Новости

CTGT, базирующаяся в Сан-Франциско, стартап, ориентированный на то, чтобы сделать ИИ более надежным благодаря настройке модели на уровне функций, получил награду «Лучший стиль презентации» в VB Transform 2025 в Сан-Франциско. Основанная 23-летним Кирилом Горллой, компания продемонстрировала, как ее технология помогает предприятиям преодолевать трастовые барьеры ИИ путем непосредственного изменения модельных функций вместо использования традиционных точных или быстрого инженерного метода.

Во время своей презентации Горлла подчеркнул «цикл AI Doom», с которой сталкиваются многие предприятия: 54% предприятий называют ИИ их самым высоким технологическим риском в соответствии с Deloitte, в то время как McKinsey сообщает, что 44% организаций испытывали негативные последствия от реализации ИИ.

«Большая часть этой конференции была о петле AI Doom», — объяснил Горлла во время своей презентации. «К сожалению, многие из них (инвестиции в области искусственного интеллекта) не выходят из себя. J & J только что отменил сотни пилотов ИИ, потому что они не доставляли рентабельность инвестиций из -за отсутствия фундаментального доверия к этим системам».

Разбивая стену вычисления ИИ

Подход CTGT представляет собой значительный отход от обычных методов настройки ИИ. Компания была основана на исследовании, проведенном Горллой во время проведения председателя Калифорнийского университета в Сан -Диего.

В 2023 году Горлла опубликовал статью на Международной конференции по обучению (ICLR) с описанием метода оценки и обучения моделей ИИ, который был в 500 раз быстрее, чем существующие подходы при достижении «трех девяти» (99,9%).

Вместо того, чтобы полагаться на масштабирование грубой силы или традиционные методы глубокого обучения, CTGT разработал то, что называет «совершенно новым стеком ИИ», который в корне переосмысливает, как нейронные сети учатся. Инновации компании фокусируются на понимании и вмешательстве на уровне функций моделей искусственного интеллекта.

Подход компании в основном отличается от стандартных решений интерпретации, которые полагаются на вторичные системы ИИ для мониторинга. Вместо этого CTGT предлагает математически проверяемые возможности интерпретации, которые устраняют необходимость в дополнительных моделях, значительно снижая вычислительные требования в процессе.

Технология работает, выявляя конкретные скрытые переменные (нейроны или направления в пространстве объектов), которые стимулируют поведение, такие как цензура или галлюцинации, а затем динамически изменяют эти переменные во время вывода без изменения весов модели. Этот подход позволяет компаниям настраивать поведение модели на лету, не снимая системы в автономном режиме для переподготовки.

Реальные приложения

Во время презентации преобразования Горлла продемонстрировал два предприятия, уже развернутые в финансовом учреждении Fortune 20:

Рабочий процесс соблюдения требований по электронной почте, который обучает моделей для понимания приемлемого контента для конкретного компании, позволяя аналитикам проверять свои электронные письма по стандартам соответствия в режиме реального времени. Система выделяет потенциально проблематичный контент и предоставляет конкретные объяснения.

Инструмент выравнивания бренда, который помогает маркетологам разработать копию в соответствии с ценностями бренда. Система может предложить персонализированные советы о том, почему определенные фразы хорошо работают для конкретного бренда и как улучшить контент, который не выравнивается.

«Если у компании есть 900 вариантов использования, им больше не придется настраивать модели 900»,-объяснил Горлла. «Мы модель-агностик, поэтому они могут просто подключить нас».

Реальным примером технологии CTGT в действии была ее работа с моделями DeepSeek, где она успешно определила и изменяла функции, ответственные за цензуру поведения. Изолируя и регулируя эти специфические паттерны активации, CTGT смог достичь 100% частоты ответов на чувствительные запросы без ухудшения производительности модели на нейтральных задачах, таких как рассуждения, математика и кодирование.

Изображения: презентация CTGT на VB Transform 2025

Продемонстрировано рентабельность инвестиций

Технология CTGT, по -видимому, дает измеримые результаты. Во время сеанса вопросов и ответов Горлла отметил, что в первую неделю развертывания с «одним из ведущих страховщиков с AI мы сэкономили от них 5 миллионов долларов».

Другой ранний клиент, Ebrada Financial, использовал CTGT для повышения фактической точности чат -ботов обслуживания клиентов. «Раньше галлюцинации и другие ошибки в ответах чат -ботов приводили к большому объему запросов на агенты в прямом эфире, поскольку клиенты стремились прояснить ответы», — сказал Лей Эбрада, основатель и налоговый стратег. «CTGT очень помог повысить точность чат -бота, устранив большинство из этих запросов агента».

В другом тематическом исследовании CTGT работала с неназванной компанией Fortune 10, чтобы расширить возможности AI на устройстве в средах с ограниченными возможностями. Компания также помогла ведущей фирме Computer Vision добиться в 10 раз более высокой производительности модели, сохраняя при этом сопоставимую точность.

Компания утверждает, что его технология может снизить галлюцинации на 80-90% и обеспечить развертывание ИИ с надежностью 99,9%, что является важным фактором для предприятий в регулируемых отраслях, таких как здравоохранение и финансы.

От Хайдарабада до Силиконовой долины

Путешествие Горллы само по себе замечательное. Родился в Хайдарабаде, Индия, он освоил кодирование в возрасте 11 лет и разбирал ноутбуки в старшей школе, чтобы выжать больше производительности для обучения моделей искусственного интеллекта. Он приехал в Соединенные Штаты, чтобы учиться в Калифорнийском университете в Сан -Диего, где он получил стипендию председателя.

Его исследование было сосредоточено на понимании фундаментальных механизмов того, как изучают нейронные сети, что привело к его бумаге ICLR и в конечном итоге CTGT. В конце 2024 года Горлла и соучредитель Тревор Таттл, эксперт в области гипермасштабных систем ML, были отобраны для партии Y Combinator’s Fall 2024.

Стартап привлекла заметных инвесторов за пределами его институциональных спонсоров, в том числе Марка Кубанского и других известных технологических лидеров, привлеченных к его визуализации, чтобы сделать ИИ более эффективным и заслуживающим доверия.

Финансирование и будущее

Основанная в середине 2024 года Горллой и Таттлом, CTGT привлек 7,2 млн. Долл. США в феврале 2025 года в переподписанном раунде семян, возглавляемым Gradient, ранним фондом AI от Google. Другими инвесторами являются общий катализатор, комбинатор Y, Liquid 2, Deepwater и известные ангелы, такие как Fransois Cholel (Creator of Keras), Майкл Сейбель (Y Combinator, соучредитель Twitch) и Пол Грэм (Y Combinator).

«Запуск CTGT своевременен, так как отрасль борется с тем, как масштабировать ИИ в текущих ограничениях вычислительных лимитов», — сказал Дариан Ширази, управляющий партнер в Gradient. «CTGT устраняет эти ограничения, позволяя компаниям быстро масштабировать свои развертывания ИИ и запускать передовые модели ИИ на таких устройствах, как смартфоны. Эта технология имеет решающее значение для успеха развертывания ИИ с высокими ставками на крупных предприятиях».

Благодаря тому, что размер модели ИИ опередил закон и достижения Мура в обучающих чипах искусственного интеллекта, CTGT стремится сосредоточиться на более основополагающем понимании ИИ, которое может справиться как с неэффективностью, так и с все более сложными модельными решениями. Компания планирует использовать свое начальное финансирование, чтобы расширить свою инженерную команду и усовершенствовать свою платформу.

Каждый финалист представлял аудитории из 600 лиц, принимающих решения в отрасли, и получил отзывы от группы венчурных судей из Salesforce Ventures, Menlo Ventures и Amex Ventures.

Читайте о других победителях Catio и Solo.io. Другими финалистами были Kumo, Superduper.io, Sutro и Qdrant.

Примечание редактора: как благодарность нашим читателям, мы открыли раннюю регистрацию птиц для VB Transform 2026-всего 200 долларов. Здесь AIM Ambition встречает эксплуатационную реальность, и вы захотите быть в комнате. Зарезервируйте свое место сейчас.

Catio, базирующаяся в Пало-Альто, был награжден «Самой классной технологией» в VentureBeat Transform 2025 в Сан-Франциско в среду. Основанная в 2023 году, компания привлекла 7 миллионов долларов на сегодняшний день, а недавний раунд объявлено в марте объявлено в 3 миллионах долларов. Catio также был финалистом и представлена ​​на инновационной выставке VB Transform в 2024 году.

Catio AI Copilot для технической архитектуры преодолевает архитектуру как живую систему, которая может быть кодифицирована, искажена и разумно развита. Объединяя архитектурную карту в реальном времени с многоагентной организацией ИИ, решение помогает инженерным группам переходить от реактивного принятия решений к непрерывному, упреждающему мастерству архитектуры.

Venturebeat рассказал соучредителям и генеральным директорам Борисом Богатином и ведущим продуктом Адамом Киршем о своей команде и технологии компании после объявления победителей в Transform. «Мы являемся командой серийных предпринимателей и технических лидеров, которые все поделились глубокой личной проблемой», — сказал Богатин. «В то время как у финансовых людей и разработчиков есть инструменты, CTO, архитекторы и разработчики, все планируют и оптимизируют стеки на досках и специальных электронных таблицах. И мы меняем это с Catio».

Catio — это гораздо больше, чем цифровая доска для автомобилей — это переосмысление того, как архитектура понимается, управляется и развивается. Платформа служит цифровым близнецом для вашего технического стека, предлагая непрерывную видимость архитектуры, чтобы информировать более хорошо информированные, управляемые данными решений архитектуры. Разработанный для решения эскалации сложности современных технологических стеков, включая облачную инфраструктуру, оркестровку контейнеров, мониторинг и трубопроводы данных, платформа заменяет статические диаграммы и специальные снимки интерактивной моделью системы с высокой точки зрения. С Catio архитектура становится живой, кодифицированной системой — постоянно обновляется, оценивается и консультируется сетью интеллектуальных агентов ИИ.

От статических диаграмм до живых систем

Как управляемый AI Tech Stack Copilot для технических лидеров и инженерных команд, Catio предоставляет экспертные знания в реальном времени и действенные рекомендации, чтобы помочь оценить, планировать и оптимизировать инфраструктуру с ясностью и уверенностью. Решение интегрируется с вашим существующим технологическим стеком — сервисами, такими как AWS, Kubernetes, Prometheus и многое другое.

После подключения стеки — его первый основной модуль — создает всеобъемлющую модель всей вашей среды. В отличие от традиционных архитектурных схем, эта модель кодифицирована, версируется и непрерывно обновляется, живет в коде, а не слайдах PowerPoint.

Источник: Catio.tech.

Эта динамическая архитектурная модель позволяет командам взаимодействовать со своим стеком в качестве судоходной системы. Каждый компонент является индивидуальным: что делает этот экземпляр RDS? Оптимизируется ли он за стоимость или производительность? Это все еще соответствует бизнес -требованиям? С CATIO на эти вопросы больше не отвечают на встречах или тематических темах электронной почты; Вместо этого они встроены в платформу.

Многоцелевая система ИИ, чтобы закрыть петлю на архитектуре

Решение включает в себя многоагентную систему ИИ, предназначенную для отражения структуры типичной технической организации. Он состоит из 31 специализированных агентов, каждый из которых смоделировал после общих ролей, таких как главный архитектор, архитектор данных, архитектор сообщений, менеджеры по продуктам и за ее пределами. Эти агенты сотрудничают, чтобы оценить проектирование и производительность архитектуры системы с требованиями и лучшими практиками.

Вместе они имитируют процессы проверки дизайна, которые обычно требуют недель координации или участия внешних консультантов. Но вместо периодических обзоров агенты Catios всегда работают, выполняя 24/7 анализ, чтобы помочь вам развивать вашу архитектуру в режиме реального времени. Кроме того, Catio не просто описывает вашу архитектуру — он активно критикует ее. Решение обеспечивает анализ разрыва, определительные точки неэффективные компоненты и предлагают целевые улучшения, соответствующие вашим бизнес -целям.

Будь то оптимизация конвейера данных, капитальный ремонт вашей инфраструктуры обмена сообщениями или переосмысление архитектуры хранения, платформа предоставляет действенную информацию на каждом уровне стека.

Будущее

В Transform Catio также объявил о предстоящем запуске Archie, разговорной многоагентной системы ИИ. Арчи позволит пользователям поговорить со своей архитектурой и попросить совета — например, «Как мне улучшить свою позицию в области безопасности?» Запрос даст четкие, действенные ответы, такие как руководство, чтобы точно определить, где в вашей архитектуре существует конкретная уязвимость безопасности.

Арчи обеспечивает как предписывающее руководство, так и реактивное понимание. Например, если вы стремитесь оптимизировать затраты, его агенты по искусственному ИИ будут выявлять возможности и оценивать влияние каждого из них. Это облегчает соединение каждого архитектурного решения к измерению рентабельности инвестиций, помогая вам разрабатывать и планировать с большей точностью — поэтому ваш технический выбор постоянно поддерживает реальные бизнес -цели.

Чтобы узнать больше о команде и технологии Catio, посетите их веб -сайт по адресу catio.tech. Вы также можете зарегистрироваться на демонстрацию и получить из первых рук взглянуть на платформу в действии.

Читайте о других победителях CTGT и Solo.io. Другими финалистами были Kumo, Superduper.io, Sutro и Qdrant.

Примечание редактора: как благодарность нашим читателям, мы открыли раннюю регистрацию птиц для VB Transform 2026-всего 200 долларов. Здесь AIM Ambition встречает эксплуатационную реальность, и вы захотите быть в комнате. Зарезервируйте свое место сейчас.

Предприятия, которые хотят создавать и масштабировать агентов, также должны принять другую реальность: агенты не созданы, как другое программное обеспечение.

Агенты «категорически отличаются» в том, как они строятся, как они работают и как они улучшаются, по словам генерального директора и соучредителя писателя May Habib. Это означает отказ от традиционного жизненного цикла разработки программного обеспечения при работе с адаптивными системами.

«Агенты не выполняют достоверных правил», — сказал Хабиб в среду, находясь на сцене на VB Transform. «Они основаны на результатах. Они интерпретируют. Они адаптируются. И поведение действительно появляется только в реальных условиях».

Знание того, что работает-а что не работает-происходит из опыта Хабиба, помогая сотням корпоративных клиентов строить и масштабировать агентов предприятия. По словам Хабиба, более 350 из Fortune 1000 являются писательными клиентами, и к концу 2025 года более половины Fortune 500 будут масштабируют агенты с писателем.

По словам Хабиба, использование не определенных технологий для производства мощных результатов может быть «действительно кошмарным», особенно при попытке системно масштабировать агенты. Даже если команды предприятий могут вращать агентов без менеджеров по продуктам и дизайнеров, Хабиб считает, что «мышление PM» все еще необходимо для сотрудничества, создания, итерационных и поддержанных агентов.

«К сожалению или, к счастью, в зависимости от вашей точки зрения, она останется держась с сумкой, если они не приведут своих деловых коллег в этот новый способ строительства».

>> Смотрите все наше преобразование 2025 года здесь <<

Почему агенты, основанные на целях, является правильным подходом

Один из сдвигов в мышлении включает понимание основанной на результатах природы агентов. Например, она сказала, что многие клиенты просят агентов помогать своим юридическим группам в рассмотрении контрактов или переломы. Но это слишком открыто. Вместо этого целенаправленный подход означает разработку агента для сокращения времени, затрачиваемого на рассмотрение и сокращение контрактов.

«В традиционном жизненном цикле разработки программного обеспечения вы разрабатываете детерминированный набор очень предсказуемых шагов», — сказал Хабиб. «Он вводит, вводится более детерминированным образом. Но с агентами вы стремитесь сформировать агентское поведение. Таким образом, вы ищете меньше контролируемого потока и многое другое, чтобы дать контекст и направлять принятие решений агентом».

Другое отличие — создание плана для агентов, которые обучают их бизнес -логике, а не предоставляют им рабочие процессы для следования. Это включает в себя проектирование циклов рассуждений и сотрудничество с экспертами субъектов для картирования процессов, которые способствуют желаемому поведению.

В то время как есть много разговоров о масштабных агентах, писатель все еще помогает большинству клиентов создавать их по одному. Это потому, что сначала важно ответить на вопросы о том, кто владеет и проверяет агента, который следит за тем, чтобы он остался актуальным и все еще проверяет, если он все еще дает желаемые результаты.

«Существует масштабирующий обрыв, который люди получают очень, очень быстро без нового подхода к строительным и масштабирующим агентам», — сказал Хабиб. «Существует обрыв, к которому люди получат, когда способность их организации управлять агентами ответственно действительно превышает темпы развития, происходящего по департаменту».

QA для агентов против программного обеспечения

Обеспечение качества также отличается для агентов. Вместо объективного контрольного списка, агентская оценка включает в себя учетную запись невоирного поведения и оценку того, как агенты действуют в реальных ситуациях. Это потому, что неудача не всегда очевидна — и не такая черная и белая, как проверка, если что -то сломалось. Вместо этого Хабиб сказал, что лучше проверить, хорошо ли агент ведет себя хорошо, спрашивая, работал ли неудача, оценивая результаты и намерения: «Цель здесь не является совершенством, это поведенческая уверенность, потому что в этом есть большая субъективность».

Предприятия, которые не понимают важности итерации, в конечном итоге играют в «постоянную игру тенниса, которая просто носит каждую сторону, пока они больше не захотят играть», — сказал Хабиб. Также важно, чтобы команды были в порядке, когда агенты не являются идеальными, а больше — «запустить их безопасно и быстро работать, а снова и снова итерация».

Несмотря на проблемы, есть примеры того, как агенты искусственного интеллекта уже помогают внести новый доход для предприятий. Например, Хабиб упомянул крупный банк, который сотрудничал с писателем для разработки агентской системы, что привело к новому конвейеру Upsell на сумму 600 миллионов долларов, внедряя новых клиентов в несколько линий продуктов.

Управление новой версией для агентов искусственного интеллекта

Агентное обслуживание также отличается. Традиционное обслуживание программного обеспечения включает в себя проверку кода, когда что -то сломается, но Хабиб сказал, что агентам искусственного интеллекта требуется новый вид контроля версий для всего, что может формировать поведение. Это также требует надлежащего управления и обеспечения того, чтобы агенты оставались полезными с течением времени, а не несут ненужные затраты.

По словам Хабиба, поскольку модели не сопоставляются чистыми с агентами искусственного интеллекта. Это также означает полное отслеживание выполнения по входам, выходам, шагам рассуждений, звонкам по инструментам и человеческому взаимодействию.

«Вы можете обновить (большую языковую модель) подсказку LLM и наблюдать, как агент ведут себя совершенно по -разному, хотя ничто в истории GIT фактически не изменилось», — сказал Хабиб. «Модельные ссылки сдвигаются, индексы поиска обновляются, API -интерфейсы эволюционируют, и внезапно такая же подсказка не ведет себя, как и ожидалось… может показаться, что мы отлаживаем призраков».

Агенты ИИ являются одной из самых горячих тем в технологии прямо сейчас — но сколько предприятий действительно развернуто и активно их используют?

LinkedIn говорит, что он имеет со своим помощником по найму в LinkedIn. Выходя за рамки своих популярных систем рекомендаций и поиска с AI, источники агента ИИ компании и набирают кандидатов на работу через простой интерфейс естественного языка.

«Это не демонстрационный продукт», — сказал на этой неделе Дипак Агарвал, руководитель ИИ в LinkedIn, на этой неделе в VB Transform. «Это живое. Это экономит много времени для рекрутеров, чтобы они могли тратить свое время на то, что они действительно любят делать, что воспитывает кандидатов и нанимает лучших талантов для работы».

>> Смотрите все наше преобразование 2025 года здесь <<

Полагаясь на многоагентную систему

LinkedIn использует многоагентный подход, используя то, что Агарвал описал как набор агентов, сотрудничающих, чтобы выполнить работу. Агент -супервайзер организует все задачи среди других агентов, включая агентов по потреблению и поискам, которые «хороши в одной и единственной одной работе».

Все общение происходит через агента супервизора, который получает вклад от пользователей людей относительно ролевой квалификации и других деталей. Затем этот агент предоставляет контекст агенту по поиску источников, который отбирает кандидаты и источники поиска рекрутера, а также описания того, почему они могут подходить для работы. Эта информация затем возвращается агенту супервизора, который начинает активно взаимодействовать с человеческим пользователем.

«Тогда вы можете сотрудничать с этим, верно?» сказал Агарвал. «Вы можете изменить его. У вас больше не нужно разговаривать с платформой в ключевых словах. Вы можете поговорить с платформой на естественном языке, и она ответит вам в ответ, он будет с вами разговором».

Затем агент может усовершенствовать квалификацию и начать поиск кандидатов, работая на менеджера по найму «как синхронно, так и асинхронно». «Он знает, когда делегировать задачу тому, какой агент, как собирать обратную связь и отображать пользователю», — сказал Агарвал.

Он подчеркнул важность «первых человеческих» агентов, которые держат пользователей всегда под контролем. Цель состоит в том, чтобы «глубоко персонализировать» опыт с ИИ, который адаптируется к предпочтениям, учится на поведении и продолжает развиваться и улучшать, чем больше, чем пользователи взаимодействуют с ним.

«Речь идет о том, чтобы помочь вам выполнять свою работу более и эффективно», — сказал Агарвал.

Как LinkedIn обучает свою многоагентную систему

Многоагентная система требует нюансированного подхода к обучению. Команда LinkedIn тратит много времени на точную настройку и делает каждого погрузочного агента эффективным для ее конкретной задачи для повышения надежности, объяснил Tejas Dharamsi, старший инженер-программист LinkedIn.

«Мы настраивались на моделях с доменом, а также делаем их меньше, умнее и лучше для нашей задачи»,-сказал он.

Принимая во внимание, что агент руководителя является специальным агентом, который требует высокой интеллекта и адаптивности. Оркэгстрирующий агент LinkedIn может рассуждать, используя границу крупных языковых моделей компании (LLMS). Он также включает в себя обучение подкрепления и непрерывные отзывы пользователей.

Кроме того, агент имеет «эмпирическую память», объяснил Агарвал, поэтому он может сохранить информацию из недавнего диалога. Он также может сохранить долговременную память о предпочтениях пользователей, а также дискуссии, которые могут быть важны для того, чтобы вспомнить позже в процессе.

«Экспериментальная память, наряду с глобальным контекстом и интеллектуальной маршрутизацией, является сердцем агента супервизора, и она продолжает становиться все лучше и лучше благодаря обучению подкреплению», — сказал он.

Итерация на протяжении всего цикла разработки агента

Дхарамси подчеркнул, что с агентами ИИ задержка должна быть на точке. Перед тем, как развернуть производство, строители моделей LinkedIn должны понимать, сколько запросов в секунду (QPS) может поддерживать модели и сколько графических процессоров требуется для их питания. Чтобы определить это и другие факторы, компания делает большой вывод и делает оценки, а также Ntension Red Teaming и оценку рисков.

«Мы хотим, чтобы эти модели были быстрее, и суб-агенты выполняли свои задачи лучше, и они действительно быстро делают это»,-сказал он.

После развертывания, с точки зрения пользовательского интерфейса, Дхарамси описал платформу AI AI LinkedIn как «блоки LEGO, которые разработчик искусственного интеллекта может подключить и играть». Абстракции разработаны таким образом, чтобы пользователи могли выбирать и выбирать на основе своего продукта и того, что они хотят создать.

«Основное внимание здесь в том, как мы стандартизируем разработку агентов в LinkedIn, так что последовательно вы можете создавать их снова и снова, попробовать разные гипотезы», — объяснил он. Вместо этого инженеры могут сосредоточиться на данных, оптимизации и потерь и функции вознаграждения, а не на базовом рецепте или инфраструктуре.

LinkedIn предоставляет инженерам различные алгоритмы, основанные на RL, контролируемой тонкой настройке, обрезке, квантовании и дистилляции для использования из коробки, не беспокоясь об оптимизации графических процессоров или провале, чтобы они могли начать запускать алгоритмы и тренировки, сказал Дхарамси.

По его словам, в создании своих моделей LinkedIn фокусируется на нескольких факторах, включая надежность, доверие, конфиденциальность, персонализацию и цену. Модели должны предоставлять постоянные выходы, не сойдя сойца. Пользователи также хотят знать, что они могут полагаться на то, чтобы агенты были последовательными; что их работа безопасна; что прошлые взаимодействия используются для персонализации; И это стоимость не стремительно взлететь.

«Мы хотим обеспечить большую ценность пользователю, лучше выполнить свою работу и делать то, что приносит им счастье, например, наем», — сказал Дхарамси. «Рекрутеры хотят сосредоточиться на поиске подходящего кандидата, не тратя время на поиски».

За последние несколько лет Intuit находился в пути с Generative AI, включающим технологию в рамках своих услуг в QuickBooks, Credit Karma, Turbotax и MailChimp.

Сегодня компания делает следующий шаг с серией агентов искусственного интеллекта, которые выходят за рамки того, как работают малые и средние предприятия. Эти новые агенты работают как виртуальная команда, которая автоматизирует рабочие процессы и предоставляет информацию о бизнесе в реальном времени. Они включают возможности для платежей, счетов и финансов, которые будут напрямую повлиять на бизнес -операции. Согласно Intuit, клиенты сэкономят до 12 часов в месяц и в среднем будут платить до пяти дней быстрее благодаря новым агентам.

«Если вы посмотрите на траекторию нашего опыта искусственного интеллекта в Intuit в первые годы, ИИ был встроен на задний план, и с Intuit Assist вы увидели сдвиг для предоставления информации клиенту», — сказал VentureBeat, Ашок Шривастава, главный ИИ и сотрудник данных в Intuit. «Теперь то, что вы видите, является полным редизайном. Агенты фактически выполняют работу от имени клиента с их разрешения».

Техническая архитектура: от стартового комплекта до производственных агентов

Intuit в течение некоторого времени работал на пути от помощников к агентскому ИИ.

В сентябре 2024 года компания подробно описала свои планы по использованию ИИ для автоматизации сложных задач. Это подход, который твердо построен на платформе Generative Ai Operating System (GENOS), основанного на платформе AI, основанном на его усилиях по ИИ.

Ранее в этом месяце Intuit объявила о серии усилий, которые еще больше расширяют свои возможности. Компания разработала свою собственную услугу быстрого оптимизации, которая будет оптимизировать запросы для любой большой языковой модели (LLM). Он также разработал то, что он называет интеллектуальным уровнем познания данных для корпоративных данных, которые могут понимать различные источники данных, необходимые для корпоративных рабочих процессов.

Идя на шаг вперед, Intuit разработал стартовый комплект агента, который основан на технической основе компании, чтобы обеспечить разработку агента.

Агент портфель: от денежного потока до управления клиентами

С техническим фондом, в том числе наборами агента стартера, Intuit создал серию новых агентов, которые помогают владельцам бизнеса добиться цели.

Агент Intuit демонстрирует техническую сложность, необходимую для перехода от прогнозирующего ИИ к автономному выполнению рабочего процесса. Каждый агент координирует прогнозирование, обработку естественного языка (NLP) и автономное принятие решений в рамках полных бизнес-процессов. Они включают в себя:

Платежный агент: Автономно оптимизирует денежный поток, прогнозируя поздние платежи, генерируя счета и выполняя последующие последовательности.

Бухгалтерский агент: Представляет эволюцию Intuit от систем, основанных на правилах, до автономной бухгалтерии. Агент теперь автономно обрабатывает категоризацию транзакций, примирение и завершение рабочего процесса, предоставляя более чистые и более точные книги.

Финансовый агент: Автоматизирует стратегический анализ, традиционно требующий специальных инструментов бизнес -аналитики (BI) и человеческих аналитиков. Обеспечивает анализ ключевых показателей эффективности (KPI), планирование и прогнозирование сценариев, основанное на том, как компания делает против контрольных показателей Peer, одновременно генерируя рекомендации по росту.

Intuit также создает агенты концентраторов клиентов, которые помогут с задачами приобретения клиентов. Обработка заработной платы, а также усилия по управлению проектами также являются частью будущих планов выпуска.

Помимо разговорного пользовательского интерфейса: дизайн агента, ориентированный на задачу

Новые агенты отмечают эволюцию в том, как ИИ представлен пользователям.

Редизайн интерфейса Intuit раскрывает важные принципы опыта пользователя для развертывания корпоративного агента. Вместо того, чтобы привязывать возможности ИИ на существующее программное обеспечение, компания в основном реструктурировала пользовательский опыт QuickBooks для ИИ.

«Пользовательский интерфейс теперь действительно ориентирован на деловые задачи, которые необходимо выполнить», — объяснил Шривастава. «Это позволяет получить информацию и рекомендации в реальном времени напрямую приходить к пользователю».

Этот ориентированный на задачу подход контрастирует с интерфейсами, основанными на чате, доминирующих в текущих инструментах Enterprise AI. Вместо того, чтобы потребовать, чтобы пользователи изучали стратегии подсказки или ориентироваться в разговорных потоках, агенты работают в рамках существующих бизнес -процессов. Система включает в себя то, что Intuit называет «деловым каналом», который контекстуально вызывает действия и рекомендации агента.

Доверие и проверка: вызов закрытой контуре

Один из наиболее технически значимых аспектов реализации Intuit рассматривает критическую проблему в развертывании автономного агента: проверка и доверие. Команды AI Enterprise часто борются с проблемой черного ящика — как вы гарантируете, что агенты искусственного интеллекта работают правильно, когда они работают автономно?

«Чтобы укрепить доверие с помощью систем искусственного интеллекта, мы должны предоставить клиенту доказательства того, что то, что они думают, происходит, на самом деле происходит», — подчеркнул Шривастава. «Эта закрытая петля очень, очень важна».

Решение Intuit включает в себя создание возможностей проверки непосредственно в Genos, что позволяет системе предоставлять доказательства действий и результатов агента. Для агента платежей это означает, что пользователям были отправлены пользователям, что отслеживают доставку и демонстрируют улучшение в циклах платежей, что является результатом действий агента.

Этот подход проверки предлагает шаблон для предприятий, развертывающих автономные агенты в бизнес-процессах с высокими ставками. Вместо того, чтобы просить пользователей доверять выходам ИИ, система обеспечивает проверенные тропы и измеримые результаты.

Что это значит для предприятий, стремящихся попасть в агент

Evolution Intuit предлагает конкретную дорожную карту для предприятий, планирующих автономные реализации искусственного интеллекта:

Сосредоточьтесь на завершении рабочего процесса, а не на разговоре: Целевые конкретные бизнес-процессы для сквозной автоматизации, а не для создания интерфейсов чата общего назначения.

Построить инфраструктуру оркестровки агента: Инвестируйте в платформы, которые координируют прогноз, языковую обработку и автономное выполнение в рамках унифицированных рабочих процессов, а не изолированные инструменты ИИ.

Системы проверки дизайна заранее: Включите всеобъемлющие аудиторские маршруты, отслеживание результатов и уведомления пользователей в качестве основных возможностей, а не как последующие.

Карта рабочих процессов перед созданием технологий: Используйте консультативные программы клиентов для определения возможностей агента на основе фактических операционных проблем.

Планируйте редизайн интерфейса: Оптимизируйте UX для рабочих процессов, управляемых агентами, а не традиционных шаблонов навигации по программному обеспечению.

«Когда крупные языковые модели становятся коммодитизированными, опыт, построенный на них, становится гораздо более важным», — сказал Шривастава.

За последние 100 летВ яBM видел много разных технических тенденций, которые поднимаются и падают. То, что имеет тенденцию побеждать, это технологии, где есть выбор.

В VB Transform 2025 сегодня Арманд Руис, вице -президент по AI Platform на IBM подробно описал, как Big Blue думает о генеративном искусственном интеллекте и о том, как его предприятия на самом деле развертывают эту технологию. Ключевая тема, на которую подчеркнул Руис, заключается в том, что на данный момент речь идет не о выборе одного поставщика или технологии для одного крупного языковой модели (LLM). Клиенты корпоративного предприятия систематически отклоняют стратегии ИИ с одним поставщиком в пользу многомодельных подходов, которые соответствуют конкретным LLMS с целевыми вариантами использования.

IBM имеет свои собственные модели искусственного интеллекта с открытым исходным кодом с гранитной семьей, но она не позиционирует эту технологию как единственный выбор или даже правильный выбор для всех рабочих нагрузок. Это поведение предприятия заставляет IBM позиционировать себя не как конкурента модели фундамента, а как то, что Руис называл контрольной башней для рабочих нагрузок искусственного интеллекта.

«Когда я сижу перед клиентом, они используют все, к чему у них есть доступ, все», — объяснил Руис. «Для кодирования они любят антропные, и для некоторых других случаев использования, таких как рассуждения, им нравится O3, а затем для настройки LLM, с их собственными данными и тонкой настройкой, им нравится либо наш гранитный сериал, либо Мистраль с их небольшими моделями, либо даже лама… это просто соответствует LLM с правильным вариантом использования. И тогда мы помогаем им, чтобы приносить рекомендации».

Стратегия мульти-LLM Gateway

Реакция IBM на эту рыночную реальность представляет собой недавно выпущенный модельный шлюз, который предоставляет предприятиям один API для переключения между различными LLMS, сохраняя при этом наблюдаемость и управление во всех развертываниях.

Техническая архитектура позволяет клиентам запускать модели с открытым исходным кодом самостоятельно в свой собственный стек вывода для конфиденциальных вариантов использования, одновременно получая доступ к общедоступным API, таким как Bedrock или Google Cloud Gemini для менее важных приложений.

«Этот шлюз предоставляет нашим клиентам один слой с одним API, чтобы переключиться с одного LLM на другой LLM и добавить наблюдаемость и управление повсюду», — сказал Руис.

Подход напрямую противоречит стратегии общего поставщика по блокировке клиентов в проприетарные экосистемы. IBM не одинока в том, чтобы принять многоотдательный подход к выбору модели. В последние месяцы появились несколько инструментов для маршрутизации моделей, которая направлена ​​на направление рабочей нагрузки на соответствующую модель.

Протоколы оркестровки агента появляются как критическая инфраструктура

Помимо мультимодельного управления, IBM решает возникающую задачу общения с агентом-агентом с помощью открытых протоколов.

Компания разработала ACP (протокол связи агента) и внесла его в Фонд Linux. ACP является конкурентным усилием протокола Google Agent2agent (A2A), который только на этой неделе был внесен Google в фонд Linux.

Руис отметил, что оба протокола стремятся облегчить общение между агентами и сократить пользовательские работы по разработке. Он ожидает, что в конечном итоге различные подходы будут сходиться, и в настоящее время различия между A2A и ACP в основном являются техническими.

Протоколы оркестровки агента предоставляют стандартизированные способы взаимодействия систем ИИ на разных платформах и поставщиках.

Техническая значимость становится ясной при рассмотрении масштаба предприятия: у некоторых клиентов IBM уже есть более 100 агентов в пилотных программах. Без стандартизированных протоколов связи каждое взаимодействие с агентом и агентом требует пользовательской разработки, создавая неустойчивую интеграционную нагрузку.

ИИ — это преобразование рабочих процессов и способ выполнения работы

С точки зрения того, как Руис видит ИИ, влияющий на предприятия сегодня, он предполагает, что это действительно должно быть больше, чем просто чат -боты.

«Если вы просто занимаетесь чат -ботами, или вы пытаетесь сделать экономию средств с ИИ, вы не делаете ИИ», — сказал Руис. «Я думаю, что ИИ на самом деле о полном преобразовании рабочего процесса и о том, как выполняется работа».

Различие между реализацией ИИ и трансформацией ИИ сосредоточено на том, насколько глубоко технология интегрируется в существующие бизнес -процессы. Внутренний пример HR от IBM иллюстрирует этот сдвиг: вместо того, чтобы сотрудники, спрашивающие чат -ботов для информации о персонале, специализированные агенты теперь обрабатывают обычные запросы о компенсации, найме и продвижении по службе, автоматически маршрутизируют соответствующие системы и эскалация для людей только при необходимости.

«Раньше я проводил много времени, разговаривая с моими партнерами по кадрам во многих вещах. Я обращаюсь большей частью этого сейчас с агентом по персоналу», — объяснил Руис. «В зависимости от вопроса, если это что -то в отношении компенсации или что -то в том, что касается разлуки, или найма кого -то, или для продвижения по службе, все это будет связано с различными внутренними системами HR, и они будут как отдельные агенты».

Это представляет собой фундаментальный архитектурный сдвиг от моделей взаимодействия человека с компьютером к компьютерной автоматизации рабочего процесса. Вместо того, чтобы сотрудники учатся взаимодействовать с инструментами искусственного интеллекта, ИИ учится выполнять полные бизнес-процессы.

Техническое значение: предприятия должны выйти за рамки интеграции API и призвать проектирование в направлении глубокого процесса инструментов, которые позволяют агентам искусственного интеллекта выполнять многоэтапные рабочие процессы автономно.

Стратегические последствия для инвестиций в области ИИ предприятия

Данные развертывания в реальном мире IBM предполагают несколько критических сдвигов для стратегии ИИ предприятия:

Отказаться от чат-бота-первого мышления: Организации должны определить полные рабочие процессы для преобразования, а не добавлять разговорные интерфейсы в существующие системы. Цель состоит в том, чтобы устранить человеческие шаги, а не улучшить взаимодействие человека с компьютером.

Архитектор гибкости мультимодели: Вместо того, чтобы принять участие в отдельных поставщиках искусственного интеллекта, предприятиям нужны платформы интеграции, которые позволяют переключать между моделями на основе требований к случаям использования при сохранении стандартов управления.

Инвестировать в стандарты связи: Организации должны расставлять приоритеты инструментов искусственного интеллекта, которые поддерживают возникающие протоколы, такие как MCP, ACP и A2A, а не подходы к проприетарной интеграции, которые создают блокировку поставщиков.

«Есть так много всего, чтобы построить, и я продолжаю говорить, что всем нужно изучать ИИ, и особенно бизнес -лидеры должны быть первыми лидерами ИИ и понимать концепции», — сказал Руис.

Перчатки вышли на Во вторник в VB Transform 2025 в качестве альтернативных производителей чипов непосредственно оспаривали повествование о доминировании NVIDIA во время панели о выводе, выявляя фундаментальное противоречие: как можно сделать вывод искусственного интеллекта Коммодитизированная «фабрика» и командование 70% валовой маржи?

Джонатан Росс, генеральный директор Groq, не разбивал слова, обсуждая тщательно продуманные сообщения Nvidia. «AI Factory — это всего лишь маркетинговый способ сделать AI звучать менее страшным», — сказал Росс во время панели. Шон Лож, технический директор Cerebras, конкурент, был одинаково прямым: «Я не думаю, что Nvidia Minds, имеющие всех поставщиков услуг, сражающихся с этим за каждую последнюю копейку, пока они сидят там с 70 очками».

На карту поставлены сотни миллиардов инвестиций в инфраструктуру и будущей архитектуры искусственного искусства предприятий. Для лидеров CISO и искусственного интеллекта в настоящее время заперты в еженедельных переговорах с OpenAI и другими поставщиками для большей способности, группа разоблачила неудобные истины о том, почему их инициативы по ИИ продолжают бить на контрольно -пропускных пунктах.

>> Смотрите все наше преобразование 2025 года здесь <<

Кризис потенциала, о котором никто не говорит

«Любой, кто на самом деле является большим пользователем этих моделей ИИ Gen, знает, что вы можете пойти в Openai, или кто бы он ни был, и они на самом деле не смогут обслуживать вас достаточно токенов», — объяснил Дилан Патель, основатель полуанализа. Существуют еженедельные встречи между некоторыми из крупнейших пользователей ИИ и их поставщиками моделей, чтобы попытаться убедить их выделить больше возможностей. Затем есть еженедельные встречи между этими поставщиками моделей и их поставщиками оборудования ».

Участники панели также указали на нехватку токена как разоблачение фундаментального недостатка в аналогии за фабрики. Традиционное производство реагирует на сигналы спроса, добавляя мощность. Однако, когда предприятия требуют в 10 раз больше емкости вывода, они обнаруживают, что цепочка поставок не может сгибаться. GPU требуют двухлетнего времени выполнения. Центры обработки данных нуждаются в разрешениях и договорах питания. Инфраструктура не была построена для экспоненциального масштабирования, что заставило поставщиков доступа к рациону через пределы API.

По словам Пателя, Антропик подскочил с 2 до 3 миллиардов долларов за ARR всего за шесть месяцев. Курсор перешел с нуля до 500 миллионов долларов США. Openai перешел 10 миллиардов долларов. И все же предприятия все еще не могут получить токены, которые им нужны.

Почему мышление «фабрика» нарушает экономику искусственного интеллекта

Концепция «Фабрика ИИ» Дженсена Хуанга подразумевает стандартизацию, коммодитизацию и повышение эффективности, что снижает затраты. Но панель показала три фундаментальных способа, которые эта метафора разрушается:

Во -первых, вывод не является единым. «Даже сегодня, для вывода, скажем, DeepSeek, есть ряд поставщиков по кривой того, как быстро они предоставляют, какая стоимость», — отметил Патель. DeepSeek обслуживает свою собственную модель по самой низкой стоимости, но обеспечивает только 20 токенов в секунду. «Никто не хочет использовать модель в 20 токенах в секунду. Я говорю быстрее 20 токенов в секунду».

Во -вторых, качество сильно варьируется. Росс провел историческую параллель со стандартным нефтью: «Когда началось стандартное нефть, нефть имела различное качество. Вы можете купить нефть у одного поставщика, и это может поджечь ваш дом». Сегодняшний рынок выводов искусственного интеллекта сталкивается с аналогичными различиями в качестве, поскольку поставщики используют различные методы, чтобы снизить затраты, которые непреднамеренно ставят под угрозу качество выпуска.

В -третьих, и наиболее критически, экономика перевернута. «Одна из вещей, которая необычна в ИИ, это то, что вы не можете тратить больше, чтобы получить лучшие результаты», — объяснил Росс. «Вы не можете просто иметь программное приложение, скажем, я собираюсь потратить вдвое больше на размещение своего программного обеспечения, и приложения могут стать лучше».

Как подход одного провайдера привлек внимание мета

Когда Росс упомянул, что Марк Цукерберг похвалил Грока за то, что он «единственный, кто запустил его с полным качеством», он непреднамеренно раскрыл качественный кризис отрасли. Это было не просто признание. Это было обвинение любого другого провайдера, разрезающего углы.

Росс изложил механику: «Многие люди делают много хитростей, чтобы снизить качество, не намеренно, а для снижения своей стоимости, улучшить свою скорость». Методы звучат технические, но влияние просто. Квантование снижает точность. Обрезка удаляет параметры. Каждая оптимизация снижает производительность модели так, как предприятия не могут обнаружить до тех пор, пока производство не пройдет.

Стандартная нефтяная параллель Росс Дрю освещает ставки. Сегодняшний рынок выводов сталкивается с той же проблемой качества. Поставщики делают ставку на то, что предприятия не заметят разницы между точностью 95% и 100%, что ставит ставки против таких компаний, как Meta, которые имеют сложность для измерения деградации.

Это создает немедленные императивы для покупателей предприятий.

1. Установить качественные показатели перед выбором поставщиков.
2. Аудит существующих партнеров по выводу для нераскрытых оптимизаций.
3. Примите, что ценообразование премиум -класса для полной модели Fidelity в настоящее время является постоянной рыночной функцией. Эпоха предположения о функциональной эквивалентности между поставщиками выводов закончилась, когда Цукерберг вызвал разницу.

Пратокс токенов в размере 1 миллиона долларов США

Самый показательный момент наступил, когда группа обсуждала цены. Ложь подчеркнула неудобную правду для отрасли: «Если эти миллионы жетонов столь же ценны, насколько мы считаем, верно? Это не о движущихся словах. Вы не взимаете 1 доллар за движущиеся слова. Я плачу своему адвокату 800 долларов за час, чтобы написать двухстраничную память».

Это наблюдение сокращается до сердца проблемы с обнаружением цены ИИ. Индустрия участвует в гонках, чтобы привести к затратам на токен ниже 1,50 долл. США за миллион, в то время как эти токены будут трансформировать все аспекты бизнеса. Панель неявно согласилась друг с другом, что математика не складывается.

«Практически все тратят, как и все эти быстрорастущие стартапы, сумма, которую они тратят на токены, поскольку услуга почти соответствует их доходам один к одному»,-сказал Росс. Этот коэффициент расходов 1: 1 на токены искусственного интеллекта по сравнению с доходом представляет собой неустойчивую бизнес -модель, которую участники группы утверждают, что «фабричный» повествование удобно игнорирует.

Производительность меняет все

Cerebras и Groq не просто конкурируют по цене; Они также конкурируют за производительность. Они принципиально меняют то, что возможно с точки зрения скорости вывода. «Благодаря технологии масштаба пластин, которую мы создали, мы включаем 10 раз, иногда в 50 раз, более высокую производительность, чем даже самые быстрые графические процессоры сегодня», — сказал Лей.

Это не постепенное улучшение. Это обеспечивает совершенно новые варианты использования. «У нас есть клиенты, у которых есть агентские рабочие процессы, которые могут занять 40 минут, и они хотят, чтобы эти вещи работали в режиме реального времени», — объяснила Ли. «Эти вещи просто невозможны, даже если вы готовы заплатить лучшие доллары».

Дифференциал скорости создает раздвоенный рынок, который не поддается стандартизации фабрики. Предприятия, нуждающиеся в выводе в реальном времени для приложений, ориентированных на клиента, не могут использовать ту же инфраструктуру, что и те, которые работают в течение ночи.

Настоящее узкое место: центры питания и обработки данных

В то время как все сосредотачиваются на поставке чипов, панель выявила фактическое развертывание AI -ограничения. «Возможность центра обработки данных — большая проблема. Вы не можете найти пространство центра обработки данных в США», — сказал Патель. «Сила — большая проблема».

Проблема инфраструктуры выходит за рамки производства чипов до фундаментальных ограничений ресурсов. Как объяснил Патель, «TSMC на Тайване может заработать чипсы на сумму более 200 миллионов долларов, верно? Это даже не… это скорость, с которой они масштабируют, смешно».

Но производство чипов ничего не означает без инфраструктуры. «Причина, по которой мы видим эти большие сделки на Ближнем Востоке, и отчасти почему обе эти компании имеют большое присутствие на Ближнем Востоке, это сила», — заявил Патель. В глобальной схватке на Compute предприятия «проходят по всему миру, чтобы получить место, где существует власть, где бы ни существовала мощность центров обработки данных, где бы ни находились электрики, которые могут построить эти электрические системы».

Google «Успешная катастрофа» становится реальностью каждого

Росс поделился свидетельским анекдотом из истории Google: «В Google в Google был очень популярен термин, который стал очень популярным в Google, называемом успешным катастрофой. Некоторые из команд создали приложения ИИ, которые начали работать лучше, чем люди впервые, и спрос на вычисление было настолько высоким, что им нужно было быстро удвоить или утроить мировой центр обработки данных».

Этот шаблон теперь повторяется по всему развертыванию ИИ предприятия. Приложения либо не могут получить тягу, либо испытать рост хоккейных палочек, который сразу же достигает лимитов инфраструктуры. Там нет среднего уровня, без плавной кривой масштабирования, которую предсказала бы фабричная экономика.

Что это значит для стратегии ИИ предприятия

Для ИТ -директоров, CISOS и лидеров искусственного интеллекта, откровения Группы требуют стратегической перекалибровки:

Планирование пропускной способности требует новых моделей. Традиционное ИТ -прогнозирование предполагает линейный рост. Рабочие нагрузки ИИ нарушают это предположение. Когда успешные приложения увеличивают потребление токенов на 30% в месяц, годовые планы мощности устарели в течение кварталов. Предприятия должны перейти от статических циклов закупок к динамическому управлению потенциалами. Создать контракты с продовольственными положениями. Мониторинг использования еженедельно, а не ежеквартально. Примите, что паттерны масштабирования ИИ напоминают кривые вирусных кривых, а не традиционные развертывания программного обеспечения для предприятия.

Скоровые премии постоянны. Идея о том, что вывод будет коммодитизировать в равномерные цены, игнорирует массовые пробелы в результате производительности между поставщиками. Предприятия должны бюджет на скорость, где это важно.

Архитектура превосходит оптимизацию. Groq и Cerebras не выигрывают, делая графические процессоры лучше. Они выигрывают, переосмысливая фундаментальную архитектуру AI Compute. Предприятия, которые ставят все на инфраструктуру на основе графических процессоров, могут оказаться застрявшими в медленной полосе.

Силовая инфраструктура является стратегической. Ограничение — это не фишки или программное обеспечение, а киловатт и охлаждение. Умные предприятия уже блокируют мощность и пространство центра обработки данных на 2026 год и далее.

Инфраструктурная реальность предприятия не могут игнорировать

Группа раскрыла фундаментальную истину: метафора фабрики ИИ не только неправильная, но и опасная. Стратегии построения предприятий, связанные с ценообразованием на товарные выводы и стандартизированную доставку, планируют рынок, который не существует.

Настоящий рынок работает на трех жестоких реалиях.

1. Нехватка емкости создает инверсию власти, где поставщики диктуют термины, а предприятия просят распределения.
2. Разница в качестве, разница между точностью 95% и 100%, определяет, превышают ли ваши приложения для искусственного интеллекта или катастрофически терпеть неудачу.
3. Инфраструктурные ограничения, а не технологии, устанавливают ограничения связывания на трансформацию ИИ.

Путь вперед для CISOS и лидеров искусственного интеллекта требует полностью отказаться от завода. Заблокировать мощность сейчас. Поставщики вывода аудита для скрытого деградации качества. Построить отношения поставщиков на основе архитектурных преимуществ, а не маргинальных затрат. Наиболее критически, признайте, что платить 70% маржи за надежный, высококачественный вывод может быть вашим самым умным инвестициями.

Альтернативные производители чипов в Transform не просто бросили вызов повествованию Nvidia. Они сообщили, что предприятия сталкиваются с выбором: заплатить за качество и производительность или присоединиться к еженедельным переговорам. Консенсус панели был ясен: успех требует сопоставления конкретных рабочих нагрузок с соответствующей инфраструктурой, а не для выполнения единых решений.

Украденные полномочия отвечают за 80% нарушений предприятия. Каждый крупный поставщик безопасности сходился в одном и том же выводе: теперь идентичность является плоскостью управления для безопасности искусственного интеллекта. Один масштаб требует этого сдвига. Предприятия, управляющие 100 000 сотрудников, будут работать более чем на один миллион личностей, когда агенты искусственного интеллекта вступят в производство.

Традиционные архитектуры управления доступом к идентичности (IAM) не могут масштабироваться, чтобы обеспечить распространение агентского ИИ. Они были построены для тысяч пользователей людей, а не миллионы автономных агентов, работающих на скорости машины с разрешениями на уровне человека. Ответ отрасли представляет собой наиболее значительную трансформацию безопасности с момента принятия облачных вычислений.

Аутентификация на основе близости заменяет аппаратные токены

Ведущие поставщики теперь используют Bluetooth Low Energy (BLE) между устройствами и ноутбуками, чтобы доказать физическую близость. В сочетании с криптографической идентичностью и биометрикой это создает четырехфакторную аутентификацию без необходимости в аппаратных токенах.

Дуэт Cisco демонстрирует это инновации в масштабе. Их проверка близости обеспечивает устойчивую к фишингу аутентификацию с использованием близости на основе BLE в сочетании с биометрической проверкой. Эта возможность, представленная в Cisco Live 2025, представляет собой фундаментальный сдвиг в архитектуре аутентификации.

ID Microsoft Entra обрабатывает 10 000 агентов AI в одно пилотных программах, одновременно обрабатывая 8 миллиардов аутентификаций в день. «Традиционные сервисы каталогов не были заряжены для автономных систем, работающих на этой скорости», — заявляет Алекс Саймонс, CVP идентификации в Microsoft.

Платформа оркестровки Davinci’s Orchestration Ping Identity продвигается дальше. Система обрабатывает более 1 миллиарда событий аутентификации в день, причем агенты искусственного интеллекта составляют 60% трафика. Каждая проверка завершается менее чем за 200 миллисекунд, сохраняя при этом криптографическое доказательство.

Поведенческая аналитика ловит скомпрометированные агенты в режиме реального времени

Crowdstrike относится к агентам ИИ, как к любой другой угрозе идентичности. Их платформа Falcon устанавливает поведенческие базовые показатели для каждого агента в течение 24 часов. Отклонения запускают автоматизированную сдерживание в течение нескольких секунд.

«Когда агент ИИ внезапно обращается к системам за пределами своей установленной схемы, мы одинаково относимся к его скомпрометированным полномочиям сотрудника», — заявил VentureBeat Адам Мейерс, руководитель отдела противодействия противникам в CrowdStrike. Платформа ежедневно отслеживает 15 миллиардов событий, связанных с искусственным интеллектом в условиях клиентов.

Эта скорость имеет значение. Краудстрике в 2025 году глобальный отчет об угрозах документирует, что противники достигают первоначального доступа менее чем за 10 минут. Они перемещаются в поперечном направлении по 15 системам в течение первого часа. Агенты ИИ, работающие с скомпрометированными идентичностями, усиливают этот урон в геометрической прогрессии.

Устойчивость идентичности предотвращает катастрофические неудачи

По словам Гартнера, предприятия в среднем 89 различных идентификационных магазинов в облачных и локальных системах. Эта фрагментация создает слепые пятна, которые противники эксплуатируют ежедневно. Исправление применяет сетевые принципы к инфраструктуре идентификации.

Расширенный доступ к серверу Okta реализует избыточность, балансировку нагрузки и автоматическое отказоустойчивость в провайдерах идентификации. Когда первичная аутентификация не удается, вторичные системы активируются в течение 50 миллисекунд. Это становится обязательным, когда агенты ИИ выполняют тысячи операций в секунду.

«Identity — это безопасность, — сказал Тодд МакКинннон, генеральный директор Okta Ot at Oktane 2024.

Нулевые масштабы доверия для пролиферации агента

Cortex Xsiam ‘Palo Alto Networks полностью отказывается от защиты периметра. Платформа работает на предположении непрерывного компромисса. Каждый агент ИИ подвергается проверке перед каждым действием, а не только при начальной аутентификации.

Майк Ример, Field Ciso в Ivanti, усилил подход Zero Trust в недавнем интервью Venturbeat: «Он действует по принципу« никогда не доверять, всегда проверяйте ». Приняв архитектуру нулевого доверия, организации могут гарантировать, что только аутентифицированные пользователи и устройства получают доступ к конфиденциальным данным и приложениям ».

Universal ZTNA Cisco распространяет эту модель на агентов искусственного интеллекта. Платформа расширяет нулевое доверие за пределы людей и устройств IoT, чтобы охватить автономичные системы ИИ, обеспечивая автоматическое обнаружение и делегированное разрешение в масштабе.

Автоматизированные пьесы реагируют мгновенно на аномалии личности. Когда вредоносные программы запускают нарушения аутентификации, XSIAM отражает доступ и запускает судебный анализ без вмешательства человека. Этот отклик с нулевой задержкой становится рабочим базовым уровнем.

Генеральный директор Zscaler Джей Чаудри определил основную уязвимость в Zenith Live 2025: «Сетевые протоколы были разработаны, чтобы позволить доверенным устройствам свободно общаться. AI вооружает эту унаследованную архитектуру в масштабе. Противники создают фишинговые кампании, которые ставят под угрозу идентичность агента быстрее, чем люди могут реагировать».

Универсальные рамки ZTNA обеспечивают развертывания миллионов агентов

Архитектурные требования ясны. Универсальные рамки Zero Trust Network Access (ZTNA) по всей отрасли предоставляют четыре возможности, необходимые для среды искусственного интеллекта.

Реализация Cisco демонстрирует требуемую шкалу. Их универсальная платформа ZTNA выполняет автоматизированные сканирования обнаружения каждые 60 секунд, каталогизируя новые развертывания ИИ и разрешения. Это устраняет слепые пятна, на которые нападающие нацелены. Делегированный механизм авторизации Cisco обеспечивает соблюдение границ наименования через политические двигатели, обрабатывая 100 000 решений в секунду.

Комплексные следы аудита отражают каждый агент действий для судебного расследования. Команды безопасности, использующие платформы, такие как Cisco’s, могут реконструировать инциденты по миллионам взаимодействий. Нативная поддержка стандартов, таких как протокол контекста модели, обеспечивает совместимость по мере развития экосистемы.

Подход Ivanti дополняет эти возможности с помощью AI-аналитики. Daren Goson, SVP управления продуктами в Ivanti, подчеркивает: «Инструменты безопасности конечной точки, способствующие AI, могут проанализировать огромные объемы данных для обнаружения аномалий и прогнозировать потенциальные угрозы быстрее и точнее, чем любой человек-аналитик. Эти инструменты обеспечивают четкую видимость между устройствами, пользователями и сети, проактивно выявляя потенциальные пробелы в безопасности».

Архитектура безопасности AI Cisco определяет направление отрасли промышленности

AI Cisco Secure Factory позиционирует их как первого поставщика кремния, не являющейся NVIDIA, в справочной архитектуре NVIDIA. Комбинируя шифрование после Quantum с новыми устройствами, Cisco создает инфраструктуру для защиты от угроз, которых еще не существует. Enterprise вынос: защита ИИ не является обязательным; это архитектурный.

В Cisco Live 2025 компания представила комплексную идентичность и стратегию безопасности искусственного интеллекта, которая рассматривает каждый уровень стека:

Объявление	Основная проблема решена / стратегическая ценность	Технические детали	Доступность
Гибридный сетчатый брандмауэр (вкл. Гиперсшил)	Распределенная, тканевая коренная безопасность; Перемещает безопасность по периметру в сетевую ткань	Обеспечение соблюдения EBPF; аппаратное ускорение	Новые брандмауэры: октябрь 2025 г.
Живая защита	Закрывает пробел «45-дневного патча против 3-дневного эксплойта» с быстрой защитой уязвимости на уровне ядра	Исправление в реальном времени без перезагрузки	Nexus OS: сентябрь 2025 г.
Splunk: бесплатное проглатывание брандмауэра	Сокращает SIEM стоимостью до 80%; стимулирует усыновление брандмауэра Cisco	Неограниченное употребление журналов из брандмауэров Cisco	Август 2025
Splunk: наблюдаемость для искусственного интеллекта	Обеспечивает критическую видимость в производительности стека ИИ	Мониторирует использование графических процессоров и производительность модели	Сентябрь 2025 года
Дуэт IAM	Развивается от MFA до полной платформы IAM, первой безопасности	Пользовательский каталог, SSO, двигатель маршрутизации идентификации	Доступно сейчас
Дуэт: проверка близости	Обеспечивает устойчивую к фишингу аутентификацию без аппаратных токенов	Близость на основе BLE, биометрическая проверка	Часть нового дуэта IAM
Дуэт: устойчивость личности	Адресат критических рисков отключения IDP	Избыточность, балансировка нагрузки и автоматическое переключение.	В разработке
Cisco Universal Ztna	Расширение нулевого доверия для людей, устройств IoT/OT и агентов искусственного интеллекта	Автоматизированное обнаружение, делегированное разрешение	Продолжающаяся эволюция
Модель AI с открытым исходным кодом	Демократизирует защиту ИИ; Параметры 8b соответствуют производительности модели 70B	Бежит по процессору; 5B Обучение токенам безопасности	Доступно (обнимающееся лицо)
AI Defense и Nvidia Partnership	Обеспечивает конвейер разработки ИИ	Nvidia nim microservices оптимизация	Доступно сейчас
Пост-квантарская безопасность	Будущий защищен от квантовых атак	Шифрование MacSec и Ipsec	Новые устройства (июнь 2025 г.)
Идентификационный интеллект	Непрерывный поведенческий мониторинг	Обнаружение аномалий AI	Часть облака безопасности
Безопасный доступ	Сходится VPN и ZTNA	Облако предотвращается преимуществом службы безопасного доступа	Доступно сейчас

Методное сотрудничество ускоряется

Центр развития Alliance Alliance Alliance Security Zero теперь включает каждого крупного поставщика безопасности. Это беспрецедентное сотрудничество обеспечивает единые политики безопасности на всех платформах.

«Поставщики безопасности должны объединиться против общих угроз», — подчеркнул Джордж Курц, генеральный директор Crowdstrike, подчеркнул во время недавнего обсуждения стратегии платформы. «Подход, ориентированный на данные, выигрывает, учитывая, как быстро развиваются противники и угрозы».

Президент Cisco и CPO Jeetu Patel повторили это мнение в интервью VentureBeat: «Безопасность — это предпосылка для усыновления ИИ. Если люди не доверяют системе, они не собираются ее использовать».

Организационная задача остается. Роберт Гразиоли, ИТ -директор в Ivanti, определяет критический барьер: «CISO и выравнивание CIO будет иметь решающее значение в 2025 году. Это сотрудничество имеет важное значение, если мы хотим эффективно защитить современные бизнеса. Руководители должны консолидировать ресурсы — бюджеты, персонал, данные и технологии — чтобы улучшить осаждение безопасности организации».

Расчет личности

Когда Cisco, Okta, Zscaler, Palo Alto Networks и Crowdstrike независимо приходят к идентичным выводам об архитектуре идентичности, его подтверждение, а не совпадение.

Инфраструктура идентификации определяет результаты безопасности. Организации сталкиваются с двумя вариантами: идентичность архитектора как плоскость управления или принимает нарушения как неизбежные. Разрыв между скоростью развертывания ИИ и зрелостью безопасности идентификации сужается ежедневно.

Три действия не могут ждать. Аудит личность и разрешения каждого агента AI в течение 30 дней. Непрерывная непрерывная проверка для всех нечеловеческих идентичностей немедленно. Установить 24/7 операций по безопасности идентификации, чтобы не допустить, чтобы противники не использовали пробелы.

Консенсус поставщика посылает четкий и безошибочный сигнал. Идентичность стала плоскостью управления для безопасности искусственного интеллекта. Предприятия, которые не могут адаптироваться, потратят 2025 год на управление нарушениями вместо инноваций.

Каково было бы пообщаться со здоровьем, как можно было бы с CHATGPT?

Первоначально был представлен студентом -медиком, этот вопрос вызвал развитие Chatehr в Стэнфордском здравоохранении. Теперь в производстве инструмент ускоряет обзоры графиков для приема неотложной помощи, оптимизирует резюме передачи пациентов и синтезирует информацию из сложных медицинских историй.

В результате ранних пилотных пользователей клинические пользователи испытали значительно ускоренные поиск информации; Примечательно, что врачи скорой помощи наблюдали 40% сокращенного времени обзора диаграммы во время критических передач, заявил сегодня в чате Fireside в VB Transform, Майкл А. Пфеффер, Стэнфордский SVP и главный офицер информации и цифровой информации.

Это помогает уменьшить выгорание врача при улучшении ухода за пациентами, и основывается на десятилетиях рабочих медицинских учреждений для сбора и автоматизации критических данных.

«Это такое захватывающее время в здравоохранении, потому что мы проводили последние 20 лет, оцифруя данные здравоохранения и помещали их в электронную медицинскую карту, но не на самом деле их трансформируют»,-сказал Пфеффер в чате с главным редактором VB Мэттом Маршаллом. «Благодаря новым технологиям крупной языковой модели мы на самом деле начинаем делать это цифровое преобразование».

Как Chatehr помогает сократить «время пижамы», вернуться к реальным взаимодействиям с личными

Врачи проводят до 60% своего времени на административные задачи, а не на уход за пациентамиПолем Они часто вкладывают в значительное «пижамное время», жертвуя Личные и семейные часы для выполнения административных задач за пределами обычного рабочего времени.

Одна из больших целей Pfeffer — упростить рабочие процессы и сократить эти дополнительные часы, чтобы клиницисты и административный персонал могли сосредоточиться на более важной работе.

Например, много информации поступает через онлайн -порталы пациентов. ИИ теперь имеет возможность читать сообщения от пациентов и черновые ответы, которые человек может затем рассмотреть и одобрить для отправки.

«Это как отправная точка», — объяснил он. «Хотя это не обязательно экономит время, что интересно, это действительно снижает когнитивное выгоду». Более того, отметил он, сообщения, как правило, более дружелюбны к пациентам, потому что пользователи могут дать указание модели использовать определенный язык.

Переходя к агентам, Пфеффер сказал, что они «довольно новая» концепция в здравоохранении, но предлагают многообещающие возможности.

Например, у пациентов с диагнозом рака обычно есть команда специалистов, которые рассматривают свои записи и определяют следующие этапы лечения. Однако подготовка — это большая работа; Клиницисты и сотрудники должны пройти весь рекорд пациента, не только их EHR, но и патологию визуализации, иногда геномные данные и информацию о клинических испытаниях, для которых пациенты могут быть хорошими. По словам Пфеффера, все это должно собраться вместе для команды, чтобы создать график и рекомендации.

«Самое важное, что мы можем сделать для наших пациентов, — это убедиться, что они имеют соответствующий уход, и это требует междисциплинарного подхода», — сказал Пфеффер.

Цель состоит в том, чтобы построить агентов в Chatehr, которые могут генерировать резюме и график и дать рекомендации для обзора врача. Pfeffer подчеркнул, что он не заменит, он готовит «просто невероятные краткие рекомендации мультимодальными».

Это позволяет медицинским командам делать сейчас «фактическое уход за пациентами», что имеет решающее значение среди врача и нехватки медсестер.

«Эти технологии сдвинут время, когда врачи и медсестры проводят административные задачи», — сказал он. И, в сочетании с экологическими писаниями ИИ, которые принимают обязанности по вопросам замещения, медицинский персонал сосредотачивает больше времени на пациентов.

«Это личное взаимодействие просто бесценное»,-сказал Пфеффер. «Мы увидим, как ИИ больше перемещается на взаимодействие с клиницистом-пациентом».

«Удивительные» технологии в сочетании с междисциплинарной командой

Перед Chatehr команда Pfeffer выпустила SecureGPT ко всей Стэнфордской медицине; Безопасный портал содержит 15 различных моделей, с которыми может принять участие каждый. «Что действительно мощно в этой технологии, так это то, что вы действительно можете открыть ее для многих людей для экспериментов», — сказал Пфеффер.

Стэнфорд использует разнообразный подход к разработке ИИ, создавая свои собственные модели и используя смесь безопасной и частной готовой серии (например, Microsoft Azure) и моделей с открытым исходным кодом, где это необходимо. Пфеффер объяснил, что его команда «не совсем специфична» для того или другого, а скорее идет с тем, что, вероятно, лучше всего будет работать для конкретного варианта использования.

«Сейчас так много удивительных видов технологий, что если вы сможете собрать их правильно, вы можете получить такие решения, как то, что мы создали», — сказал он.

Еще один кредит Стэнфорду — ее междисциплинарная команда; В отличие от главного сотрудника ИИ или группы ИИ, Пфеффер собрал главного ученых -ученого, двух информатиков, главного офицера медицинской информации и главного сотрудника по сестринскому делу, а также их технического директора и CISO.

«Мы объединяем информатику, науку о данных и традиционную ИТ и включаем это в архитектуру; то, что вы получаете, это эта волшебная группа, которая позволяет вам выполнять эти очень сложные проекты», — сказал он.

В конечном счете, Стэнфорд рассматривает ИИ как инструмент, который каждый должен знать, как использовать, подчеркнул Пфеффер. Различные команды должны понимать, как использовать ИИ, чтобы, когда они встречались с владельцами бизнеса и придумали способы решения проблем, «ИИ является лишь частью того, как они думают».

По мере того, как инструменты с AI, распространяющиеся через корпоративные программные стеки, быстрый рост платформы кодирования AI Wildsurf становится тематическим исследованием того, что происходит, когда разработчики принимают агентские инструменты в масштабе.

На сессии на сегодняшней конференции VB Transform 2025, Генеральный директор и соучредитель Варун Мохан Обсуждалось, как Виндсурф интегрированная среда развития (IDE) превзошла миллион разработчиков в течение четырех месяцев после запуска. Более того, платформа теперь пишет более половины кода, совершенного его пользовательской базой.

Разговор, модерированный генеральным директором Venturebeat Мэттом Маршаллом, открылся с кратким, но заостренным отказом от ответственности: Мохан не мог комментировать широко известное потенциальное приобретение Windsurf Openai.

Проблема привлекла внимание после Wall Street Journal Отчет подробно описывает заваривание между Openai и Microsoft в отношении условий этой сделки и более широкой напряженности в их многомиллиардном партнерстве. Согласно WSJOpenai стремится приобрести Windsurf, не предоставляя Microsoft доступ к своей интеллектуальной собственности — проблеме, которая может изменить ландшафт кодирования AI Enterprise.

С этим контекстом, сессия, сфокусированная на технологии Виндсурф, тяги предприятия и видение агента.

>> Смотрите все наше преобразование 2025 года здесь <<

Проходя мимо автозаполнения

IDE Windsurf построена вокруг того, что компания называет петлей «Mind Meld»-общее состояние проекта между людьми и искусственным интеллектом, которое обеспечивает полные потоки кодирования, а не предложения по автозаполнению. С помощью этой настройки агенты могут выполнять многопрофильные рефактории, записать тестовые наборы и даже запускать изменения пользовательского интерфейса, когда инициируется запрос на тягу.

Мохан подчеркнул, что помощь в кодировании не может остановиться в генерации кода. «Только около 20-30% времени разработчика тратится на написание кода. Остальное — отладка, просмотр и тестирование. Чтобы по -настоящему помочь, система ИИ требует доступа ко всем этим источникам данных», — пояснил он.

Windsurf недавно внедрил браузер в свой IDE, позволяя агентам проверять изменения, чтение журналов и напрямую взаимодействовать с живыми интерфейсами — очень как инженер -человек.

Безопасность и контроль по дизайну

Поскольку ИИ начинает активно участвовать в циклах развития предприятия, акцент Виндсурф на встроенную безопасность оказался необходимым. «Мы используем гибридную модель для развертывания предприятий — ни один из персонализированных данных не хранится вне арендатора пользователя. Безопасность является основной, особенно с такими функциями, как наш интегрированный агент браузера», — сказал Мохан.

Эти возможности уже сделали Windsurf жизнеспособным вариантом для регулируемых отраслей. Его агенты развернуты на массовых кодовых базах, в том числе в JPMorgan Chase и Morgan Stanley.

Мохан добавил, что по мере того, как ИИ становится более доступным в разных ролях, безопасность станет фактором стробирования для производительности. «Если все в компании каким-то образом внесут свой вклад в технологии, недостающая часть-безопасность. Вам не нужна одноразовая система, созданная нетехническим пользователем, уничтожающим другую услугу»,-сказал он.

Небольшие команды, быстрое тестирование

Внутренне Windsurf организуется в бережливые отряды из трех или четырех инженеров, каждый из которых сосредоточен на тестировании узкого набора гипотез продукта.

«Существует убеждение, что компании, состоящие из одного человека, являются будущим. Но на самом деле больше людей позволяют вам расти быстрее и строить лучшие продукты. Ключ-это организация в небольшие, сфокусированные команды, которые проверяют гипотезы параллельно»,-объяснил Мохан.

Эта модель помогла компании быстро отозвать в пространстве, где основополагающие модели ИИ — и потребности пользователей — с головокружительной скоростью.

Персонализация в масштабе

Самая большая оптимизация Виндсурфа в масштабе предприятия не является более быстрой генерацией токенов или меньшими моделями — это актуальность. «В масштабе самой большой оптимизацией является персонализация. Глубокое понимание кодовой базы позволяет агенту вносить обслуживание, крупномасштабные изменения, которые отражают намерения пользователя»,-сказал Мохан.

Вместо того, чтобы полагаться исключительно на генерацию кода общего назначения, система Виндсурф изучает структуру, стиль и предпочтения стека каждого клиента.

Строительство для будущих моделей

С нетерпением жду, Windsurf разрабатывает свою платформу, чтобы оставаться адаптируемой, поскольку возможности базовых моделей ИИ продолжают расти.

«Каждое улучшение пошаговой функции в моделях фундамента требует значительного переосмысления продукта. По мере того, как агенты становятся более способными, наша задача состоит в том, чтобы создать платформу для эффективного управления и организации многих из них»,-сказал Мохан.

Компания работает над открытым протоколом, который позволит предприятиям интегрировать любые LLM, включая локальные модели-Into Agent Framework, сохраняя гибкость и минимизацию блокировки поставщиков.

Доказательство и измерение стоимости

Windsurf обеспечивает прозрачность в свою производительность со встроенной аналитикой. «Мы обеспечиваем прозрачность ROI через метрики, например, процент кода, написанного помощником, который может быть связан непосредственно с внутренними инженерными показателями», — сказал Мохан.

Этот подход позволяет командам платформы связывать агентскую производительность с влиянием бизнеса, помогая оправдать дальнейшие инвестиции.

Сфокусированное исполнение по вспышке

Наконец, когда его спросили, как Windsurf планирует дифференцировать себя на фоне конкуренции от Openai, Microsoft, Google и других, Мохан сосредоточился на внутренней скорости. «Задача-это не то, кто более заметен сегодня, но кто достаточно быстро выполняет правильную стратегию. Риск либо слишком медленно движется, либо слишком далеко проецируется и пропускает краткосрочную актуальность»,-сказал он.

Мохан также отклонил идею, что сотрудники неизбежно обречены. «Нет никакой фундаментальной причины, по которой устаревшие компании, такие как Salesforce, не могут стать AI-местными. Реальным ограничителем является их скорость инноваций, а не их возможности».

Независимо от того, становится ли Виндсурф в будущем Openai или продолжается независимо, тяга компании с корпоративными клиентами — и ее настойчивость в заземлении ИИ в безопасных, измеримых рабочих процессах — делает его игроком, которого стоит наблюдать, как агентское развитие входит в мейнстрим.