ИИ-агенты выходят в работу: вычисления, данные и деньги

OpenAI показала замеры чипа Jalapeño. SpaceXAI объявила, что выводит ИИ-стойки на орбиту. VentureBeat наняла первого ведущего аналитика по enterprise AI. Три события звучат как разные новости, но бьют в одну точку: когда агенты перестают быть демо и начинают делать работу, проблема уходит от моделей к вычислениям, данным и деньгам.

Сколько стоит один шаг агента

Агент устроен не как обычный запрос. Человек пишет задачу, модель отвечает. Агент планирует, вызывает инструменты, выполняет код, гоняет симуляции, снова обращается к модели. Между шагами он оркестрирует. Если каждый шаг ждёт по секунде, на цепочку из десяти шагов уходит время, которое уже раздражает. Проблему видно в цифрах.

OpenAI впервые опубликовала реальные замеры Jalapeño, чипа, собранного с Broadcom и анонсированного ещё в октябре 2025 года. На бенчмарке InferenceX от SemiAnalysis с моделями GPT-OSS 120B, DeepSeek R1 670B и Kimi K2.5 1T, против системы на Nvidia Blackwell чип делает в 1,5-1,9 раза больше работы на ватт, режет сквозную задержку в 1,7-3,6 раза и в 2,1-4,1 раза быстрее справляется с интерактивными задачами. Паспортный TDP 700 ватт, в тестах он ужимался ниже 550.

Архитектура ускоряет фазу prefill и обмен данными, а состояние модели вместе с KV-кэшем держит локально, не гоняя по сети. Глава железного направления OpenAI Ричард Хо назвал это заметным шагом. Здесь есть красивая петля: старые модели OpenAI помогали проектировать и запускать чип, новые уже оптимизируют его и пишут под него код.

Спутник Starmind AI1 от SpaceXAI несёт 120 киловатт вычислительной нагрузки с пиком 150, корпус шире Boeing 747. Задача противоречит интуиции: в космосе компьютеру жарко, воздух не уносит тепло. Земную стойку NVL72 остужает вода, орбитальная должна сбросить всё через радиаторы, пережить радиацию и вибрации запуска и остаться без ремонта.

Обе компании отвечают на один вопрос по-разному. OpenAI стянула всё в руки: модели, софт, чипы, память, сеть. SpaceXAI поменяла саму среду, где безлимитное солнце и вакуум для сброса тепла. Оба пути дорогие, и оба пока не доказаны.

Компании уходят от одного вендора

VentureBeat выходит за рамки новостного сайта и запускает исследовательское направление. Первым ведущим аналитиком стал Роб Стречей, до недавнего времени управлявший theCUBE Research. Он будет разбирать enterprise AI: как компании строят инфраструктуру, где у них дыры в безопасности агентов и куда утекают деньги на вычисления.

Задача стоит на стыке двух явлений. Компании переходят от экспериментов с генеративным ИИ к промышленной эксплуатации. Им надо сводить в один контур решения разных вендоров, находить слабые места в агентных пайплайнах и считать, сколько стоит каждая новая модель. Обычных новостей для таких задач мало.

Данные опроса VB Pulse подтверждают такой подход. Июньский отчёт по агентной оркестрации показал: две трети из 145 опрошенных компаний не привязались к одному поставщику моделей, а распределили риски между несколькими. Осторожность окупилась, когда в июне упали сервисы Anthropic Claude.

Две трети из 145 опрошенных компаний не привязались к одному поставщику моделей и распределили риски между несколькими.

Решение выходит за рамки технического. Ставка на одну модель означает риск для всего процесса. Компании, которые распределяют риски между несколькими вендорами, реже останавливают работу из-за единого сбоя.

Маркетинговые платформы перестраиваются под клиентские данные

Пока инженеры считают стоимость вычислений, маркетинговый стек разворачивается от ответа «этот лид готов?» к другому вопросу: «что делать дальше с этим клиентом?». Salesforce и Adobe строят оркестрацию поверх широких клиентских данных. Marketing Cloud Next опирается на платформу Data 360, а Flow Builder сводит действия в единый сценарий. Adobe Journey Optimizer собирает динамические пути на данных Adobe Experience Platform, Marketo Engage отвечает за автоматизацию в экосистеме.

Braze идёт с другой стороны: архитектура строится на профилях клиентов, поведении в реальном времени и согласованной работе по всем каналам. Центр смещается с базы данных на весь жизненный цикл клиента.

Здесь та же логика, что и в железе. Вокруг модели остаётся инфраструктура: данные, каналы, оркестрация. От того, как она устроена, зависит результат в работе.

Что это значит для бизнеса

Три новости складываются в один вывод. Переход от пилота к промышленной эксплуатации сдвигает фокус с выбора модели на всё, что вокруг неё: вычисления, порядок в данных, зависимость от одного вендора, стоимость каждого шага. Сильная модель нужна, но сама по себе задачу не решает.

Компании во Владивостоке и на Дальнем Востоке часто начинают с вопроса, какую модель взять. Практика enterprise-проектов показывает другой порядок: сначала аудит процессов и данных, потом выбор инструмента. Внедрение искусственного интеллекта даёт стабильный результат, когда автоматизация бизнес-процессов опирается на единые данные, а не на десятки разрозненных таблиц. ИИ-агенты для бизнеса окупаются там, где заранее посчитано, сколько стоит каждый шаг и какая модель его выполняет.

Бесплатный AI-аудит AG Branding покажет, какие процессы автоматизировать первыми, где у вас разрозненные данные и как не попасть в зависимость от одной модели.