Период наблюдения: с 09:00 22 октября до 09:00 29 октября 2026 года по пекинскому времени. К новостям этого выпуска относятся только официально обнародованные в этот период планы внедрения, сведения о результатах деятельности, исследования и обновления продуктов. Клиентские кейсы, запущенные ранее, явно обозначаются как контекст, а не выдаются повторно за новые анонсы.
Введение
Корпоративный ИИ вступил в более сложный, но и более ценный этап: от «умеет писать и отвечать» к «действительно встроен в рабочие процессы организации». На этой неделе Uber объявила о переходе от пилотного проекта на тысячу человек к развертыванию ChatGPT Work для всех сотрудников — более 30 тысяч человек; ServiceNow сообщила о годовой динамике использования ИИ-агентов в производственной среде; SAP представила опыт клиентов в финансовых и закупочных процессах. В то же время опросы, основанные на ответах самих компаний, указывают на непредвиденные расходы и проблемы управления, связанные с агентами, а Google, IBM и Akamai укрепляют техническую основу соответственно в области изоляции выполнения, учетных данных и контроля прав доступа.[1][2][3][4][6][7][8]
Стоит остерегаться двух иллюзий, создаваемых цифрами: создание учетной записи не означает регулярного использования сотрудником, а заявленная поставщиком экономия не равнозначна независимо подтвержденной окупаемости инвестиций. В статье отдельно обозначены «начало развертывания», «фактическое использование», «объем потребления в производственной среде» и «бета-версия продукта», чтобы не смешивать достижения разной степени зрелости.
Главная новость｜Uber расширяет внедрение ChatGPT Work с пилотной группы из 1000 человек до более чем 30 тысяч сотрудников
22 октября Uber официально объявила, что откроет доступ к ChatGPT Work как к корпоративной платформе ИИ-агентов для работы со знаниями более чем 30 000 сотрудников по всему миру, расширив охват прежнего пилотного проекта примерно на 1000 человек. Речь идет не просто о предоставлении доступа к чату: по информации самой Uber, платформа подключена к повседневным инструментам, включая Google Drive, Gmail, Google Calendar и Slack, и сотрудники могут поручать ей собирать информацию из разных приложений, готовить справочные материалы к совещаниям, оформлять презентации и анализировать данные. Команды разработки ПО по-прежнему используют Codex: эти два продукта предназначены для разных задач.[1]
Самое полезное для других компаний в этом кейсе — условия развертывания на уровне всей организации. Uber также упоминает внутреннюю библиотеку AI Skills, одобренные коннекторы и специальное обучение сотрудников. Без этих сопутствующих мер разные подразделения могут использовать одну и ту же модель с разными каналами передачи данных, правами совместного доступа и рабочими регламентами, и чем больше масштаб, тем сложнее аудит. Переход от пилотной группы из тысячи человек к развертыванию для всех сотрудников показывает, что проект охватывает закупки, права доступа, обучение и порядок взаимодействия бизнес-подразделений, а не ограничивается проверкой производительности.[1]
Однако в этом объявлении не говорится, что «30 тысяч человек уже активно пользуются платформой каждый день», и тем более не приводятся средняя экономия рабочего времени, финансовая выгода или стоимость обращений к системе на одного сотрудника. Uber заявила, что поделится данными о внедрении и измеримыми результатами позднее. Корректная интерпретация такова: развертывание для всех сотрудников подтверждено, но широкое фактическое использование и реальная окупаемость инвестиций еще требуют доказательств. Другие компании могут оценивать пользу масштабирования по доле выполненных заявок, корректности выполнения задач в нескольких системах, времени на ручную проверку, числу случаев превышения прав доступа и полной стоимости каждой задачи, а не считать количество зарегистрированных пользователей показателем успеха.[1]
Главная новость 1｜ServiceNow впервые сообщила о более чем 13-кратном росте потребления ресурсов ИИ-агентами в производственной среде год к году
В отчете о результатах деятельности за третий квартал, опубликованном 28 октября, ServiceNow заявила, что, по метрикам ее платформы, потребление ресурсов клиентами при использовании ИИ-агентов в производственной среде с начала года выросло более чем в 13 раз по сравнению с аналогичным периодом прошлого года. Это не число представленных демонстрационных агентов и не прогноз продаж лицензий на следующий год; как минимум этот показатель отражает наблюдаемое платформой расширение использования в производственной среде. Однако в основном тексте отчета не раскрыты единая единица измерения этого «потребления», его распределение по клиентам и результативность отдельных задач, поэтому из него нельзя сделать вывод, что выручка или эффективность также выросли в 13 раз.[2]
В том же сообщении говорится, что HPE выбрала ServiceNow для преобразования клиентской поддержки и выездного обслуживания в облачном и ИИ-бизнесе, а Stagwell — для объединения четырех служб поддержки на платформе управления, охватывающей более 70 агентств. Это объявленные в тот день направления закупок и внедрения, а не уже полностью завершенные проекты. Упомянутые в сообщении кейсы Bundesliga, Thrive, INRY и других клиентов были опубликованы ранее, поэтому в этом выпуске мы не представляем их как новые внедрения, состоявшиеся только 28 октября. Компаниям стоит сместить фокус с вопроса «какие у нас есть агенты» на вопросы «сколько ресурсов они на самом деле потребляют, сколько задач выполняют и кто отвечает за ошибки».[2]
Главная новость 2｜SAP сообщила, что 45 000 облачных клиентов используют ИИ, но заявленные результаты еще нужно оценить на уровне процессов
Для финансовых подразделений и команд управления цепочками поставок полноценное сравнительное испытание должно проводиться при одинаковых объемах операций, доле исключений и уровне обслуживания. Автоматическое выявление проблем, окончательное подтверждение финансовыми специалистами, повторную обработку в системе и затраты на модели следует учитывать в одном отчете. 45 000 — это число клиентов, использующих ИИ-продукты компании, а не количество проектов с уже полностью автономно работающими ИИ-агентами.[3]
Главная новость 3｜Опрос Redwood напоминает: масштабируемые ИИ-агенты — не обязательно управляемые
22 октября Redwood опубликовала результаты опроса 300 специалистов и руководителей в области технологий, рисков и ИИ. По данным опроса, 77% респондентов сталкивались с негативными последствиями работы ИИ-агентов, не охваченных системой управления и контроля. Чаще всего это были непредвиденные расходы на облачные ресурсы, затем — операционные сбои и проблемы с соблюдением нормативных требований. Кроме того, 42% сообщили о наличии централизованного реестра развернутых агентов, а 51% — о мониторинге их активности в реальном времени. Здесь измеряются опыт и организационные возможности со слов самих респондентов; эти данные не означают, что в 77% компаний по всему миру произошли подтвержденные реальные инциденты.[4]
Исследование было заказано Redwood и посвящено вопросам, связанным с ее бизнесом в сфере автоматизации, поэтому необходимо учитывать размер и состав выборки, а также возможное смещение отбора. Тем не менее оно поднимает практический вопрос: если компания разрешает агентам работать с учетными системами, CRM, заявками и репозиториями кода, но при этом не обеспечивает доступ к сведениям об ответственных лицах, перечню инструментов, механизму приостановки и учету затрат по задачам, после инцидента разобраться в произошедшем будет сложно. Вместо простого наращивания числа агентов надежнее заранее создать реестр активов, правила согласования и систему наблюдения за затратами.[4]
Главная новость 4｜Финансовые ИИ-агенты начинают связывать «получение счета — согласование — оплату», но границы полномочий остаются обязательными
22 октября Tipalti анонсировала AP Agent, предназначенный для координации получения счетов, их разнесения по счетам учета, согласования, оплаты и сверки в рамках единого рабочего процесса, а также для предоставления финансовых данных авторизованным корпоративным ИИ-инструментам через MCP. В его концепции особое внимание уделяется объяснениям на уровне отдельных полей, прослеживаемой истории действий, возможности финансовых специалистов оспаривать или переопределять решения агента и праву компании самостоятельно определять, какие этапы можно выполнять автоматически.[5]
Это описание новых продуктов и возможностей, опубликованное поставщиком; исходные материалы не содержат данных, достаточных для независимой проверки доли успешных платежей клиентов или долгосрочной динамики затрат. При внедрении компаниям следует прежде всего разграничить «проверку статуса счета», «рекомендацию бухгалтерского счета», «подготовку платежного поручения» и «фактическое перечисление средств»: последняя операция требует более строгого согласования с учетом суммы, получателя и прав доступа. Внедрение MCP не означает, что можно обходить действующие права доступа в ERP, банковскую проверку двумя сотрудниками и аудит платежей.[5]
Новость № 5｜Google, IBM и Akamai дополняют условия промышленной эксплуатации агентов на трех уровнях
Среда выполнения. 22 октября Google Cloud представила Agent Compute Engine: инфраструктуру, предоставляющую агентам microVM с аппаратной изоляцией, краткосрочные удостоверения и постоянные рабочие пространства, а также приостанавливающую простаивающие экземпляры во время ожидания ответа модели или одобрения человека, чтобы контролировать потребление ресурсов. Эта инфраструктура уже используется для внутренних агентных рабочих нагрузок Gemini в Google, однако предварительная версия Agent Compute Engine для внешних клиентов по-прежнему ожидается лишь в ближайшие месяцы. Нельзя представлять опыт внутреннего использования так, будто всем корпоративным клиентам уже доступен полноценный коммерческий сервис.[6]
Идентификация и авторизация. 27 октября IBM объявила об использовании HashiCorp Vault и Agent Identity для управления идентификацией агентов, краткосрочными учетными данными и отзывом прав доступа по требованию. В watsonx Orchestrate также делается акцент на межплатформенных возможностях обнаружения, изоляции, оценки и остановки агентов. Некоторые функции обнаружения и изоляции по-прежнему имеют статус предварительной технологической версии. В отличие от традиционного подхода, при котором учетным записям ботов выдают долгосрочные ключи администратора, эта архитектура сосредоточена на вопросах «кто отвечает за агента, к чему у него есть доступ и когда следует отозвать права». Ответить на них необходимо до фактического подключения агентов к производственным системам предприятия.[7]
Ограничения среды выполнения. 27 октября Akamai выпустила бета-версии Akamai Inference и Agent Sandbox: первый сервис предоставляет управляемый доступ к моделям, а второй с помощью экосистемы Spin и WebAssembly изолирует генерируемый агентами код, ограничивая вычислительные ресурсы, память, внешние подключения и доступ к системным функциям. Оба продукта находятся в стадии бета-тестирования, поэтому их нельзя описывать как полностью доступные коммерческие решения промышленного уровня. Решения трех компаний не являются полностью взаимозаменяемыми: microVM обеспечивают сравнительно строгую изоляцию, компоненты класса Vault управляют идентификацией и секретами, а песочницы Wasm ограничивают возможности исполняемого кода. При выборе также необходимо учитывать задержки, наблюдаемость и сложность эксплуатации.[6][7][8]
Цифры вкратце｜Сначала выясните, что стоит за каждой цифрой
- 1 000 → 30 000+: заявленные Uber число участников пилотного проекта и охват после открытия доступа всем сотрудникам, а не количество ежедневно активных пользователей или сэкономленных рабочих часов.[1]
- Более чем в 13 раз: раскрытый ServiceNow рост объема потребления ресурсов агентами в промышленной эксплуатации с начала года по сравнению с аналогичным периодом прошлого года; при этом компания не раскрыла базовые бизнес-показатели, позволяющие напрямую рассчитать ROI.[2]
- 45 000: число облачных клиентов, которые, по данным SAP, используют ее ИИ-решения; эту цифру нельзя считать количеством отдельных агентных проектов в промышленной эксплуатации.[3]
- 300 человек, 77%: размер выборки опроса Redwood и доля респондентов, сообщивших о негативных последствиях, а не частота инцидентов по отрасли в целом.[4]
- 0 изображений: в этом выпуске логотипы поставщиков, декоративные иллюстрации и рекламные фотографии неясного происхождения не использовались в качестве доказательств результатов промышленной эксплуатации.
Инженерный разбор｜От демонстрации модели к устойчивой работе: как минимум пять рубежей
Первый — границы работы. Сначала выберите процессы с чётко определёнными входными данными, допустимыми действиями и критериями приёмки: например, первичную проверку финансовых аномалий, поиск по внутренней базе знаний, классификацию обращений в службу поддержки или систематизацию ИТ-заявок. Установите отдельные уровни доступа для поиска, рекомендаций, отправки и оплаты. То, что агент способен дать точный ответ, ещё не означает, что ему следует разрешать напрямую изменять бухгалтерские данные в рабочей системе.[5][7]
Второй — идентификация и управление секретами. Для каждого агента определите ответственного, краткосрочные учётные данные, доступные инструменты и минимально необходимые права. По возможности изолируйте браузер и среду выполнения кода от долгосрочных ключей; действия с высоким риском направляйте через шлюз с журналом аудита. Именно к такому уровню управления сходятся представленные на этой неделе решения IBM, Google и Akamai, однако степень их доступности у поставщиков различается.[6][7][8]
Третий — проверка человеком и переход в резервный режим при сбоях. Для задач, которые не укладываются в правила, дают результаты с низкой уверенностью, превышают бюджет или сталкиваются со сбоями внешних систем, сохраняйте возможность передачи управления человеку. Учитывайте время на проверку, отмену действий и переделку: скорость отдельного вывода модели нельзя приравнивать к повышению эффективности всего процесса.[4][5]
Четвёртый — учёт затрат. Как минимум отслеживайте для каждой выполненной задачи расход токенов, вызовы инструментов, работу среды, хранение, журналирование, повторные попытки и затраты на труд людей. Чем сложнее агент, тем вероятнее, что простаивающие среды и многократные вызовы сведут на нет преимущества «дешёвого токена»; перед закупкой определите базовую стоимость одной задачи на небольшой выборке реальных заданий.[4][6]
Пятый — оценка бизнес-результатов. Отдельно фиксируйте число сотрудников, получивших доступ, число активных пользователей за неделю, количество выполненных задач, число исправлений человеком, удовлетворённость конечных клиентов и финансовые результаты. Показатели, опубликованные Uber и SAP, свидетельствуют об охвате и освоении решений, а показатели ServiceNow — об использовании платформы в рабочей среде. Всё это ценные признаки прогресса, однако для расчёта проверяемой окупаемости инвестиций нужны данные об эффективности на уровне отдельных задач.[1][2][3]
За чем следить дальше
Следите за тем, раскроет ли Uber фактическое число пользователей, качество выполнения задач и сведения об инцидентах безопасности при взаимодействии между приложениями; пояснит ли ServiceNow методику измерения 13-кратного роста потребления ресурсов в рабочей среде и его пользу для бизнеса; появятся ли по пилотным проектам SAP разборы клиентских результатов с исходными показателями и отдельным учётом затрат на труд людей; каковы будут условия и цены перехода Google Agent Compute Engine и Akamai Sandbox от предварительных версий и тестирования к полноценной доступности для промышленной эксплуатации.[1][2][3][6][8]
Примечание об источниках и проверке повторов: этот выпуск опирается на оригинальные корпоративные страницы, впервые опубликованные 22–28 октября; каждая тема также проверена на повторы относительно предыдущего выпуска «Еженедельника внедрения ИИ». При текущей попытке получить доступ к NIUX /blog/rss.xml не удалось; общедоступный список публикаций блога представлен кешированной версией и не охватывает все черновики и опубликованные страницы за последние 14 дней, поэтому полная проверка на повторы по всему сайту за 14 дней не завершена. Все операционные показатели поставщиков явно помечены как данные самих компаний; достоверные оригинальные иллюстрации, непосредственно связанные с доказательной базой этого выпуска, получить не удалось: изображений в основном тексте — 0, на обложке — 0.
Источники
- Uber предоставляет ChatGPT Work всем сотрудникам совместно с OpenAI — Uber, дата обращения: 2026-10-29
- ServiceNow публикует финансовые результаты за третий квартал 2026 года — ServiceNow, дата обращения: 2026-10-29
- Главные обновления в области ИИ за третий квартал 2026 года — Пресс-центр SAP, дата обращения: 2026-10-29
- 77% предприятий уже поплатились за отсутствие контроля над ИИ-агентами — Redwood Software, дата обращения: 2026-10-29
- Tipalti развивает агентный ИИ: новый AP Agent повышает автономность финансовых операций — Tipalti, дата обращения: 2026-10-29
- Представляем Agent Compute Engine и расширенные возможности управления агентами — Google Cloud, дата обращения: 2026-10-29
- IBM представляет средства управления идентификацией и контроля для ИИ-агентов, обеспечивая безопасное использование передового ИИ в корпоративной среде — Пресс-центр IBM, дата обращения: 2026-10-29
- Akamai запускает сервис инференса ИИ и среду выполнения агентов — Akamai, дата обращения: 2026-10-29
