Rusty Searle назвал пять инфраструктурных пробелов, тормозящих масштабирование автономных AI‑агентов

В колонке от 26 мая 2026 года Rusty Searle перечисляет пять конкретных технологических пробелов — от плохих данных до отсутствия управления — которые мешают безопасному и надёжному внедрению автономных агентов, и предлагает инженерные меры для их устранения.

В колонке от 26 мая 2026 года Rusty Searle выделил пять инфраструктурных пробелов, которые препятствуют масштабированию автономных AI‑агентов в компаниях. По его мнению, эти недостатки не только замедляют автоматизацию, но и ставят под угрозу корректность решений агентов, что делает их устранение приоритетом для CIO и команд разработки. Автор приводит практический пример: при попытке автоматизировать обновление ноутбуков команда обнаружила, что данные о устройствах оказались слишком неточными для запуска масштабного агента. В ответ была инициирована разработка системы управления активами, задача которой — собрать, структурировать и сделать доступными для агентов корректные данные. Этот кейс показывает, что без базовой точности и доступности информации даже простые сценарии автоматизации не могут масштабироваться безопасно.

Searle систематизирует проблему в пяти ключевых пробелах: доступность и качество данных; способности к контекстной инженерии; интеграция со старыми системами; недостаточный мониторинг работы ИИ; и отсутствие управления и организационной структуры. Он подчёркивает, что неполные или разрозненные данные, хранящиеся в десятках источников, заставляют модели выдавать ошибочные ответы или «галлюцинировать», что недопустимо при принятии автоматизированных решений.

Чтобы снизить риски, автор предлагает ряд инженерных практик. Во‑первых, создать единый уровень доступа к данным для объединения ключевых источников и обеспечения актуальности информации. Во‑вторых, перейти от пакетной обработки к потоковой (real‑time) подаче данных, чтобы агенты оперировали свежей информацией. В‑третьих, внедрить автоматизированный мониторинг качества данных и семантический поиск, чтобы агенты находили релевантные понятия, а не только ключевые слова. Эти меры направлены на снижение вероятности ошибок в реальном времени.

ная инженерия и RAG (retrieval‑augmented generation) Searle называет критическими для корректности: большие языковые модели зависят от внешних данных во время инференса, и без «живого» доступа к проприетарной информации модель будет генерировать правдоподобные, но неверные ответы. Он также предупреждает об опасности «контекстного отравления», когда ошибки накапливаются в цепочке взаимодействий агентов и данных. В завершение Searle подчёркивает, что технических улучшений недостаточно без организованной модели управления: нужен мониторинг производительности ИИ, интеграция с наследием и чёткая организационная структура, отвечающая за данные и поведение агентов. Только сочетание инженерных практик и управленческих процессов, по его мнению, позволит безопасно масштабировать автономных агентов в корпоративной среде.