инфраструктура данных, способная эффективно масштабироваться для работы с наборами данных петабайтного уровня. Крайне важно, чтобы это достигалось экономически эффективными методами, такими как многоуровневое хранение, федерация и автоматизация на базе ИИ. Подлинно автономные операции возможны только тогда, когда унифицированные платформы данных обеспечивают как высокую производительность, так и экономическую устойчивость.

2. Встроенный контекст и корреляция: Передовые организации переходят от сбора «сырых» данных к предоставлению информации, уже обогащенной контекстом. В рабочий процесс данных должны быть заложены взаимосвязи между системами, зависимости между сервисами и влияние технических компонентов на бизнес. Это гарантирует, что агенты будут тратить меньше времени на поиск контекста и больше — на действия на его основе.

3. Прослеживаемая линия происхождения (lineage) и управление: В мире, где агенты ИИ принимают судьбоносные решения, возможность ответить на вопрос «почему агент поступил именно так?» является обязательной. Организациям требуется полная история происхождения данных, точно показывающая, какая информация легла в основу каждого решения. Это нужно не только для отладки; это критически важно для соблюдения нормативов, аудита и формирования доверия к автономным системам.

4. Открытые, совместимые стандарты: Агенты не работают в вакууме одного вендора. Им необходимо считывать информацию с разных платформ, от облачных провайдеров и локальных систем. Это требует приверженности открытым стандартам и API-интеграциям. Организации, запирающие себя в рамках проприетарных форматов данных, обнаружат, что их агенты действуют в условиях частичной слепоты.

Главный конкурентный вопрос

По мере того как мы глубже погружаемся в 2026 год, стратегический вопрос звучит вовсе не так: «Сколько агентов ИИ мы можем развернуть?»

А вот как: «Способны ли наши агенты точно, непрерывно и в полном контексте чувствовать то, что на самом деле происходит в нашей среде?»

Если ответ отрицательный, приготовьтесь к хаосу эпохи агентов.