Объём используемого в компаниях ИИ примерно в три раза превышает список официально присутствующих моделей

Исследование Snyk State of Agentic AI Adoption показало, что реальная инфраструктура искусственного интеллекта в компаниях примерно втрое превышает список используемых моделей. Почти половина организаций перешла к агентным архитектурам с автономными ИИ-агентами и MCP-серверами. При этом около 77% всех ИИ-компонентов поступают из внешних источников, а половина компаний не может отследить связь между моделями и обучающими данными.

Аналитики Snyk проанализировали 3044 корпоративные среды и 1,39 млн репозиториев с кодом. 46,9% организаций, уже работающих с ИИ, выбрали агентный подход. Больше половины из них построили инфраструктуру, где ИИ-агенты работают совместно с серверами Model Context Protocol. Эти платформы позволяют искусственному интеллекту обращаться к корпоративным данным, внутренним приложениям и внешним сервисам без участия человека.

Реальный масштаб ИИ-экосистемы оказался сюрпризом для многих руководителей. Если считать не только модели, но и фреймворки, MCP-инфраструктуру, векторные базы, обучающие датасеты и вспомогательные сервисы, общая численность компонентов вырастает почти в три раза.

Среди технических находок исследователей выделяются такие цифры:

• 46,9% компаний с ИИ уже перешли на агентные архитектуры;
• 77,4% ИИ-пакетов имеют стороннее происхождение;
• 63,8% корпоративных внедрений построены на закрытых моделях;
• 32,5% занимают открытые разработки;
• около половины организаций не хранят собственные модели в своих репозиториях.

Стоит обратить внимание, что почти у половины исследованных компаний специалисты вообще не нашли связи между применяемыми моделями и обучающими датасетами.

Лидером среди поставщиков остаётся OpenAI, доля Anthropic и других разработчиков растёт. Четыре крупнейших вендора совместно закрывают около 71% всех обнаруженных моделей. Такая концентрация формирует риски зависимости от нескольких игроков рынка. Для российских организаций проблема выглядит острее — при санкционных ограничениях замена коммерческого поставщика может остановить бизнес-процессы, встроенные вокруг конкретной модели.

Закрытые коммерческие разработки применяются там, где нужны сложные логические рассуждения и автономное выполнение задач. Открытые модели чаще используют для поисковых систем, генерации векторных представлений и специализированных функций. Разрыв между двумя категориями сокращается, у компаний появляется больше вариантов комбинировать подходы.

Сторонние программные компоненты формируют самый сложный пласт инфраструктуры. Лишь 22,6% решений создаются внутри организаций, остальное приходит извне. Каждая внешняя библиотека влияет на работу ИИ-сервисов, добавляет риски для безопасности и требует контроля цепочки поставок программного обеспечения.

Проблема прозрачности касается и происхождения моделей. У половины организаций специалисты не смогли установить, на каких данных обучались применяемые модели. Такая непрозрачность мешает расследовать инциденты, снижает понимание принципов работы ИИ и осложняет подтверждение соответствия нормативным требованиям. Для российских компаний это отдельная головная боль — регуляторы уже готовят требования к раскрытию источников обучения моделей.

Распределение внедрений по отраслям выглядит так:

• медиа и развлечения — самая высокая концентрация ИИ-компонентов;
• розничная торговля и производство потребительских товаров — активное внедрение;
• образовательный сектор — быстрый рост числа проектов;
• технологические и ИТ-компании — наибольшие объёмы развертываний.

Интересно, что архитектурные принципы внедрения ИИ по обе стороны Атлантики оказались практически одинаковыми — Северная Америка и Европа отличаются главным образом масштабом проектов.

Наибольший уровень внедрения фиксируется там, где ИИ участвует в создании контента, работе с клиентами и автоматизации внутренних операций. В таких организациях применяются полноценные агентные платформы, средства оркестрации и инфраструктура для выполнения последовательности действий сразу в нескольких системах.

Проблемы, с которыми сталкиваются крупные внедренцы:

• рост числа зависимостей от внешних поставщиков;
• сложность контроля цепочки поставок ПО;
• отсутствие прозрачности в отношении обучающих данных;
• увеличение точек интеграции и расширение поверхности атаки.

Для российских организаций проблема носит специфический характер. При отсутствии доступа к части западных сервисов приходится собирать инфраструктуру из смешанных компонентов, где часть решений открытая, часть — от отечественных разработчиков. Прозрачность такой конструкции ниже, а инцидентов может быть больше.

Ранее сообщалось, что исследование Института эстонского языка выявило слабую устойчивость ряда европейских генеративных ИИ-моделей к распознаванию дезинформации. Эксперты протестировали 60 различных систем искусственного интеллекта, включая модели Claude, GPT, Grok, разработки Mistral AI и другие решения с открытым кодом. Результаты показали, что даже современные нейросети могут испытывать трудности при отделении достоверной информации от ложных утверждений.

Эксперты CISOCLUB предупредили, что список моделей давно перестал отражать реальный масштаб ИИ-инфраструктуры. Организациям нужно инвентаризировать не только нейросети, но и агентов, MCP-серверы, векторные базы и все точки интеграции. Отсутствие такой инвентаризации означает работу с непрозрачной средой, где невозможно расследовать инциденты и подтвердить соответствие требованиям. Российским компаниям стоит закладывать в стратегию внедрения ИИ обязательный аудит происхождения моделей и обучающих данных. Только полная карта компонентов позволит управлять рисками безопасности и зависимостями от внешних поставщиков.