Корпоративные AI-команды, похоже, решили одну часть спора об агентах: они всё чаще стандартизируются на крупных платформах поставщиков моделей. Но новый набор опросов VentureBeat Pulse Research показывает, что более сложная проблема — не выбор платформы. Проблема в том, как довести до продакшена нечто похожее на надёжного, управляемого, многошагового агента, не сломав доверие, бюджеты или безопасность.

Самый прямой сигнал приходит из июньского опроса VentureBeat AI 2026 года по оркестрации, в котором участвовали 101 компания с численностью сотрудников более 100 человек. Согласно этому опросу, Claude от Anthropic был основной платформой оркестрации у 40% респондентов, опередив Microsoft с 18% и OpenAI с 13%. Однако те же респонденты сказали, что большинство их внедрённых «агентов» на самом деле не являются агентами в более строгом смысле workflow: 71% заявили, что четверть или меньше их внедрённых систем представляют собой настоящие многошаговые оркестрированные рабочие процессы, а не одношаговые чатбот-обёртки.

В отдельности это уже было бы полезной корректировкой рыночной риторики об агентах. В сочетании с тремя смежными опросами VentureBeat AI о контексте, оценке и безопасности это указывает на более широкий паттерн. Компании быстро подключают ИИ к бизнес-системам, но окружающие слои управления остаются незрелыми. Инфраструктура retrieval широко распространена, но ей не полностью доверяют. Инструменты оценки используются, но плохо соответствуют реальности продакшена. Средства безопасности часто заимствуются у поставщиков моделей и облачных платформ, а не проектируются вокруг автономного ПО. В итоге это скорее не война платформ, а разрыв внедрения.

Оркестрация консолидируется, но рабочие нагрузки всё ещё поверхностны

Опрос VentureBeat AI по оркестрации утверждает, что корпоративные покупатели выбирают платформы прежде всего по «гравитации модели», а не из лояльности к независимым фреймворкам оркестрации. В опросе главным фактором выбора была совместимость с предпочитаемой базовой моделью, а гибкость и простота разработки шли следом. Практический вывод таков: компании часто начинают там, где модель уже живёт, а свою логику управления добавляют позже.

Это помогает объяснить, почему платформы поставщиков доминировали в заявленном основном использовании, тогда как такие инструменты, как LangChain/LangGraph и кастомная внутренняя оркестрация, оставались на уровне однозначных процентов. Но тот же опрос также показал необычно высокое намерение сменить платформу. VentureBeat AI сообщил, что 68% планируют внедрить новую, дополнительную или заменяющую платформу оркестрации в течение года, и что крупнейшая группа тех, кто собирается перейти, ещё не составила shortlist поставщиков.

Это не похоже на устоявшийся рынок. Это похоже на временную концентрацию вокруг самого простого стартового варианта.

Самое сильное противоречие в данных — то, на которое сам VentureBeat AI и указал: команды говорят, что оценивают оркестрацию по надёжному многошаговому выполнению, но большинство признаёт, что их внедрённый портфель по-прежнему в основном состоит из чатбот-обёрток. Это важно и для разработчиков, и для покупателей, потому что помощник с одним шагом и система, которая планирует, вызывает инструменты, координирует состояние и выполняет действия в корпоративных системах, создают совершенно разные операционные требования.

Даже базовые финансовые контроли выглядят слабо. В опросе по оркестрации 27% сказали, что у них нет реального программного способа в реальном времени остановить вышедшего из-под контроля агента до того, как придёт счёт. Ещё 32% полностью полагались на нативные лимиты и throttling поставщика. Лишь меньшинство сообщило, что строит собственные шлюзы или многомодельную маршрутизацию для более детерминированного контроля расходов.

Отсутствующие слои — это контекст, оценка и идентичность

Значимость результатов по оркестрации становится ещё выше, если сопоставить их с параллельными июньскими опросами VentureBeat AI 2026 года по остальной части корпоративного стека агентов.

В опросе по контексту, основанном на 101 компании, 57% сказали, что их AI-агенты за последние шесть месяцев выдавали уверенные, но неверные ответы из-за отсутствия или несогласованности бизнес-контекста. Retrieval-augmented generation был назван основным источником контекста у 38% организаций, что делает его самым распространённым подходом. Нативный retrieval от поставщика также лидировал по заявленному продакшен-использованию: OpenAI file search — 40%, Google Vertex AI Search — 38%, опережая специализированные векторные инструменты, такие как Pinecone, Weaviate, Milvus и Qdrant.

Эта комбинация важна. В рыночной дискуссии retrieval часто рассматривают как решённую задачу инфраструктуры, а векторную инфраструктуру — как зрелую категорию. Но этот опрос предполагает, что реальная корпоративная проблема не в том, может ли команда извлечь документы. Проблема в том, управляем ли извлечённый контекст, согласован ли он, учитывает ли доступ и достаточно ли он надёжен, чтобы поддерживать бизнес-решения.

Опрос VentureBeat AI по оценке, в котором участвовали 157 корпоративных респондентов, указывает на похожее несоответствие. Половина сказала, что уже вывели в продакшен агент или LLM-функцию, которая прошла внутренние оценки, а затем провалилась в клиентском окружении. Только 5% сказали, что полностью доверяют автоматической оценке. И всё же 66% уже либо разрешали развёртывание low-risk агентов без участия человека, либо строили систему к этому в течение года.

Рынок инструментов оценки в этом опросе тоже выглядел ранним и фрагментированным. Нативные Evals и Traces от OpenAI шли вровень с ответом «нет никаких специализированных инструментов» как с самой распространённой основной конфигурацией — по 17% каждый, тогда как Evals из Claude Console от Anthropic и независимые инструменты вроде DeepEval, Braintrust, LangSmith, Weave, Promptfoo, Langfuse и Arize были распределены по меньшим долям.

Это важно, потому что оркестрация без надёжной оценки становится способом масштабировать ложную уверенность. Успешный бенчмарк или внутренняя тестовая suite — не то же самое, что доказательство того, что агент будет корректно вести себя при реальной нагрузке, реальных данных и реальных условиях клиентов.

Безопасность — это место, где разрыв внедрения превращается в корпоративный риск

Самый конкретный сигнал риска в этой группе приходит из опроса безопасности VentureBeat AI, проведённого среди 107 компаний. Он показал, что 54% уже пережили либо подтверждённый инцидент безопасности с AI-агентом, либо почти-инцидент. Только 32% сказали, что у каждого агента есть собственная, ограниченная по scope и управляемая идентичность. Большинство сообщило о какой-либо форме sharing credentials, и лишь 30% изолировали в sandbox свои наиболее рискованные агенты.

По данным VentureBeat AI, стек безопасности, использовавшийся для этих внедрений, был в подавляющем большинстве нативным для поставщиков. OpenAI guardrails лидировали по заявленному использованию с 51%, наряду с контролями крупных облачных и модельных провайдеров, включая Google, Microsoft и Anthropic. Специализированные категории, такие как Palo Alto Prisma AIRS, CrowdStrike, Cisco AI Defense, HiddenLayer, Zenity, Check Point, Lakera, Okta for AI Agents и более широкие платформы non-human identity, присутствовали лишь на низком уровне в этой выборке.

Главный аргумент опроса заключается в том, что корпоративная проблема — это не недостаток осознания, а несоответствие между предоставляемой автономией и системами сдерживания вокруг неё. Агентам дают реальный доступ к внутренним системам и данным ещё до того, как per-agent identity, least-privilege доступ, изоляция и enforcement в runtime будут широко внедрены.

Именно здесь вывод о том, что большинство называют чатботы агентами, становится больше чем семантикой. Если многие продакшен-внедрения по-прежнему являются обёртками вокруг prompts, текущая безопасность уже может быть слабой. Если такие системы эволюционируют в более автономных, многошаговых агентов с доступом к инструментам, поверхность атаки расширится ещё больше.

Доказательства, оговорки и то, что эти опросы могут и не могут доказать

Все исходные данные в этой истории взяты из собственных опросов Pulse Research VentureBeat AI, проведённых в июне 2026 года. Отчёты по оркестрации и контексту каждый охватывали по 101 компании, отчёт по безопасности — 107, а отчёт по оценке — 157. Все выборки исключали очень малый бизнес и были смещены в сторону mid-market или AI-активных корпоративных респондентов. VentureBeat AI неоднократно отмечает, что опросы самоотобраны, поперечные и ориентировочные, а не вероятностные выборки.

Эта оговорка важна. Цифры не следует воспринимать как окончательную долю рынка, точные показатели распространённости или аудированные статистики внедрения. Они отражают то, что конкретная когорта респондентов рассказала VentureBeat AI о своих собственных внедрениях и планах. Доли поставщиков между опросами тоже не стоит чрезмерно сравнивать, потому что выборки и формулировки вопросов различаются.

И всё же направленная согласованность между четырьмя отчётами примечательна. В оркестрации компании группируются вокруг платформ поставщиков, но ожидают гибридного контроля. В контексте они используют bundled retrieval, но говорят, что хотят best-of-breed независимости. В оценке они не доверяют автоматизированному тестированию, но увеличивают автоматизацию. В безопасности они чувствуют себя комфортно с нативными контролями поставщика, при этом также планируют смену инструментов после инцидентов и почти-инцидентов.

Таким образом, самые сильные заявления об adoption и эффективности в этой группе основаны на самих опросах, а не подтверждены независимо. Но паттерн достаточно согласованный, чтобы иметь значение.

Что это значит для разработчиков и корпоративных покупателей

Для AI-разработчиков вывод таков: рынок, возможно, слишком часто использует слово «agent» и недостаточно инвестирует в окружающие системы, которые делают агентов операционно убедительными. Выпустить обёртку поверх Claude, OpenAI или Microsoft сравнительно легко. Построить workflow, который может извлечь нужный контекст, реалистично оценить, обеспечить ограниченный доступ и остановиться до перерасхода, — гораздо сложнее, и именно это всё чаще будет мерилом ценности.

Для корпоративных покупателей опросы показывают, что «стандартизация платформ» не равна зрелости внедрения. Команда может выбрать Anthropic, OpenAI, Microsoft, Google или Amazon и всё равно не иметь тех контролей, которые важны, когда AI-системы касаются реальных бизнес-процессов. Вероятный сдвиг в закупках — в сторону гибридных стеков: нативные primitives от поставщика для быстрого старта и независимые слои для контроля, governance, идентичности, observability и маршрутизации затрат.

Для стартапов это окно возможностей. История независимых фреймворков выглядела слабой в текущем основном использовании в опросе по оркестрации, но сильнее в будущих планах. То же самое было и в смежных слоях: Qdrant и Milvus в retrieval, DeepEval и Braintrust в оценке, а также несколько security-вендоров в рассмотрении даже при низком текущем внедрении. Это ещё не доказательство победителей, но это указывает на неудовлетворённость bundled default.

Что отслеживать дальше

Следующий сигнал, который стоит отслеживать, — действительно ли зрелость оркестрации улучшается или рынок продолжает переименовывать ассистентов в агентов. Рост доли настоящих многошаговых workflows был бы важнее, чем очередной виток platform branding.

Во-вторых, стоит посмотреть, станет ли гибридный контроль архитектурой, а не просто желанием. Если компании всё чаще будут держать логику принятия решений, routing, permissions и контроль расходов вне платформ поставщиков, независимые control-plane-вендоры и внутренние платформы должны укрепиться.

В-третьих, нужно следить, успевают ли слои доверия. На практике это означает большее использование управляемых semantic layers в продакшене, больше live-мониторинга качества вывода, больше per-agent identity и больше sandboxing для систем с более высоким риском.

Наконец, нужно наблюдать за enforcement бюджета. Если расходы на токены и tool-call costs продолжат расти, real-time routing и kill-switch-контроли могут стать более срочным корпоративным требованием, чем предполагают многие текущие продуктовые roadmaps.

Взгляд Creati.ai

Самый ясный вывод из этой группы опросов заключается в том, что корпоративная ИИ-сфера страдает не столько от нехватки платформ, сколько от избытка преждевременной уверенности. Команды уже могут покупать orchestration, retrieval, evaluation и guardrails у одного и того же небольшого набора поставщиков. Чего они пока не умеют делать последовательно, так это превращать эти компоненты в production-системы, которым можно доверять с точки зрения стоимости, безопасности и business correctness.

Именно поэтому главная конкуренция может сместиться от доступа к базовым моделям к операционному слою вокруг них. Победители будут не просто обещать «agents». Они сделают так, чтобы чатбот-обёртку было сложнее перепутать с управляемым автономным workflow, и чтобы было проще доказать, что система безопасна, доступна по цене и действительно готова для корпоративного использования.