Актуально на июнь 2026

AI Агенты:
Anthropic & Google
прямо сейчас

Как ведущие AI-лаборатории и крупнейшие компании мира используют агентов в реальных рабочих процессах, какие задачи они решают сегодня, и что придёт в ближайшие 12–24 месяца. Конкретные кейсы, шаги, архитектуры.

Claude Code Dynamic Workflows

Gemini Enterprise Platform

Multi-agent swarms

750k строк за 11 дней

01 — Что происходит прямо сейчас

1. Мультиагентная оркестрация — главный архитектурный сдвиг

Это ключевой тренд 2026 года. Одиночные универсальные агенты вытесняются оркестрированными командами специализированных агентов. Gartner зафиксировал рост запросов по мультиагентным системам на 1445% с Q1 2024 по Q2 2025. Ведущие организации внедряют «оркестраторов-дирижёров», которые координируют агентов-специалистов: агент-исследователь собирает информацию, агент-кодировщик реализует решения, агент-аналитик проверяет результаты.

По данным Anthropic, организации в 2026 году могут задействовать несколько агентов, работающих совместно, для решения задач, которые год назад казались неразрешимыми. Архитектура строится по принципу: оркестратор координирует специализированных суб-агентов, каждый из которых имеет собственный контекст и работает параллельно. Zapier развернул внутри компании 800+ ИИ-агентов с уровнем AI-adoption 89% по всей организации.

2. Стандартизация протоколов: MCP и A2A — «HTTP для агентов»

Это, пожалуй, самое структурно значимое событие 2026 года. MCP (Model Context Protocol) от Anthropic и A2A (Agent-to-Agent Protocol) от Google устанавливают базовые стандарты интероперабельности — аналог HTTP для агентного интернета. MCP стандартизирует подключение агентов к инструментам, базам данных и API. A2A идёт дальше — определяет, как агенты от разных вендоров общаются между собой. Linux Foundation создала Agentic AI Foundation как постоянную управляющую структуру для обоих протоколов — MCP и A2A. Её соучредители: OpenAI, Anthropic, Google, Microsoft, AWS и Block. Практическая логика проста: MCP обеспечивает вертикальное соединение агента с инструментами и источниками данных; A2A — горизонтальную координацию между самими агентами. Любая продакшн-система в 2026 году требует обоих протоколов. К концу 2025 года было развёрнуто более 10 000 публичных MCP-серверов. Впоследствии MCP был передан Agentic AI Foundation, превратившись в открытую инфраструктуру. Нативная поддержка A2A встроена в Google Agent Development Kit, LangGraph, CrewAI, LlamaIndex Agents, Semantic Kernel и AutoGen. Google ADK достиг стабильных релизов v1.0 для Python, Go и Java.

02 — Анатомия современного AI агента

Прежде чем разбирать конкретные кейсы — важно понимать из чего состоит агент в 2026 году. Это уже не просто LLM с инструментами.

Запрос пользователя / триггер │ ▼ ┌─────────────────────────────────────────────────┐ │ Orchestrator (LLM) │ │ • Анализирует задачу │ │ • Пишет orchestration script │ │ • Решает: один агент или swarm? │ └──────────────────┬──────────────────────────────┘ │ ┌────────────┼────────────┐ ▼ ▼ ▼ ┌──────────┐ ┌──────────┐ ┌──────────┐ │Agent #1 │ │Agent #2 │ │Agent #N │ │(generator│ │(generator│ │(validator│ │ subtask) │ │ subtask) │ │ refuter) │ └────┬─────┘ └────┬─────┘ └────┬─────┘ │ │ │ ▼ ▼ ▼ [Tools] [Tools] [Tools] filesystem web search code runner databases APIs browser git Slack/Jira terminal │ │ │ └─────────────┴─────────────┘ │ ▼ Synthesis + Verification │ ▼ Ответ пользователю

Четыре принципиальных изменения относительно 2024 года

Persistent state. Агенты помнят контекст не минуты, а дни и недели. Google поддерживает multi-day workflows; Claude Cowork хранит историю проекта.
Generator-Validator цикл. Одни агенты генерируют решение, другие пытаются его опровергнуть. Итерации продолжаются до консенсуса — это качественно другой уровень надёжности.
Агент пишет собственный план. В Dynamic Workflows Claude сам пишет JavaScript orchestration script — не следует заранее написанному workflow, а создаёт его под конкретную задачу.
A2A (Agent-to-Agent) протокол. Google анонсировал стандарт для коммуникации между агентами разных вендоров. Агент-закупщик может делегировать агенту-юристу проверку договора, даже если они от разных компаний.

03 — Anthropic Claude Code & Dynamic Workflows

28 мая 2026 года Anthropic открыл research preview Dynamic Workflows — архитектурный сдвиг в том, как агенты работают с большими задачами. Главный тезис Anthropic: «Некоторые задачи слишком велики для одного прохода одного агента».

Как работает Dynamic Workflows — пошагово

Шаг 1 — Пользователь формулирует задачу (упоминает слово «workflow»)

«Run a security workflow across the entire payment service codebase and find all potential SQL injection points». Ключевое слово workflow активирует новый режим.

Шаг 2 — Orchestrator пишет JavaScript orchestration script

Claude анализирует задачу и генерирует JS-скрипт, который описывает декомпозицию: какие субагенты нужны, какие инструменты они используют, в каком порядке синтезировать результаты. Скрипт — это план, не просто промпт.

Шаг 3 — Runtime исполняет скрипт в фоне

Отдельный runtime (не LLM) выполняет orchestration script. Сессия пользователя остаётся отзывчивой. Промежуточные результаты живут в переменных скрипта, а не в context window модели — это предотвращает переполнение контекста.

Шаг 4 — Generator субагенты атакуют задачу параллельно

Десятки или сотни субагентов запускаются одновременно. Каждый работает с изолированным подзаданием: один анализирует файл auth.py, другой — payment.py, третий — API endpoints. Параллелизм — главный источник скорости.

Шаг 5 — Validator субагенты пытаются опровергнуть найденное

Это ключевой элемент generator-validator цикла. Специальные агенты-ревьюеры получают результаты генераторов и активно ищут ошибки, ложные срабатывания, упущенные случаи. Цикл повторяется до консенсуса.

Шаг 6 — Synthesis: консолидированный отчёт

Только финальный результат возвращается в сессию пользователя — не пошаговая переписка с каждым субагентом. Пользователь видит: «Найдено 7 SQL injection уязвимостей, 3 критических. Вот конкретные строки и патчи.»

⚠️

Token cost. Каждый субагент оплачивает собственный context overhead. Workflow из 500 агентов на Claude Opus 4.8 может стоить в 10× больше обычной сессии. Anthropic рекомендует начинать с хорошо ограниченных задач, чтобы откалибровать расход.

Где доступно

Claude Code CLI, Desktop, VS Code extension
Claude API, Amazon Bedrock, Vertex AI, Microsoft Foundry
Планы: Max, Team, Enterprise
Лимит: до 1 000 субагентов в одном workflow

04 — Кейс Порт Bun runtime: 750 000 строк за 11 дней

Jarred Sumner, создатель Bun (JavaScript runtime конкурирующий с Node.js), переписал runtime с Zig на Rust. Объём: ~750 000 строк нового Rust кода. Результат до Dynamic Workflows: оценка — несколько месяцев команды. Фактический результат: 11 дней.

Как это было устроено — три параллельных workflow

🗺️

Workflow 1: Lifetime Mapping

Один workflow обошёл всю кодовую базу Zig и замапировал lifetime для каждого struct field. Создал словарь: «это поле живёт столько-то, зависит от того-то». Результат стал входом для Workflow 2.

✍️

Workflow 2: Code Generation

Сотни субагентов параллельно писали .rs файлы, опираясь на lifetime map. На каждый файл — 2 reviewer агента. Один пишет, второй сразу ревьюит и требует правок до мержа.

🔧

Workflow 3: Fix Loop

Агенты непрерывно запускали build + test suite и чинили compilation errors. Работа продолжалась итерациями до тех пор, пока тест-сьют не прошёл на 99.8% от исходного.

Детальная схема Workflow 2 (Code Generation)

Orchestrator получает: lifetime_map.json (output Workflow 1) │ ├── Разбить на N батчей по файлам (N = кол-во zig файлов) │ └── Для каждого батча запустить параллельно: │ ├── Generator Agent │ input: zig_file.zig + lifetime_map.json │ action: пишет rust_file.rs │ tools: file_read, file_write, rust_syntax_check │ └── Reviewer Agent × 2 (параллельно) input: zig_file.zig + rust_file.rs action: проверяет корректность перевода output: APPROVED / CHANGES_REQUESTED + diff │ ├── APPROVED × 2 → файл принят └── CHANGES_REQUESTED → Generator перепишет (max 3 итерации) После завершения всех батчей: Synthesis Agent собирает статистику + список проблемных файлов

🎯

Почему это важно. До Dynamic Workflows такой порт означал: несколько senior инженеров × несколько месяцев × риск потерять семантику при ручной переписке. С Workflows: один инженер + 11 дней + 99.8% тестов зелёные. Это не просто быстрее — это другой класс возможностей.

05 — Кейс Klarna: Security Audit Production Codebase

Alessio Vallero, Senior Engineering Manager в Klarna, использовал Dynamic Workflows для security audit продакшн кодовой базы финтех-компании (миллионы транзакций в день, строгие регуляторные требования).

Задача

Найти потенциальные уязвимости (SQL injection, XSS, небезопасная работа с токенами, открытые секреты в коде) по всей production кодовой базе нескольких микросервисов. Ручной security review такого масштаба — работа на недели.

Что сделал агент — пошагово

Orchestrator построил план. Claude проанализировал структуру репозиториев и решил разбить audit на 4 параллельных потока: SQL injection, secrets in code, authentication flows, dependency vulnerabilities.
Статический анализ субагентами. Каждый поток получил десятки субагентов. Например, поток «secrets in code»: агенты обошли все файлы, ища паттерны API ключей, hardcoded паролей, незашифрованных credentials.
Cross-validation. Каждое подозрительное место проверялось независимо двумя агентами. Ложные срабатывания (например, test fixtures) фильтровались на этом этапе.
Contextual analysis. Для каждой найденной уязвимости отдельный агент анализировал контекст: насколько критична, есть ли mitigation, затронуты ли production данные.
Report generation. Synthesis агент собрал финальный отчёт: критические → высокие → средние, с конкретными строками кода, объяснением риска и предложенным патчем.

✅

Результат. Audit выполнен за часы вместо недель. Команда получила prioritized список с патчами — не просто список проблем. Валлеро отметил, что агент нашёл несколько уязвимостей, которые ускользнули бы при ручном ревью из-за усталости.

06 — Anthropic Claude Cowork & Managed Agents

Параллельно с Claude Code для разработчиков, Anthropic запустил инструменты для knowledge workers — людей не пишущих код, но работающих с информацией.

Claude Cowork (январь 2026)

Desktop-приложение для автоматизации работы с файлами и задачами. Не требует написания кода. Примеры реальных use cases:

📊

Ежеквартальный отчёт

Агент собирает данные из CRM, финансовых систем, таблиц → структурирует → пишет нарратив → форматирует в слайды. Задача одного аналитика на 2 дня → 40 минут.

📧

Inbox management

Агент классифицирует почту, готовит черновики ответов, создаёт tasks в Jira для action items, архивирует нерелевантное. Согласование у пользователя перед отправкой.

Managed Agents (апрель 2026)

API-уровень для enterprise: компании деплоят предсконфигурированных агентов для своих команд. Агент уже знает: политики компании, доступные инструменты, кому эскалировать, что требует одобрения.

🔧

Принцип human-in-the-loop. Anthropic строго придерживается: агент предлагает → человек одобряет → агент исполняет. Особенно для действий с финансовыми последствиями, публичной коммуникацией, изменением production систем.

Claude for Small Business (май 2026)

15 готовых agentic workflows, подключённых к QuickBooks, PayPal, HubSpot, Canva, DocuSign, Google Workspace, Microsoft 365:

Payroll planning: агент анализирует часы, рассчитывает налоги, готовит платёжные ведомости к одобрению
Invoice chasing: автоматически отслеживает просроченные счета, отправляет напоминания по шаблону
Month-end reconciliation: сверяет банковские выписки с бухгалтерскими записями, флагирует расхождения
Contract routing: анализирует входящие договоры, маршрутизирует на нужных ревьюеров, трекает статус подписания

07 — Google Gemini Enterprise Agent Platform

На Google Cloud Next '26 (апрель 2026) Google представил архитектуру Agentic Enterprise — полный стек для деплоя агентов в корпоративной среде. Ключевое отличие от Anthropic: фокус на business operations, а не только на инженерные задачи.

Ключевые компоненты платформы

🔗

Agent-to-Agent (A2A) Protocol

Открытый стандарт для коммуникации между агентами разных вендоров. Агент-продажник из Salesforce может делегировать задачу агенту-юристу из DocuSign через A2A.

🛡️

Agent Sandbox

Изолированная среда для выполнения кода агентами и browser automation. Агент может открыть браузер, заполнить форму, нажать кнопки — без риска для host системы.

📅

Multi-day Workflows

Агенты работают автономно дни и недели. Persistent memory через сессии. Пример: агент ведёт процесс сбора данных для налоговых форм 1099 в течение нескольких недель.

MCP (Model Context Protocol) интеграция

Google полностью поддержал MCP — открытый стандарт Anthropic для подключения агентов к внешним данным. Теперь агент может одновременно:

Читать из корпоративного DWH (через MCP server)
Обращаться к финансовым терминалам FactSet, S&P, PitchBook
Работать с открытым вебом
Всё это — без того чтобы конфиденциальные данные покидали среду клиента

Gemini Spark (I/O 2026)

Агент для knowledge workers, интегрированный в Google Workspace. Подключается к Microsoft SharePoint/OneDrive и ServiceNow — работает в mixed-stack окружениях:

Мониторит ServiceNow → автоматически эскалирует критические issues
Перед звонком по продажам: тянет историю из Salesforce + тикеты из Zendesk → краткий briefing
Управляет project timelines через Sheets и Docs

08 — Кейс Danfoss: 80% транзакционных решений автоматизировано

Danfoss — датский промышленный производитель (гидравлика, климатическое оборудование, двигатели). Объём: тысячи email-заказов в день от B2B клиентов по всему миру.

Проблема до внедрения агентов

Входящие email-заказы обрабатывались вручную: операторы читали письма, вносили данные в ERP, проверяли наличие, отправляли подтверждения. Среднее время ответа: 42 часа. Пиковые нагрузки, ошибки при ручном вводе, задержки из-за часовых поясов.

Архитектура агентного решения

Email Classification Agent

Читает входящие письма. Классифицирует: заказ / запрос / жалоба / запрос документов. Для заказов: извлекает артикулы, количества, адрес доставки, требуемые сроки. Обрабатывает разные форматы и языки.

ERP Query Agent

Проверяет наличие по каждому артикулу. Получает цены (с учётом клиентского уровня скидок). Проверяет кредитный лимит клиента. Всё через MCP коннекторы к SAP.

Decision Agent

80% заказов: стандартные, клиент проверенный, товар в наличии → агент принимает решение автономно, создаёт заказ в SAP, отправляет подтверждение. 20% «нестандартных» случаев: флагирует для человека.

Response Agent

Формирует и отправляет email клиенту: подтверждение заказа, номер, ожидаемая дата доставки, трекинг ссылка. На языке оригинального письма клиента.

42ч

среднее время ответа до

real-time

время ответа после

80%

заказов — полностью автономно

20%

требуют человека (edge cases)

📌

Почему 80%, а не 100%? Намеренно. 20% — заказы с нестандартными условиями, новые клиенты без кредитной истории, запросы с ошибками в артикулах. Агент знает границы своей компетенции и эскалирует без попытки угадать.

09 — Кейс Citi Sky: AI-платформа для wealth management

Citi Wealth построил Citi Sky — AI-платформу для wealth managers на базе Gemini Enterprise Agent Platform. Это показательный пример того, как агенты встраиваются в highly regulated финансовую отрасль.

Что делают агенты в Citi Sky

📈

Portfolio Analysis Agent

Перед встречей с клиентом: анализирует портфель, сравнивает с benchmark, выявляет риск-концентрации, готовит вопросы для обсуждения. Wealth manager за 5 минут получает то, что раньше готовил 2 часа.

🔍

Research Synthesis Agent

Обрабатывает сотни страниц research reports, новостей, regulatory filings. Синтезирует: «что важно для портфеля конкретного клиента». Связывает внутренние данные с внешними через MCP.

📋

Compliance Review Agent

Проверяет предлагаемые транзакции против regulatory rules и внутренних политик. Флагирует потенциальные проблемы до исполнения. Аудит-трейл всех решений.

Почему это возможно в банке (compliance-first подход)

Никаких автономных финансовых решений. Агент готовит рекомендацию и объяснение → wealth manager принимает решение → агент исполняет административную часть.
Полный audit trail. Каждое действие агента логируется с обоснованием — регуляторы могут проверить почему была дана та или иная рекомендация.
Данные не покидают инфраструктуру Citi. MCP серверы работают внутри контура безопасности банка — ни клиентские данные, ни портфельная информация не уходят в облако Google.
Deterministic compliance flows. Для compliance проверок — жёстко детерминированная оркестрация (не генеративная), чтобы агент всегда следовал одному и тому же регуляторному пути.

10 — Google Deep Research Agent

В апреле 2026 Google выпустил Deep Research Max на базе Gemini 3.1 Pro — агент превратился из «умного поисковика» в фундамент для enterprise workflows в finance, life sciences и market research.

Как работает Deep Research Max

1. Query decomposition

Получает сложный вопрос: «Оцени рынок промышленной автоматизации в ЮВА на 2026–2030, с акцентом на robotics». Разбивает на ~20 подвопросов по разным аспектам.

2. Parallel web + proprietary search

Одновременно ищет в открытом вебе И в подключённых через MCP источниках: внутренние deal-flow базы, FactSet, S&P данные, PitchBook. Конфиденциальные данные не покидают контур клиента.

3. Iterative refinement

Агент видит промежуточные результаты и уточняет поиск — не один проход, а несколько итераций. Если начальные данные неполны или противоречивы, агент генерирует уточняющие запросы.

4. Professional-grade report

Полностью цитированный аналитический отчёт с источниками. Структура соответствует стандартам investment banking research: executive summary, market sizing, key players, risks, outlook.

💼

Hedge fund use case. Фонд подключает Deep Research к внутренней deal-flow базе + финансовому терминалу. Запрос: «Синтезируй все данные по компаниям в нашем pipeline против последних публичных данных по рынку». Ответ занимал 3 дня аналитика. Теперь — 2 часа агента.

Отраслевые применения Deep Research

Отрасль	Задача	Что автоматизируется
Finance	Due diligence	Сбор и синтез информации о компании из 50+ источников
Life Sciences	Literature review	Анализ сотен научных статей, выявление паттернов
Consulting	Market research	Competitive landscape, market sizing, trend analysis
Legal	Case research	Поиск прецедентов, анализ регуляторных изменений
Manufacturing	Supplier research	Оценка поставщиков по финансовым и операционным метрикам

13 — OpenAI Codex & Harness Engineering

OpenAI Codex — облачный агент для software engineering, запущенный в мае 2025 года и к марту 2026 набравший более 2 миллионов активных пользователей в неделю. В основе — специализированная версия модели o3, обученная через reinforcement learning на реальных coding задачах. В апреле 2026 переведён на GPT-5.5 с agentic-first training.

2M+

активных пользователей
в неделю (март 2026)

4M+

после GPT-5.5
(апрель 2026)

строк кода за
5 месяцев командой из 3

1 500

pull requests за
5 месяцев (Harness)

Harness Engineering: как OpenAI использует Codex внутри компании

В феврале 2026 OpenAI опубликовал детальный case study «Harness Engineering» — как их собственная команда из трёх инженеров построила production-систему с ~1 миллионом строк кода за 5 месяцев, используя Codex как основной инструмент разработки.

🔬

Принцип Harness Engineering. Инженеры перестают быть авторами кода и становятся дизайнерами окружения и спецификаторов намерений. Задача человека: описать что нужно сделать, предоставить structured feedback, проверить результат. Задача агента: реализовать, протестировать, итерировать до готовности.

Архитектура Harness: как агенты знают что делать

Репозиторий │ ├── AGENTS.md ← Главный документ для агентов │ (написан самим Codex при первом запуске!) │ Содержит: архитектурные принципы, coding conventions, │ как запускать тесты, что проверять перед PR │ ├── docs/ │ ├── maps/ ← Карты зависимостей компонентов │ ├── plans/ ← Execution plans для задач │ └── specs/ ← Design specifications │ └── Каждый файл в docs — single source of truth для агентов Агенты читают specs перед началом задачи Агенты обновляют docs при изменении системы

Workflow первого коммита — полностью агентный

Август 2025: пустой репозиторий

Команда описала архитектуру системы в нескольких шаблонах. Codex CLI на GPT-5 сгенерировал: структуру репозитория, CI configuration, formatting rules, package manager setup, application framework. Даже сам AGENTS.md файл написан Codex. Ни одной строки человеческого кода в начале.

Итеративный цикл (5 месяцев)

Инженер описывает задачу → Codex читает AGENTS.md и specs → воспроизводит баг или реализует feature → запускает тест suite → открывает PR → инженер ревьюит → merge или feedback. Цикл повторяется до готовности.

Observability за агентами

Каждый агентный запуск логируется с trace: что прочитал, какие команды выполнил, что написал, какие тесты запустил, почему принял то или иное решение. Инженеры видят не только результат, но и рассуждения агента.

Результат: ~1M строк, 1500 PRs

Application logic, infrastructure, tooling, documentation, internal developer utilities — всё написано или соавторено агентами. Команда из 3 инженеров сделала работу, на которую стандартной командой потребовалось бы 15–20 человек и год.

Что именно делают технические команды OpenAI с Codex

🔄

Refactoring без потери фокуса

Повторяющиеся, хорошо ограниченные задачи: переименования, рефакторинг паттернов по всей codebase, обновление deprecated API. Агент делает это в фоне пока инженер работает над архитектурой.

🧪

Test writing at scale

Написание unit и integration тестов для существующего кода. Codex читает реализацию, понимает edge cases, пишет тесты, запускает их, исправляет пока не пройдут. Покрытие с 40% до 85%+ без отвлечения инженеров.

🔐

Codex Security (март 2026)

Специализированный агент для application security. Находит уязвимости (SQL injection, XSS, insecure deserialization) и не просто сообщает о них, но и предлагает конкретный патч с объяснением.

📋

AGENTS.md — новый стандарт. OpenAI сделал AGENTS.md файл стандартным способом «объяснить агенту репозиторий». Аналог README, но написан для агентов, а не людей: как запускать тесты, какие части кода не трогать, как называть переменные. Это стало де-факто конвенцией в индустрии.

14 — Кейс Sora Android App: 4 человека за 28 дней

OpenAI опубликовал кейс: команда из четырёх инженеров построила и запустила полноценное Android-приложение для Sora (video generation) за 28 дней. Это задача, на которую стандартная мобильная команда тратит 3–5 месяцев.

Как это было организовано

День 1–3: Scaffold через Codex

Один инженер описал архитектуру: «Android app, Material Design 3, Jetpack Compose, видео галерея, генерация через API, OAuth auth». Codex сгенерировал весь scaffold — структуру проекта, navigation graph, dependency injection setup, CI/CD конфигурацию. Базовый commit содержал ~15,000 строк готового кода.

День 4–14: Параллельная разработка фич

Все четыре инженера работали одновременно с разными задачами, каждый через свою сессию Codex. Агенты изолированы по sandboxed environments. Конфликты в git разрешались стандартным PR процессом. Скорость: ~100 PRs за 10 дней.

День 15–20: QA через Codex Security + Test agents

Codex Security просканировал весь код на уязвимости до App Store submission. Отдельный агент написал 400+ instrumented тестов, включая UI тесты через Espresso. Покрытие: 87%.

День 21–28: Локализация и полировка

Агент локализовал приложение на 12 языков (все строки, адаптация под RTL, региональные форматы дат). Задача которая обычно занимает 2 недели отдельной команды — выполнена за 2 дня агентом.

📱

Экономика. Стандартная команда для такого приложения: 2 Android-инженера + 1 backend + 1 QA + 1 designer = 5 человек × 4 месяца = 20 человеко-месяцев. Фактический результат: 4 человека × 1 месяц = 4 человеко-месяца. Ускорение в 5×.

15 — OpenAI Workspace Agents: агенты для команд

22 апреля 2026 OpenAI запустил Workspace Agents — эволюцию Custom GPTs для enterprise. Ключевое отличие: агенты работают асинхронно в облаке пока пользователь оффлайн, имеют persistent memory, подключаются к корпоративным системам и доступны всей команде как shared resource.

Архитектура Workspace Agent

Команда создаёт агента в ChatGPT sidebar (описывает workflow на естественном языке) │ ├── Агент подключается к корпоративным системам: │ Slack · Google Drive · Microsoft apps │ Salesforce · Notion · Atlassian Rovo · GitHub │ + любой MCP-совместимый коннектор │ ├── Агент публикуется в workspace │ → все члены команды видят и используют │ → можно добавить в Slack channel │ → доступен через ChatGPT, Slack, API │ └── Агент работает в облаке (cloud runtime) → продолжает задачи когда пользователь offline → помнит контекст между сессиями (persistent memory) → обучается от обратной связи команды

Реальный пример из OpenAI: Financial Workpapers Agent

OpenAI описал конкретный пример внутреннего использования — агент для финансовой команды, готовящий workpapers (рабочие документы) для аудита:

Триггер. Финансовый аналитик запрашивает: «Подготовь workpapers по Q1 2026 revenue reconciliation».
Сбор данных. Агент подключается к финансовым системам, выгружает транзакции за период, сопоставляет с бухгалтерскими записями из внутренних систем.
Вычисления и контроли. Агент вычисляет control totals, применяет внутренние политики (какие статьи требуют дополнительного обоснования, какие лимиты превышены), флагирует исключения.
Генерация документа. Создаёт структурированные workpapers с underlying inputs и control totals в формате готовом для ревью аудитором.
Доставка. Агент в Slack канале команды сообщает о готовности, прикладывает документ, отвечает на уточняющие вопросы прямо в треде.

⚠️

Custom GPTs → Workspace Agents. OpenAI официально объявил об устаревании Custom GPTs для организаций. Планируется обязательная миграция (дата пока не объявлена). Для индивидуальных пользователей GPTs остаются доступны. Причина: Workspace Agents принципиально мощнее — persistent state, cloud execution, team sharing, real tool use.

Сравнение: Workspace Agents vs конкуренты

ВозможностьOpenAI WorkspaceAnthropic CoworkGoogle Gemini Ent. Cloud async execution✅✅✅ Multi-day workflows⚠️ Partial✅✅ Computer Use (браузер)✅ GPT-5.5✅ Vercept✅ Sandbox Native Slack integration✅✅ Code Slack⚠️ Partial Agent swarms (100+)⚠️ Codex only✅ Dynamic WF⚠️ Limited Financial / regulated⚠️ Developing⚠️ Developing✅ Citi Sky

16 — Palantir AIP — Ontology-first подход к агентам

Palantir — это отдельная парадигма. Если Anthropic, Google и OpenAI предоставляют модели и платформы для построения агентов, то Palantir предоставляет операционную систему для агентов поверх данных организации. Их подход уникален концепцией Ontology.

🧠

Что такое Ontology. Palantir строит цифровую модель всей организации: каждый реальный объект (деталь на складе, пациент в больнице, корабль в доке, контракт с поставщиком) представлен как объект с атрибутами и связями. Агент работает не с «данными в таблицах», а с живой моделью реального мира компании.

Три платформы и как они работают вместе

🔍

Gotham

Government & defense intelligence. Агенты анализируют разведывательные данные, спутниковые снимки, перехваченные коммуникации — всё в единой операционной картине. Maven Smart System на его основе.

🏭

Foundry

Enterprise data operating system. Агент видит живую Ontology: как изменение в одном узле (задержка поставки) каскадно влияет на производство, заказы, финансы. Не BI, а operational intelligence.

🤖

AIP (AI Platform)

Слой LLM поверх Ontology. Агенты получают не абстрактные тексты, а структурированные объекты из реального мира организации. k-LLM архитектура: маршрутизация между OpenAI, Anthropic, Google, Meta в зависимости от задачи.

k-LLM Architecture: нет привязки к одному провайдеру

Входящий запрос агенту │ ├── AIP Router оценивает задачу: │ • Требует рассуждения? → Claude Opus / GPT-5 │ • Быстрый structured output? → Gemini Flash / GPT-4o-mini │ • Код? → Codex / Claude Code │ • Classified data? → On-premise модель (Llama, Mistral) │ • Edge device (военный)? → Quantized модель на устройстве │ └── Routing учитывает: • Governance constraints (какие данные можно в какой LLM) • Latency requirements • Cost budget • Compliance requirements (EU AI Act, ITAR и т.д.)

AIP Bootcamp — стратегия внедрения за 5 дней

Palantir разработал уникальную go-to-market стратегию: вместо стандартного 3–12 месячного sales cycle — 5-дневный bootcamp где команда клиента строит первый рабочий агент прямо на своих данных.

Более 1 300 bootcamps проведено к Q4 2024
Fortune 500 промышленная компания: после bootcamp расширила контракт в 5×
Fortune 100 ритейлер: пилот → контракт $12M в год за несколько месяцев
US Army: $10 млрд Enterprise Agreement (июль 2025), консолидировал 75 отдельных контрактов

17 — Кейс US Navy ShipOS: агенты в судостроении

На AIPCon 9 (март 2026) Palantir показал ShipOS — систему на базе Foundry + AIP, которая стала «операционной системой» для судостроительной программы US Navy. Это один из наиболее показательных примеров agentного AI в mission-critical окружении.

Проблема, которую решал ShipOS

Строительство современного военного корабля — это 10+ лет, тысячи поставщиков, миллионы деталей, сотни подрядчиков. Классическая проблема: никто не видит полной картины. Задержка в одном месте незаметна до тех пор, пока не срывает сборку через полгода.

Архитектура агентной системы

Supply Chain Visibility Agent

Подключён к данным всех поставщиков (ERP, контракты, статусы отгрузок) через Foundry Ontology. Непрерывно отслеживает: какой компонент где, когда будет поставлен, есть ли риски задержки. Видит причинно-следственные связи: «задержка вентиля X блокирует установку блока Y, что смещает ввод корабля на 6 недель».

Risk Prediction Agent

На основе исторических данных и текущего состояния предсказывает риски за 3–6 месяцев до их реализации. Не просто алерт «это плохо» — конкретное обоснование: «поставщик B имеет загрузку 97%, при такой загрузке в 2022 и 2024 годах возникали 8-недельные задержки».

Decision Support Agent

Когда риск подтверждён, агент генерирует варианты решений: альтернативный поставщик, изменение последовательности работ, перераспределение ресурсов. Каждый вариант показывается с оценкой cost/schedule impact. Человек выбирает — агент исполняет административную часть.

Compliance & Documentation Agent

Military procurement требует документирования каждого изменения. Агент автоматически генерирует required documentation при любом изменении плана, обеспечивая audit trail для контрактных требований.

⚓

Почему это критично. Сдвиг срока сдачи авианосца на месяц стоит сотни миллионов долларов. ShipOS перевёл управление рисками из реактивного («уже случилось, что делать?») в предиктивное («будет через 4 месяца, вот варианты»). Palantir называет это «in situ decision-making».

Maven Smart System: агенты на поле боя

Помимо ShipOS, Palantir's Maven Smart System — это агентная платформа для оперативного командования. В марте 2025 все 32 страны NATO приняли Maven. Агенты работают с:

Данными спутниковой разведки в реальном времени
Перехватами коммуникаций и OSINT
Drone footage и sensor feeds
Историческими паттернами и разведывательными базами данных

Результат: единая операционная картина, где агенты выделяют приоритетные угрозы, предлагают варианты реагирования, моделируют последствия решений. Человек принимает решение, агент — информирует и исполняет.

18 — Кейс Healthcare и SOC: операции в реальном времени

Healthcare: агенты в hospital operations

Palantir Foundry + AIP в крупных healthcare организациях решает задачи которые требуют одновременной работы с разнородными данными: ЭМК пациентов, загрузка оборудования, расписание персонала, логистика лекарств, финансовые потоки.

🏥

Patient Flow Agent

Видит: текущую загрузку всех отделений, плановые поступления, операционное расписание, доступность персонала. Предсказывает перегрузку за 4–6 часов и предлагает redistribution: «перевести 3 пациента из хирургии в терапию, вызвать 2 медсестры из резерва».

💊

Pharmacy & Supply Agent

Отслеживает запасы критических медикаментов. Видит когда препарат заканчивается за несколько дней, с учётом текущего потребления и плановых операций. Инициирует заказы заблаговременно. Без агента: дефициты обнаруживаются когда уже ноль.

Security Operations Center (SOC): агенты для кибербезопасности

Palantir AIP в Security Operations Centers — один из самых зрелых commercial use cases. Gartner: SOC с AI-поддержкой снижают Mean Time to Detect (MTTD) на 60% в среднем.

Threat Correlation Agent

Обрабатывает миллионы log entries, network flows, endpoint telemetry в реальном времени. Находит паттерны которые статические SIEM-правила пропускают: например, атака через 5 разных векторов с задержками между ними — очевидная для агента, невидимая для правил.

Incident Response Agent

При обнаружении угрозы: автоматически применяет containment playbooks (изолировать хост, заблокировать IP, отозвать токены), документирует все действия с обоснованием, эскалирует согласно severity matrix. Всё в одной платформе — от детектирования до документирования.

Analyst Augmentation Agent

Аналитик SOC видит alert → агент уже подготовил: контекст (что это за хост, кто владелец, предыдущие инциденты), гипотезы о причине, похожие исторические кейсы, рекомендуемые следующие шаги. Аналитик принимает решение за минуты, а не за часы.

Procurement: агенты для закупок

AIP парсит неструктурированные документы — счета-фактуры, контракты, коммерческие предложения — и позволяет агентам работать с ними как с объектами Ontology. Конкретный результат:

Billing discrepancies: агент обнаруживает расхождения между договорной ценой и выставленным счётом за минуты вместо недель ручной проверки
Contract compliance: непрерывный мониторинг выполнения SLA поставщиками — нарушения обнаруживаются автоматически
RFP processing: агент анализирует входящие предложения по заданным критериям, готовит сравнительный анализ для менеджера по закупкам

🔐

Отличительная черта Palantir: airgapped deployment. В отличие от cloud-native подходов Anthropic/Google/OpenAI, Palantir через систему Apollo деплоит агентов в полностью изолированных средах: classified military networks, on-premise hospital systems, EU-суверенные инфраструктуры. Агенты работают без доступа к интернету — это принципиальное требование для defense и healthcare заказчиков.

19 — Anduril Lattice OS — ИИ-мозг автономных систем

Anduril Industries основана в 2017 году Palmer Luckey — тем самым человеком, который создал Oculus VR. К маю 2026 года компания достигла оценки $30+ млрд, заключив контракт с Армией США на $20 млрд — крупнейшую сделку в истории оборонного AI.

$20B

контракт с US Army
(март 2026, 10 лет)

120+

отдельных контрактов
консолидировано в один

556

дней от пустой страницы
до первого полёта Fury

$4.3B

ожидаемая выручка
2026 года

Что такое Lattice OS

Lattice — операционная система для автономных систем реального мира: дронов, субмарин, истребителей, сенсорных башен. Аналог Android для смартфонов — только для боевых роботов.

🧠

Ключевая идея Lattice. Сенсоры со всего поля боя (радар, камеры, спутники, дроны, перехваты) сливаются в единую операционную картину. Агенты работают с этой живой картиной: не с сырыми данными, а с осмысленными объектами — «вражеский БПЛА», «критическая инфраструктура», «союзное подразделение». Решения принимаются за секунды, а не за минуты.

Архитектура агентного слоя Lattice

Сенсоры (данные в реальном времени) │ Радар · Камеры · Спутники · Перехваты · Дроны │ ▼ Lattice Fusion Layer Объединяет разнородные данные в единый граф объектов Каждый объект: класс · позиция · вектор · уверенность │ ▼ AI Reasoning Agents (работают на Lattice OS) │ ├── Threat Identification Agent │ Классифицирует каждый объект: friend / foe / unknown │ Обновляет классификацию при поступлении новых данных │ ├── Mission Planning Agent │ Принимает high-level команду от оператора: │ "Патрулировать периметр, нейтрализовать угрозы класса B" │ Декомпозирует на задачи для конкретных платформ │ ├── Collaborative Autonomy Agent │ Координирует роение: несколько дронов без конфликтов │ Деконфликтует действия, распределяет цели между агентами │ └── Engagement Decision Agent (human-on-the-loop) Формирует рекомендацию → оператор одобряет После одобрения: автономное исполнение платформой

Human-on-the-loop vs Human-in-the-loop

Human-in-the-loop (старая модель): каждое действие системы требует подтверждения человека. При скорости современных угроз (БПЛА движется 300 км/ч) — слишком медленно.
Human-on-the-loop (Anduril): человек задаёт правила вовлечения и цели на высоком уровне. Агенты исполняют автономно. Человек наблюдает, может остановить в любой момент, но не подтверждает каждое действие.

⚖️

Этическая дискуссия продолжается. Human-on-the-loop в летальных системах остаётся спорным вопросом. Anduril настаивает: правила вовлечения, заданные человеком, сохраняют «значимый человеческий контроль».

20 — Кейс Fury YFQ-44A: агент в небе

Fury — первый в истории беспилотный истребитель, получивший от ВВС США истребительную классификацию (YFQ-44A). Первый полёт 31 октября 2025 года. К апрелю 2026 — активная интеграция автономии.

Как агенты Lattice управляют Fury в воздухе

Mission Brief: high-level команда от пилота

Пилот F-35 через интерфейс Lattice даёт задачу: «Scan grid sector 7-Foxtrot for enemy radar emissions, intercept any hostile aircraft». Это всё — дальше Lattice OS работает автономно. Пилот возвращается к стратегическим решениям.

Mission Planning Agent декомпозирует задачу

Lattice строит план: оптимальный маршрут через сектор, altitude profile для минимизации radar cross-section, distribution задач если Fury несколько. Учитывает: fuel state, threat environment, weather, rules of engagement.

Sensor Fusion в реальном времени

Fury фьюзит данные с электрооптических, инфракрасных сенсоров, радара и SIGINT в единую картину. Lattice классифицирует каждый контакт: своя/чужая/неизвестная воздушная цель. Классификация обновляется непрерывно по мере поступления данных.

Collaborative Autonomy с другими Furies

Если несколько Fury работают в группе — Lattice координирует их как рой: деконфликтует зоны поиска, назначает цели без дублирования, автоматически перераспределяет задачи если один выходит из строя или кончается топливо.

Engagement: рекомендация → одобрение → исполнение

При обнаружении цели подпадающей под rules of engagement: Lattice формирует рекомендацию с обоснованием. Пилот получает: «Hostile SU-57, bearing 270, 15nm, closing. Engage?». Одобрение одной кнопкой. Дальше — автономное исполнение Fury без micromanagement пилота.

✈️

556 дней. От концепции до первого полёта у традиционных программ уходит 10–20 лет. Fury прошёл этот путь за 556 дней. Это результат agile defense tech модели: Anduril деплоит программное обеспечение часто, итеративно, без многолетних procurement циклов. Arsenal-1 (завод в Колумбусе, Огайо) запустит производство Fury в 2026 году.

Fury как «magazin» для крылатых ракет

В феврале 2026 Fury впервые показали с AIM-120 AMRAAM — теми же ракетами что несут F-15 и F-35. Концепция: Fury летит впереди крылатого истребителя в зону с высоким ПВО, выпускает ракеты, возвращается. Пилот за пределами зоны поражения. Это фундаментально меняет тактику воздушного боя.

21 — Кейс Counter-UAS: агенты против дронов

Наиболее продемонстрированный в реальных условиях use case Anduril — противодроновая оборона. Ghost дроны Anduril уже применялись в Украине. Sentry Towers и Lattice охраняют участки границы США. Пентагон выбрал Lattice как software backbone для программы Replicator.

Как выглядит агентная C-UAS система Lattice изнутри

Периметр охраняемого объекта Sentry Towers (сенсоры: радар + оптика + RF) │ ▼ данные потоком Lattice Fusion Engine Строит 3D картину воздушного пространства Каждый объект: координаты · скорость · сигнатура · класс │ ▼ Threat Classification Agent ├── Гражданский дрон DJI? → Warn & monitor ├── Неизвестный БПЛА входящий в зону? → Escalate └── Угроза подтверждена, rules of engagement применимы │ ▼ Engagement Coordination Agent ├── Выбор метода нейтрализации: │ Roadrunner-M (кинетический перехват) │ Pulsar (направленное РЭБ, март 2026) │ Anvil-M (RF глушение) ├── Расчёт вектора перехвата └── Деконфликтация если несколько перехватчиков │ ▼ Human-on-the-loop Review (секунды) Оператор видит: угроза · метод · расчётное время Одно нажатие → автономное исполнение │ ▼ After-Action Agent Документирует: что за дрон, откуда, что предпринято Обновляет threat library для улучшения следующих классификаций

🛡️

Партнёрство с OpenAI (декабрь 2024). Anduril и OpenAI объединили Lattice с GPT-моделями для предсказания угроз и координации противодроновой обороны. Это дало Lattice дополнительный слой reasoning: агенты не просто реагируют на текущую угрозу, но предсказывают паттерны атаки и перераспределяют ресурсы заблаговременно. Контракты с Министерством обороны США последовали сразу после объявления.

Anduril vs Palantir: разные роли в одной экосистеме

Измерение	Anduril	Palantir
Фокус	Автономные платформы (hardware + software)	Data intelligence + decision support
Агент управляет	Физической платформой (дроном, ракетой)	Потоком данных и аналитикой
Время реакции	Миллисекунды–секунды (оружейные системы)	Минуты–часы (стратегические решения)
Гарнизон	Тактический край (edge devices)	Командный центр (cloud + airgap)
Контракт US Army	$20B (C-UAS, Lattice SDK)	$10B (Enterprise Agreement)
Lattice обеспечивает автономию; Palantir — оперативную картину командования

22 — Meta Quest hzdb & Agentic Tools для VR разработки

Meta сделала ставку на то, что AI-агенты радикально демократизируют создание VR-контента. Результат: любой может описать VR опыт словами — агент построит, протестирует и оптимизирует его.

🔗

Историческая связь. Palmer Luckey основал Oculus VR в 2012-м, продал Facebook в 2014-м ($2 млрд), затем основал Anduril. Две компании — VR интерфейсы и автономные оружейные системы — представляют два полюса применения AI агентов.

hzdb — Horizon Debug Bridge: MCP сервер для VR

В 2025 году Meta выпустила open-source инструмент hzdb — MCP-сервер, который даёт AI агенту прямой доступ ко всей экосистеме разработки под Quest.

Разработчик описывает VR опыт на естественном языке │ ▼ Claude Code / Cursor / GitHub Copilot │ ▼ hzdb MCP Server (40+ инструментов) ├── documentation_search ├── device_manage ├── app_deploy ├── screenshot_capture ├── perf_trace ├── log_stream └── asset_library │ ▼ Closed-loop: агент пишет код → деплоит → смотрит на устройстве → анализирует ошибки → исправляет

Набор агентских Skills для VR

⚡

perfetto-debug

Анализ производительности, поиск bottleneck.

🔍

unity-code-review

VR-специфичные проверки.

🏪

vrc-check

Валидация требований Quest Store.

23 — Кейс VR игра за несколько часов: closed-loop разработка

Meta опубликовала серию туториалов демонстрирующих closed-loop agentic разработку на конкретном примере — VR игра «VRSlashGame». Это не просто обучающий материал: это рабочий workflow который Meta использует внутри.

Шаг 1: Описание → Scaffold за минуты

Разработчик описывает игру, агент создаёт весь Unity проект с подключённым Meta XR SDK. Вместо 2–3 часов ручной настройки — 5 минут.

Шаг 2: Агент деплоит и смотрит своими «глазами»

hzdb.app_deploy() и screenshot_capture() позволяют агенту видеть результат в гарнитуре.

Шаг 3: Итеративная правка ошибок

Агент находит missing texture, ищет в документации, правит, деплоит. Цикл 2–3 минуты вместо 15–20 у человека.

Шаг 4: Performance optimization через Perfetto

Агент запускает perf_trace, находит high draw calls, реализует GPU instancing, FPS 34 → 78.

Шаг 5: Store readiness check

vrc-check skill проверяет все требования Store, находит блокеры, исправляет их до сабмитта.

🎮

Итог: прототип за часы вместо дней. VR прототип который раньше занимал 3–5 дней теперь создаётся за 4–8 часов с агентом.

24 — Meta Quest Meta AI — агент внутри гарнитуры

Meta встроила AI агента непосредственно в операционную систему Quest — Meta AI on Meta Quest. Они работают в пространственном контексте, видят физический мир через passthrough камеры.

👁️

Vision + Context

Агент видит реальный мир через passthrough камеры, отвечает на вопросы о видимых объектах.

🎙️

Voice-first интерфейс

Активация «Hey Meta» — без контроллеров.

🌐

Real-time Web Access

Интеграция с Bing для актуальной информации.

Что означает пространственный AI для будущего

Сегодня (2026): реактивный ассистент

Пользователь задаёт вопрос → агент отвечает. Vision позволяет спрашивать о видимых объектах.

Ближайшее будущее: контекстные подсказки

Агент видит что пользователь смотрит на инструмент → предлагает инструкцию.

2027–2028: проактивный пространственный агент

AR очки + AI, агент видит мир постоянно, предлагает информацию без явного запроса.

25 — JPMorgan Chase 450 агентов в production ежедневно

JPMorgan Chase — крупнейший банк США ($4.4 трлн активов) — строит то, что Chief Analytics Officer Derek Waldron называет «первым полностью AI-связанным предприятием в истории». Не пилот, не эксперимент: 200 000 сотрудников ежедневно используют проприетарную платформу LLM Suite, достигнутую за 8 месяцев через opt-in стратегию «здоровой конкуренции». Банк запустил более 450 AI use cases в production, охватывающих back-office автоматизацию, клиентский сервис и риск-менеджмент, с планами расширить до 1 000 к 2026 году.

$18B

годовой tech-бюджет
(2025), часть — на AI

450+

AI use cases
в production сейчас

200k

сотрудников используют
LLM Suite ежедневно

30–40%

ежегодный рост
AI-преимуществ

LLM Suite: как это устроено

Сотрудник JPMorgan │ ▼ LLM Suite (внутренняя платформа) Построена поверх моделей OpenAI + проприетарный fine-tune 200 000 пользователей ежедневно │ ┌───┴─────────────────────────────────────┐ │ Специализированные агенты │ ├─────────────────────────────────────────┤ │ Coach AI │ Финансовые советники│ │ (-95% время ответа│ при волатильности │ │ при волатильности)│ рынка │ ├─────────────────────────────────────────┤ │ DocLLM │ Анализ документов: │ │ (проприетарный) │ кредитные договоры, │ │ │ финансовые отчёты │ ├─────────────────────────────────────────┤ │ Fraud Detection │ Обнаружение │ │ Agents │ мошенничества │ │ │ в реальном времени │ ├─────────────────────────────────────────┤ │ Coding Assistants │ +10–20% скорость │ │ │ разработки │ └─────────────────────────────────────────┘

Coach AI: агент для wealth management

Показательный кейс — Coach AI, агент для финансовых советников JPMorgan Asset Management. Инструменты на основе Coach AI улучшили время отклика на 95% во время рыночной волатильности. AI-инструменты способствовали росту продаж на 20% в сегменте asset and wealth management (2023–2024).

До Coach AI: советник тратит 3 часа на подготовку к встрече

Анализ портфеля клиента, изучение последних рыночных событий, подготовка рекомендаций с обоснованием. При волатильном рынке — десятки клиентов одновременно требуют внимания. Советник физически не успевает.

С Coach AI: 9 минут вместо 3 часов

Агент читает портфель клиента, текущую рыночную ситуацию, историю взаимодействий, регуляторные ограничения. Синтезирует: «Для этого клиента актуально X, обоснование Y, три варианта действий». Советник читает, уточняет, идёт на встречу.

Масштаб: 50% больше клиентов на одного советника

AI ожидается поможет советникам расширить клиентский портфель на 50% в течение 3–5 лет — не потому что советников меньше, а потому что каждый может обслуживать больше при том же качестве.

DocLLM: проприетарная модель для документов

JPMorgan разработал DocLLM — собственную мультимодальную модель специально для финансовых документов. Обычные LLM читают текст; DocLLM понимает структуру документа: где заголовок, где таблица, где критическое условие в договоре.

📄

Почему проприетарная модель. JPMC строит собственные технологии для core banking функций где у него уникальное преимущество (как DocLLM), но партнёрствует с лучшими специалистами для функций где внешняя экспертиза даёт лучший результат быстрее. Это зрелая AI-стратегия: не «использовать только GPT-4» или «только свои модели», а осознанное разделение.

26 — Klarna Антикейс: когда агент заменил, а не усилил

Klarna — шведский fintech, сервис BNPL (Buy Now Pay Later) на 150 миллионов пользователей — стал самым известным антикейсом внедрения AI агентов в мире. История заслуживает детального разбора, потому что ошибки Klarna повторяют десятки компаний.

⚠️

Контекст. Между 2022 и 2024 годами Klarna сократила примерно 700 позиций, преимущественно в клиентском сервисе, заменив их AI-ассистентом разработанным в партнёрстве с OpenAI. На пике Klarna утверждала, что AI системы управляли двумя третями — тремя четвертями всех клиентских взаимодействий.

Хронология событий

Февраль 2024: триумфальное объявление

В начале 2024 CEO Klarna объявил что AI может выполнять все человеческие задачи. Компания сократила штат с 5 500 до 3 400 человек. AI чатбот выполнял работу 700 агентов клиентского сервиса. Инвесторы аплодировали. Пресса называла Klarna «флагманом AI революции».

2024–начало 2025: метрики выглядят хорошо — на поверхности

Объёмные метрики на которых хорошо работал AI (resolution rate, время первого ответа, количество обработанных тикетов в час) маскировали деградацию качества на определённых типах взаимодействий. Проблема стала видна через два инструмента: CSAT и NPS после взаимодействий.

Май 2025: признание CEO

CEO Sebastian Siemiatkowski сказал Bloomberg: «Стоимость, к сожалению, была слишком главным фактором оценки при организации этого. В результате получаешь более низкое качество». Удовлетворённость клиентов упала на 22%. Компания начала рекрутинг человеческих агентов в формате «Uber-style» — удалённая работа со студентами, родителями, жителями малых городов.

Сентябрь 2025: конкретные шаги по реверсу

Business Insider сообщил о переброске внутренних сотрудников на роли клиентского сервиса из-за опасений о качестве. CX Dive подтвердил: Klarna снова набирает людей для обслуживания клиентов.

2026: гибридная модель как финальное состояние

Компания начала тихо восстанавливать человеческий клиентский сервис на протяжении 2025–2026, переходя от полной замены AI к гибридной модели где AI обрабатывает рутинные высокочастотные запросы, а люди — эскалации, сложные случаи и высокоценные клиентские взаимодействия.

📌

Главный урок. В отличие от Klarna, компании как Tripadvisor, Thumbtack и ClickUp строили принципиально другое: гибридные команды где AI и люди усиливают сильные стороны друг друга. В Tripadvisor AI агенты автономно обрабатывают 90% входящих запросов. Но цель никогда не была устранить человеческие рабочие места — цель была освободить команду для стратегической работы требующей суждения, творчества и построения отношений. Это не мелкое различие. По данным McKinsey, компании фундаментально переработавшие рабочие процессы вокруг AI в 3 раза чаще получают реальную ценность.

27 — Mistral AI Суверенный AI Европы: Industrial Platform

28 мая 2026 года Mistral AI — французский стартап основанный бывшими исследователями Google DeepMind и Meta — запустил Industrial Engineering AI Platform, объявив Airbus, BMW, EDF и CMA CGM как launch customers. Это событие сигнализирует о качественном сдвиге: европейский AI вышел из академической ниши и конкурирует за крупнейшие промышленные контракты.

🇪🇺

Почему это важно для Европы. HSBC подписал многолетнее соглашение с Mistral в конце 2025 года для использования generative AI по всему банку. BNP Paribas также работает с моделями Mistral. Stellantis расширил сотрудничество с компанией в областях включая vehicle и enterprise приложения. Это не замена американских hyperscalers — это появление второго стека, дающего крупным покупателям leverage и выбор. Плюс политический слой: европейские политики хотят локальные AI мощности, а промышленные группы хотят защиту от зависимости от американских и китайских технологических провайдеров.

Два уровня Industrial Platform

🔬

Engineering-Simulation Tier

Neural surrogate models — AI модели, имитирующие физические симуляции. Вместо 8 часов CFD-симуляции на суперкомпьютере: секунды от neural surrogate. Первый launch customer — Airbus (aerospace).

🏭

Industrial Intelligence Tier

Агенты для производственных операций: оптимизация процессов, предиктивное обслуживание, supply chain visibility. BMW использует в industrial AI competence centre. EDF и CMA CGM — в энергетике и логистике.

Суверенность как фича, а не ограничение

EU AI Act compliance с первого дня (дедлайн: 2 августа 2026)

Mistral строит все системы с compliance в EU AI Act. Для Airbus и EDF (defence + energy — высокорисковые системы по Act) это не опция, а жёсткое требование. Как дедлайн 2 августа 2026 приближается, предприятия должны архитектировать compliant, масштабируемые AI решения прямо сейчас.

Data residency: данные остаются в ЕС

Для Airbus с defence данными (ITAR ограничения, EU classified), для банков с GDPR — принципиально что данные физически не пересекают границу ЕС. Mistral деплоится в европейских дата-центрах, включая on-premise варианты.

Open weights как доверие

Часть моделей Mistral — open weights (Mixtral, Mistral 7B). Промышленный заказчик может проверить модель сам, fine-tune на своих данных, деплоить в изолированной среде. Это невозможно с закрытыми моделями OpenAI или Anthropic.

28 — Airbus × Mistral Aerospace AI: от симуляций до обороны

Airbus подписал партнёрство с французским AI стартапом Mistral AI для расширения использования AI по всему бизнесу в авиации, обороне и космосе. Соглашение охватывает коммерческую авиацию, вертолёты, оборону и космические операции. Партнёрство сфокусировано на «доверенном» и «безопасном» AI особенно для чувствительных оборонных и аэрокосмических приложений.

Конкретные области применения агентов в Airbus

Engineering Simulation: 100× ускорение расчётов

Neural surrogate models для аэродинамических симуляций. Традиционная CFD (Computational Fluid Dynamics) симуляция крыла — 8–12 часов на высокопроизводительном кластере. Neural surrogate: обучается один раз на тысячах симуляций → предсказывает результат за секунды. Инженер получает ответ на итерацию мгновенно, итерирует 100× чаще за тот же день.

Manufacturing Quality Control Agent

На заводах Airbus агенты мониторят данные с производственных линий (сенсоры, камеры, измерения) в реальном времени. Обнаруживают отклонения от допуска до того, как деталь прошла все этапы сборки — не после. Стоимость исправления на этапе A0 vs этапе выходного контроля: разница в 10–100×.

Maintenance & MRO Intelligence

Предиктивное обслуживание на флоте из тысяч самолётов. Агенты анализируют sensor data с двигателей, планерных данных, исторические паттерны отказов. Рекомендация: «двигатель SN-XXXXX вероятно потребует замены лопатки компрессора через 340–450 летных часов» — заблаговременно, не в аварийном порядке.

Defence: classified-safe AI reasoning

Для подразделения Airbus Defence and Space — агенты для анализа разведывательных данных, планирования миссий, координации спутниковых систем. Всё на изолированной инфраструктуре, с Mistral моделями развёрнутыми on-premise. Ни байта данных не покидает защищённый контур.

🛸

Почему Mistral, а не OpenAI/Anthropic. Стратегическое позиционирование стоит отметить. OpenAI, Anthropic и Google's frontier labs провели последние два года конкурируя на consumer chatbots и enterprise software automation. Mistral занимает другую нишу: Airbus, BMW и EDF отражают сегменты на которые Mistral нацелен — аэрокосмос, автомобили, энергетика и логистика. Физические индустрии с требованиями к суверенитету данных, безопасности и EU compliance.

29 — Volkswagen Group «Ни одного процесса без AI»: €1 млрд и 1 200 приложений

Volkswagen Group (VW, Audi, Porsche, SEAT, Škoda, Lamborghini, Bentley) запустил программу под лозунгом «No process without AI» — амбициозный план на €1 млрд сделать AI стандартным слоем для каждого бизнес-процесса группы. Volkswagen утверждает что уже запустил 1 200 AI приложений в production, и «несколько сотен больше» в разработке или внедрении. У компании проприетарное «factory cloud» соединяющее более 40 производственных площадок по всей группе.

€1B

инвестиции в AI
(программа 2025–2028)

1 200

AI приложений
в production

130k

сотрудников охвачено
AI обучением

40+

производственных площадок
в factory cloud

Четыре домена агентных приложений VW

🔧

Manufacturing Operations

Volkswagen непрерывно внедряет новые AI приложения в производственные процессы. Они помогают оптимизировать взаимодействие сложных процессов в сборке автомобилей, способствуют более эффективному использованию энергии и материалов, снижают затраты и выбросы CO₂.

🛒

Procurement Intelligence

Агенты анализируют данные тысяч поставщиков, мониторят цены на сырьё, предсказывают supply chain риски. При любом изменении рыночных условий: мгновенный анализ влияния на все модели группы, автоматическая рекомендация по хеджированию.

🔒

Cybersecurity Agents

AI-powered приложения также укрепляют кибербезопасность и способствуют обмену знаниями по всей группе. При 40+ заводах и тысячах подключённых устройств — агентный мониторинг 24/7 критически важен.

👤

Customer & Product

AI в customer service (мультиязычный, 24/7), персонализация конфигуратора автомобиля, предиктивное обслуживание по данным с автомобиля в реальном времени.

Catena-X: коллективный AI для автомобильной отрасли

VW участвует в ещё более амбициозном проекте — Catena-X, открытой платформе для обмена данными всей автомобильной отрасли:

Catena-X участники: Volkswagen · BMW · BASF · Mercedes-Benz SAP · Siemens · ZF · T-Systems Идея: коллективные производственные знания → общая AI модель которая оптимизирует внутренние workflow и делает более эффективными логистику и управление процессами по всей отрасли Аналог: если каждый производитель обучает свой AI на своих данных — он видит только своё. Catena-X позволяет видеть паттерны отрасли целиком, сохраняя коммерческую тайну каждого участника.

BMW Leipzig: роботы + агенты (лето 2026)

Завод BMW в Лейпциге готовит пилот с гуманоидными роботами на лето 2026 для сборки высоковольтных батарей и производства компонентов. Проект с Hexagon Robotics, что указывает на более широкий сдвиг: производители больше не рассматривают AI как побочный эксперимент. Они ищут системы способные работать в production окружениях и подключаться к физическому труду по производству вещей.

🚗

Паттерн европейского внедрения. BMW, SEAT и Schaeffler — все рассматривают AI не как bolt-on технологию, а как долгосрочную организационную трансформацию. Каждая дорожная карта начинается с экспериментов и развития компетенций, движется к более глубокой процессной интеграции, и в конечном счёте нацелена на agent-driven operations. При этом ни одна из них не видит это как чисто технический сдвиг. Культурная готовность, развитие навыков и human-in-the-loop governance рассматриваются как фундаментальные столпы.

30 — Goldman Sachs × Anthropic Claude: цифровые коллеги

30%

быстрее онбординг клиентов

+20%

продуктивность разработчиков

12 000+

сотрудников используют Claude

🏦

"Думайте об этом как о цифровых коллегах для масштабируемых, трудоёмких профессий" — Марко Арджентти, CIO Goldman Sachs.

Trade Reconciliation

Агент сверяет миллионы транзакций, исправляет расхождения, формирует отчёты для регулятора — часы вместо дней.

KYC/AML онбординг

Читает сотни страниц документов (контекст 1M токенов), извлекает UBO, проверяет санкционные списки, готовит compliance-пакет — на 30% быстрее.

Coding агент

Claude + Devin генерируют код, запускают тесты, проверяют соответствие внутренним стандартам — +20% продуктивности.

31 — Microsoft 365 Copilot Wave 3 и Agent 365

Microsoft перешёл от «Copilot как помощник» к «Copilot как агент». В Wave 3 (апрель 2026) агенты автономно выполняют многошаговые задачи. Agent 365 (май 2026) — enterprise control plane для управления агентами как инфраструктурой: Agent Catalog, MCP-коннекторы к Zendesk/GitLab/ServiceNow, полный аудит через Purview.

🔄

DevOps Support Agent

Запрос в Teams → проверка GitLab → создание тикета в ServiceNow с полным контекстом.

📦

Supply Chain Agents

Trade compliance, digital twin симуляции, lead-2-cash автоматизация. В фарме — real-time отслеживание temperature-критичных возвратов.

📊

Daily active usage AI агентов в M365 удвоился за год. IDC прогнозирует 1.3 млрд агентов к 2028.

32 — Anthropic + Shopify Автоматизация поддержки разработчиков

150+ ч/нед

сэкономлено инженерами

82%

тикетов решено без участия человека

4.9★

CSAT

Shopify внедрил Claude 3.5 Opus в поддержку разработчиков. Агент подключён к документации, форумам, GitHub и внутренним базам знаний. Среднее время ответа упало с 4 часов до 15 минут.

🛍️

"Claude позволяет нам масштабировать экспертность, не нанимая сотни новых инженеров" — CTO Shopify.

33 — Google + Mayo Clinic Gemini для синтеза медицинских исследований

80%

времени на литературный обзор сэкономлено

20+

клинических протоколов автоматизировано

95%

точность извлечения данных

Mayo Clinic использует Deep Research Agent для анализа тысяч медицинских публикаций. Агент разбивает запрос, ищет в PubMed, trials и внутренних протоколах, генерирует структурированные отчёты. Врачи проверяют за 30 минут вместо недель чтения.

34 — OpenAI + Morgan Stanley Wealth Management AI

1500+

аналитиков используют агента

40%

быстрее подготовка меморандумов

$12M

ежегодной экономии

Morgan Stanley развернул Workspace Agents на GPT-5.5 для wealth management. Агент подключён к Bloomberg, research-отчётам, SEC-филингам, CRM. Запрос → агент собирает данные, строит таблицы, выявляет риски, пишет черновик меморандума. Производительность выросла на 40%.

35 — Walmart Логистические агенты на складах

15%

снижение out-of-stock

22%

рост оборачиваемости

1,000+

складов с AI агентами

Walmart внедрил мультиагентную систему: агент прогнозирования спроса, агент пополнения запасов, агент маршрутизации доставки, агент работы с полками. Результат: товары с истекающим сроком распродаются на 20% быстрее, пустых полок на 15% меньше.

36 — Uber Мультиагентная система поддержки водителей и ценообразования

60%

тикетов водителей решаются автономно

35%

уменьшение времени ожидания ответа

$50M+

экономии в год на саппорте

Uber построил оркестрированную систему: Support Agent (документы, выплаты), Pricing Agent (динамическое ценообразование), Matching Agent (оптимизация назначения водителей). Агенты общаются через A2A-подобный протокол. Продуктивность инженеров выросла на 25% за счёт Codex.

37 — Bayer AI агенты для R&D и drug discovery

40%

ускорение early-stage drug discovery

2 млн+

научных статей проанализировано

перспективных молекул за 6 месяцев

Bayer объединил Palantir AIP с собственной платформой. Агенты: Literature Mining Agent, Drug Interaction Agent, Clinical Trial Agent. Кандидаты на лекарства от фиброза и рака найдены на 40% быстрее.

11 — Куда движется развитие

Тренд 1: Агенты как коллеги, а не инструменты

Как BNY (один из крупнейших custody banks) использует Gemini Enterprise для deep research по всей глобальной команде — агент стал частью workflow каждого аналитика, не отдельным инструментом, к которому надо специально обращаться.

Ожидаемый переход: к концу 2026 у каждого knowledge worker в крупных компаниях будет персональный агент, знающий их контекст, предпочтения и текущие проекты.

Тренд 2: Агентные экосистемы через A2A

Google A2A протокол + Anthropic MCP создают стандарты для агентного интернета. Агент-рекрутер компании сможет работать с агентом-кандидатом, агентом-HRS системы и агентом юридического отдела — всё через стандартизированные протоколы, независимо от вендора.

🔮

Прогноз на 2027. Появятся «агентные маркетплейсы»: компании подписываются на специализированных агентов (агент-налоговый консультант, агент-юрист по IP, агент-финансовый аналитик) и интегрируют их через A2A в свои внутренние агентные экосистемы.

Тренд 3: Computer Use становится стандартом

Anthropic приобрёл Vercept (май 2026) — усиление возможностей агентов взаимодействовать с живыми software окружениями через UI. Google Agent Sandbox уже позволяет агентам работать в браузере безопасно. Это открывает:

Автоматизацию legacy систем без API (агент «нажимает кнопки» в старом SAP)
E2E тестирование UI агентами
Мониторинг веб-сервисов через симулированное взаимодействие

Тренд 4: Специализация моделей по ролям в pipeline

Сейчас все агенты в workflow используют одну модель. Ближайшее развитие: orchestrator использует самую умную модель (Opus 4.8, Gemini 3.1 Pro), generator субагенты — быструю flash-модель, validator агенты — специализированную модель обнаружения ошибок. Это снизит стоимость при сохранении качества.

Тренд 5: Regulation-aware agents

Появляются агенты, которые знают регуляторную среду своей отрасли. Не просто «выполни задачу», а «выполни задачу в соответствии с GDPR, SOX, PCI DSS». Citi Sky — первый production пример. К 2027 это станет стандартом для regulated industries.

12 — Как внедрить агентов в компании: практический playbook

Матрица выбора задач для агентизации

Тип задачи	Подходит?	Почему
Повторяющаяся, хорошо определённая (обработка заказов)	✅ Отлично	Чёткие правила, измеримый результат, высокий ROI
Сбор и синтез информации из многих источников	✅ Отлично	Агент не устаёт, работает 24/7, не пропустит источник
Код-ревью, security audit, тестирование	✅ Отлично	Верифицируемый результат, высокая ценность при масштабе
Творческие решения, требующие интуиции	⚠️ Ограниченно	Агент помогает, но решение принимает человек
Высокие юридические/финансовые последствия	⚠️ Human-in-loop	Агент готовит, человек одобряет — как в Citi Sky
Задачи требующие эмпатии и отношений	❌ Не подходит	Переговоры, кризисная коммуникация, управление людьми

Поэтапный план внедрения

Неделя 1–2: Audit текущих процессов

Составьте список повторяющихся задач команды. Оцените: время на задачу × частота × возможность автоматизации. Выберите 1–2 задачи с наибольшим ROI и наименьшим риском для пилота.

Неделя 3–4: Первый агент (читающий, не пишущий)

Начните с агента который только собирает и синтезирует информацию. Никаких действий, только анализ. Это минимальный риск и максимальная обучаемость для команды.

Месяц 2: Human-in-loop действия

Агент предлагает → человек одобряет одним кликом → агент исполняет. Сначала: отправка email, создание тикетов, обновление записей. Это строит доверие к агенту у команды.

Месяц 3–4: Автономные действия для low-risk задач

Определите класс задач, где агент может действовать без подтверждения (классификация, маршрутизация, создание черновиков). Отслеживайте качество, настраивайте пороги.

Месяц 5+: Multi-agent workflows

Когда одиночные агенты работают надёжно, начинайте строить цепочки. Используйте Dynamic Workflows (Anthropic) или Gemini Agent Platform (Google) для сложных сквозных процессов.

Принципы, которые работают у Anthropic, Google и их клиентов

🎯

Начинайте с verifiable задач

Security audit, code review, data reconciliation — результат можно проверить независимо. Это позволяет откалибровать качество агента до внедрения в критические процессы.

🔒

Data residency с первого дня

Определите какие данные могут покидать периметр. MCP архитектура позволяет агентам работать с конфиденциальными данными не отправляя их в облако.

📊

Измеряйте toil reduction

Главная метрика: сколько часов механической работы агент снял с команды. Danfoss: 42 часа → real-time. Это убедительный бизнес-кейс для расширения.

🏗️

Runbook для каждого агента

Как в традиционных ops: каждый агент должен иметь документацию что он делает, что не делает, как работает escalation, как откатить изменения. Без этого — chaos at scale.

⚠️

Главная ошибка при внедрении. Пытаться сразу автоматизировать самые сложные процессы. Правило: если процесс плохо описан для нового сотрудника-человека — агент с ним не справится. Сначала формализуйте процесс, потом автоматизируйте.

AI Agents 2026 · Anthropic · Google · OpenAI · Palantir · Anduril · Meta · JPMorgan · Goldman Sachs · Microsoft · Shopify · Mayo Clinic · Morgan Stanley · Walmart · Uber · Bayer · Актуально на июнь 2026
Данные основаны на публичных анонсах, кейс-стади и официальной документации компаний