DigitalOcean берется за расходы на ИИ-инференс

При поддержке DigitalOcean

От рефакторинга кодовых баз до отладки продакшн-кода — ИИ-агенты уже доказывают свою ценность. Однако их масштабирование в продакшене остается скорее исключением, чем правилом.

Согласно исследовательскому отчету DigitalOcean Currents за 2026 год, основанному на опросе более 1100 разработчиков, технических директоров и основателей стартапов, 67% организаций, использующих агентов, отмечают рост производительности. Между тем 60% респондентов считают, что приложения и агенты представляют наибольшую долгосрочную ценность в стеке ИИ. Тем не менее, лишь 10% занимаются масштабированием агентов в продакшене. 

Главная преграда? 49% респондентов называют высокую стоимость инференса. Дело не только в цене отдельного API-запроса. Проблема кроется в кумулятивных расходах по мере того, как агенты объединяют задачи в цепочки и работают автономно. Почти половина опрошенных теперь тратят 76–100% своего ИИ-бюджета исключительно на инференс. Эту проблему и пытается решить DigitalOcean. Необходима инфраструктура, спроектированная с учетом экономики инференса: предсказуемая производительность, контроль затрат при нагрузке и меньшее количество промежуточных звеньев. Именно так 2026 год должен стать годом, когда агенты перейдут из стадии пилотных проектов в полноценные продукты.

52% компаний активно внедряют ИИ-решения (включая агентов)

Всего год назад, когда мы проводили этот опрос, лишь 35% респондентов активно внедряли ИИ-решения — большинство все еще находилось на стадии изучения или реализации первых проектов. Теперь этот показатель составляет 52%. Переход от «давайте посмотрим, на что это способно» к «давайте запустим это в продакшн» идет полным ходом.

За этими цифрами скрывается настоящий бум агентов. 46% таких респондентов развертывают именно ИИ-агентов — автономные системы, которые выполняют задачи самостоятельно, не дожидаясь инструкций на каждом шаге. Одним из недавних примеров является OpenClaw (ранее известный как Moltbot и Clawdbot) — опенсорсный ассистент, который подключается к мессенджерам, просматривает веб-страницы, выполняет команды оболочки (shell) и решает задачи в автономном режиме.

Куда направляются эти агенты? В основном в сферы написания кода и операционной деятельности:

• 54% выбрали генерацию и рефакторинг кода, что делает это направление явным лидером

• 49% автоматизируют внутренние операционные процессы

• 45% создают службу поддержки и чат-ботов

• 43% сосредоточены на бизнес-логике и оркестрации задач

• 41% используют агентов для генерации текстового контента

• 27% занимаются автоматизацией маркетинговых рабочих процессов

• 21% проводят анализ данных

Разработчики возглавляют этот процесс. Например, в Y Combinator сообщили, что четверть его стартапов зимнего набора 2025 года создавали кодовые базы, которые на 95% сгенерированы искусственным интеллектом. Кроме того, появилось то, что Андрей Карпати называет «вайб-кодингом» (vibe coding) — когда вы описываете желаемое на обычном языке и позволяете ИИ написать код.

Инструменты разделились под различные рабочие процессы. Cursor встраивает ИИ в форк VS Code для точечных правок и быстрой итерации. Claude Code работает в терминале для более глубоких задач в масштабах целых репозиториев. Но оба инструмента уже давно вышли за рамки автодополнения. Теперь они функционируют в рамках агентских циклов: читают файлы, запускают тесты, выявляют сбои и выполняют итерации до тех пор, пока сборка не пройдет успешно. Вы описываете функцию. Агент ее реализует. Некоторые сессии длятся часами — без участия человека за клавиатурой.

Но агенты созданы не только для инженеров. Они проникают в маркетинг, работу с клиентами и операционную деятельность. Мы видим это и внутри компании DigitalOcean. Экспериментальные показы и хакатоны продемонстрировали демоверсии ИИ-воркфлоу для масштабного тестирования рекламных текстов, персонализации электронной почты и приоритизации экспериментов по росту.

67% организаций, использующих агентов, отмечают измеримый рост производительности

Вопрос производительности — это то, о чем спрашивают все: действительно ли агенты приносят результаты или это по-прежнему хайп? Данные говорят в пользу первого. В целом 67% организаций, использующих агентов, отмечают измеримый прирост производительности. А для некоторых этот скачок весьма существенен: 9% респондентов сообщили об увеличении производительности на 75% и более. 

На вопрос о том, какие результаты они заметили от использования ИИ-агентов:

• 53% ответили — повышение производительности и экономия времени сотрудников

• 44% сообщили о появлении новых бизнес-возможностей

• 32% отметили снижение потребности в найме дополнительных сотрудников

• 27% зафиксировали измеримую экономию средств

• 26% сообщили об улучшении клиентского опыта

Внутреннее исследование компании Anthropic изучает возможности, которые открывают эти технологии: когда компания проанализировала, как ее собственные инженеры используют Claude Code, оказалось, что более четверти работы с поддержкой ИИ состояло из задач, которые просто не были бы выполнены в иных условиях. Сюда входит масштабирование проектов и создание внутренних инструментов. Сюда же относится и исследовательская работа, на которую раньше не стоило тратить время, а теперь — стоит.

Что подстегивает показатели производительности еще сильнее? Агенты учатся работать в команде. Выпуск компании Google Agent Development Kit в качестве открытого фреймворка ознаменовал переход от одноцелевых агентов к скоординированным мультиагентным системам, которые способны находить друг друга, обмениваться информацией и сотрудничать независимо от вендора или платформы. 

Тем не менее, 14% пока не увидели пользы, а 19% считают, что оценивать результаты еще рано. Судя по нашим наблюдениям, 2025 год во многом прошел под знаком прототипирования и экспериментов, а 2026-й формируется как год, когда все больше команд выводят агентов в продакшн.

60% делают ставку на приложения и агентов как на главную возможность в сфере ИИ

Бюджеты следуют за результатами. ИИ остается активной областью инвестиций для подавляющего большинства организаций: лишь 4% респондентов заявили, что не планируют инвестировать в ИИ в течение следующих 12 месяцев. И там, где организации видят прирост производительности, они удваивают усилия — на уровне приложений, а не базовой инфраструктуры. 

Отвечая на вопрос о том, где респонденты ожидают роста бюджетов в ближайшие 12 месяцев, 37% указали на приложения и агенты, что более чем в два раза превышает долю инфраструктуры (14%) или платформ (17%). Долгосрочный взгляд выглядит еще более убедительно: 60% видят в приложениях и агентах главную возможность в ИИ-стеке, по сравнению всего с 19% для инфраструктуры. 

Рыночные данные подтверждают это. Согласно одному из отчетов, в 2025 году уровень приложений принес 19 миллиардов долларов — более половины всех расходов на генеративный ИИ. Инструменты для написания кода вышли на первое место с показателем в 4 миллиарда долларов, составив 55% от корпоративных расходов на ИИ по отделам и став крупнейшей категорией во всем стеке. Организации делают ставку на то, что уровень приложений, где ИИ непосредственно взаимодействует с пользователями и рабочими процессами, будет иметь меньшее значение, чем лежащие в основе компоненты.

49% называют стоимость запуска ИИ в масштабе главным барьером на пути к росту

Агенты работают только тогда, когда вы можете их запустить. И в данный момент узким местом является инференс. В отличие от обучения, которое представляет собой фиксированные первоначальные инвестиции для создания модели, каждый запрос к агенту генерирует токены, влекущие за собой расходы. Эти затраты накапливаются с каждым шагом рассуждения, повторной попыткой и циклом самокоррекции. В масштабе это превращает инференс в операционные расходы, которые могут превысить первоначальные инвестиции в саму модель.

Когда мы спросили респондентов, что ограничивает их способность масштабировать ИИ, 49% назвали высокую стоимость масштабного инференса главным барьером. Это согласуется с тем, куда направляются бюджеты: 44% респондентов теперь тратят основную часть своего ИИ-бюджета (76–100%) именно на инференс, а не на обучение.

Но решение проблем с инференсом не должно ложиться на плечи разработчиков. 

Сложность оптимизации конфигураций графических процессоров (GPU), управления стратегиями распараллеливания и тонкой настройки инфраструктуры обслуживания моделей — это вовсе не та работа, которую большинство команд должны выполнять самостоятельно. Это сложность инфраструктурного уровня, и облачные провайдеры должны взять ее на себя.

В DigitalOcean это лежит в основе нашего подхода к Gradient™ AI Inference Cloud. Мы инвестируем в оптимизацию инференса, чтобы командам, с которыми мы работаем, не приходилось делать это самим. Character.ai — отличный пример: они обратились к нам с потребностью снизить затраты на инференс без ущерба для производительности или задержек. Мигрировав на нашу облачную инференс-платформу и тесно сотрудничая с нашей командой и AMD, они удвоили пропускную способность инференса в продакшене и сократили стоимость одного токена на 50%. 

Именно такие результаты становятся возможными, когда платформа берет на себя всю тяжелую работу. По мере перехода агентов от пилотов к продакшну успешное масштабирование ждет те компании, которые не застряли в попытках самостоятельно решить проблему инференса. 

Уэйд Вегнер (Wade Wegner) — директор по экосистеме и развитию в DigitalOcean.

Спонсорские статьи — это контент, подготовленный компанией, которая либо оплачивает публикацию, либо имеет деловые отношения с VentureBeat, и они всегда четко маркируются. Для получения дополнительной информации обращайтесь по адресу sales@venturebeat.com.