Эпоха умиления «умными» чат-ботами закончилась. Наступает время программных агентов, которые должны закрывать бизнес-задачи под ключ, маневрируя между людьми, рабочими процессами и корпоративными данными. Однако попытка внедрить Agentic AI как простое расширение привычного инференса больших языковых моделей — это стратегический тупик. По результатам тысяч экспериментов Intel стало ясно: автономные агенты — это проблема системной инфраструктуры, а не лингвистики. Пока бот просто генерирует текст, агент планирует многошаговые задачи, вызывает инструменты и пытается восстановиться после сбоев. Такая автономность требует среды, где надежность системы перевешивает «креативность» модели.
Сквозные процессы вместо точечных запросов
Исследования Intel показывают, что большинство существующих сред для разработки агентов бесполезны в реальном бизнесе, так как не учитывают общую производительность системы. Ценность агента зависит не от его красноречия, а от оркестрации задач, доступа к данным и управления задержками. Чтобы вскрыть эти зависимости, Intel расширила открытый фреймворк Terminal-Bench инструментами профилирования и телеметрии. Это позволило изолировать работу агентской надстройки от капризной вариативности самих LLM. Вывод неутешителен для любителей хайпа: агентский ИИ — это масштабная системная задача, где инференс занимает лишь часть цикла.
«Проблема агентского ИИ — это вопрос архитектуры систем, а не только чистой мощности инференса», — резюмируют в Intel.
В условиях реального Enterprise традиционные метрики оценки LLM отходят на второй план. Главным становится процент успешно выполненных задач и общая пропускная способность. Узкое место здесь не в том, насколько быстро «думает» модель, а в том, как система справляется с импульсивным характером нагрузки. Агенты постоянно переключаются между ожиданием ответа от нейросети и выполнением ресурсоемких вычислений во внешних инструментах.
Экономика автономности и плотность агентов
Для планирования мощностей ИТ-директорам придется выучить новый термин — «плотность агентов». По мнению аналитиков Intel, рассчитывать ресурсы нужно в количестве агентов на виртуальное ядро (vCPU), а не по общему числу запущенных процессов. Это дает понятную метрику для масштабирования: 10 агентов на 8 vCPU ведут себя так же, как 20 агентов на 16 vCPU. Такой подход позволяет прогнозировать совокупную стоимость владения (TCO). Например, интерактивные копайлоты требуют низкой плотности для мгновенного отклика, тогда как пакетные ИТ-задачи можно «уплотнять» до предела, выжимая из железа максимум.
«Планирование мощностей теперь привязано к плотности агентов на vCPU, а не к их сырому количеству», — следует из отчета Intel.
Мониторинг таких систем тоже меняет правила игры. Средняя загрузка процессора — это «шум», который скрывает опасные пики задержек во время вычислительных всплесков. Intel рекомендует использовать латентность задач как основной сигнал насыщения системы. Эта метрика заранее показывает, когда рабочие процессы начинают выстраиваться в очередь, прежде чем пострадает общее время выполнения.
В вопросах масштабирования Intel советует придерживаться горизонтального подхода (scale-out), добавляя новые узлы для наращивания общей емкости. Вертикальное масштабирование (scale-up) стоит приберечь для специфических задач с экстремальными требованиями к памяти или жесткими архитектурными ограничениями. Если аппаратный слой не адаптирован под «рваный» ритм работы автономных агентов, операционный хаос и финансовые дыры быстро перекроют любые выгоды от автоматизации. Без политики контроля инструментов и устойчивого управления памятью даже самый продвинутый агент останется дорогой игрушкой в руках разочарованного бизнеса.