Wood Mackenzie строит общую платформу агентов на Amazon Bedrock AgentCore

Wood Mackenzie построила общую платформу агентного ИИ под названием APEX на Amazon Bedrock AgentCore, предоставив командам общую основу для развертывания производственных агентов вместо того, чтобы заново собирать runtime, средства управления идентификацией, наблюдаемость и защитные механизмы для каждого приложения.

В материалах компании, опубликованных AWS, говорится, что APEX поддерживает три приложения: Woody, Lens AI и ST Trading App. Архитектура рассчитана на то, чтобы продуктовые команды могли выбирать разные фреймворки и модели агентов, опираясь на стандартизированный операционный слой. Это решает одну из ключевых проблем корпоративного ИИ: прототипы можно создать быстро, но безопасно эксплуатировать недетерминированные системы для разных пользователей, инструментов и данных гораздо сложнее.

В том же наборе материалов AWS также описывает, как Abnormal AI использует AgentCore Code Interpreter в своих системах безопасности электронной почты. Вместе эти примеры показывают, что AWS позиционирует AgentCore не только как сервис разработки, но и как инфраструктуру для агентов, которым в рабочих процессах нужны изоляция, принудительное соблюдение политик и контролируемый доступ к вычислениям.

Общая основа для агентов Wood Mackenzie

До APEX, по словам Wood Mackenzie, Woody, Lens AI и ST Trading App каждая разрабатывали собственные стеки агентов. Такой подход потребовал бы отдельных реализаций аутентификации, масштабирования, трассировки, доступа к моделям и guardrails. Кроме того, он усложнил бы обмен инструментами, памятью и практиками оценки между командами.

APEX централизует эти возможности. Его бэкенд использует Amazon Bedrock AgentCore Runtime, Identity, Gateway, Memory и Observability, а также оркестратор, инфраструктуру извлечения, доступ к моделям через каталог моделей Amazon Bedrock и Amazon Bedrock Guardrails. Фронтенд SDK соединяет платформу с пользовательскими приложениями.

Конструкция не требует, чтобы все команды использовали один и тот же фреймворк агентов. Wood Mackenzie сообщает, что среда может поддерживать Strands Agents, LangGraph, CrewAI, n8n, Vertex и агентные инструменты OpenAI. AgentCore также поддерживает Model Context Protocol, или MCP, и протокол Agent-to-Agent, позволяя внешним системам и агентам подключаться через стандартизированные интерфейсы, а не через разовые интеграции.

Эта гибкость — важная часть привлекательности платформы. По словам Wood Mackenzie, команды могут менять модели без переписывания логики приложения, использовать одну модель для планирования, а другую для выполнения, или сравнивать цену и производительность разных провайдеров. Компания перечисляет Claude, GPT-4.1, Amazon Nova, Mistral и Llama как доступные через платформу, хотя в публикации нет независимых измерений качества моделей или стоимости переключения.

Идентификация и операции переходят в платформенный слой

APEX рассматривает авторизацию как свойство каждого вызова агента, а не как проверку только при входе пользователя в приложение. Wood Mackenzie говорит, что AgentCore Identity передаёт права пользователя через последующие вызовы инструментов и данных, позволяя агентам действовать от имени пользователя или в рамках отдельно определённых правил доступа. Компания использует Okta как источник истины для поставщика идентификации.

Платформа также включает Woodmac Agent Registry, где команды могут находить и повторно использовать агентов, инструменты и навыки при наличии процессов управления и утверждения. Этот реестр предназначен для того, чтобы команды не копировали код, если существующую возможность можно разделить.

AWS описывает AgentCore Runtime как бессерверную среду с изоляцией по сеансам, которая может масштабироваться от нуля до тысяч одновременных вызовов, с окнами выполнения до восьми часов. AWS также говорит, что сервисы AgentCore поддерживают такие возможности, как Amazon Virtual Private Cloud, AWS PrivateLink, CloudFormation и маркировку ресурсов после общего выпуска в октябре 2025 года.

Для управления затратами сервис использует потребительское ценообразование без заявленного авансового обязательства или минимальной платы. AWS говорит, что биллинг runtime основан на активном потреблении CPU и памяти в секунду, при этом заряд за CPU исключается во время ожидания ввода/вывода. Компания отмечает, что агентные рабочие процессы могут тратить от 30% до 70% времени на ожидание ответов моделей, инструментов или баз данных, поэтому такая модель оплаты особенно актуальна для нагрузок, которые иначе оставляли бы зарезервированные вычислительные ресурсы простаивать.

Доказательства подробны, но контролируются поставщиком

Самые сильные утверждения в материале исходят от AWS и Wood Mackenzie, а не из независимых аудитов. Wood Mackenzie внутренне сообщает, что 88% её proof of concept в области ИИ не доходят до широкого развёртывания. В публикации также цитируются отраслевые опросы и исследование Forrester, чтобы утверждать, что оценка, наблюдаемость, управление и идентификация являются главными препятствиями для масштабирования агентов, но в статье недостаточно сведений об источниках, чтобы независимо оценить эти более широкие статистические данные.

Сама архитектура описана в практических терминах, включая путь запроса от аутентификации через оркестрацию, runtime, доступ к модели и вызовы инструментов. Однако публикация не раскрывает производственный трафик APEX, число агентов, задержки, частоту ошибок, операционные расходы или измеримые бизнес-результаты. Поэтому покупателям следует рассматривать этот материал как пример реализации и кейс, поддержанный поставщиком, а не как доказательство того, что AgentCore даст те же результаты в другой компании.

Пример Abnormal AI даёт отдельное заявление о масштабе. AWS говорит, что Abnormal AI использует AgentCore Code Interpreter для агентов, участвующих в обнаружении угроз электронной почты в реальном времени на миллиардах сообщений, а более широкая система обнаружения применяет всё более дорогой анализ только к более сложным случаям. AWS также сообщает, что более 25% компаний из Fortune 500 используют Abnormal AI, а 80% изменений кода компании так или иначе вовлекают агента. Это данные, предоставленные компанией или поставщиком, и публикация не предлагает независимой проверки.

Code Interpreter добавляет в историю AgentCore отдельную возможность. Он предоставляет временные MicroVM-песочницы, где агенты могут запускать код Python или Node.js, обрабатывать файлы, выполнять вычисления, создавать результаты и проверять сгенерированную работу. AWS говорит, что сессии могут длиться от 15 минут до восьми часов, поддерживают публичную сеть или режим VPC и предоставляют логи через CloudWatch и CloudTrail. Сценарий Abnormal AI показывает, почему агентам может требоваться контролируемая среда выполнения, а не только рассуждения языковой модели.

Что эта платформа означает для разработчиков и предприятий

Для создателей ИИ главное изменение — смещение того, на что тратится инженерное усилие. Команды могут сосредоточиться на отраслевых рабочих процессах, качестве поиска, проектировании инструментов и оценке, в то время как общая платформа берёт на себя повторяющиеся инфраструктурные задачи. Это может сократить путь от успешной демоверсии до сервиса, поддерживающего нескольких пользователей и одновременные сессии.

Обратная сторона — архитектурная зависимость от центральной платформенной команды. Общий реестр, единый уровень политик и стандартизированная наблюдаемость могут снизить дублирование, но могут стать и узкими местами, если онбординг, утверждения или поддержка фреймворков идут медленно. Решение Wood Mackenzie сохранить выбор фреймворков и моделей снижает этот риск, но не устраняет необходимость тщательно проектировать интерфейсы и управлять платформой.

Для предприятий передача идентичности и изоляция сессий важнее длинного списка поддерживаемых моделей. Агент, который может вызывать внутренние инструменты, нуждается в правах, которые остаются понятными и отзывными на протяжении всего рабочего процесса. AgentCore Identity, политики Gateway и правила на основе Cedar предназначены для решения этой задачи, но организациям всё равно придётся проверять поведение политик при необычных запросах, цепочках вызовов инструментов и частичных сбоях.

Развёртывание Abnormal AI также подчёркивает многоуровневую модель затрат для агентных систем. Лёгкие правила и классификаторы могут обрабатывать массовые случаи, тогда как более дорогие агенты и выполнение кода остаются для неопределённых или сложных ситуаций. Такой подход может быть практичнее, чем отправлять каждую задачу в большую модель, особенно там, где важны задержка и стоимость одной операции.

За чем следить дальше

Следующие значимые сигналы будут операционными, а не рекламными. APEX Wood Mackenzie было бы проще оценить, если бы были опубликованы данные о внедрении в её приложениях, частоте сбоев агентов, покрытии оценками, задержках, нарушениях политик и стоимости одного рабочего процесса.

Разработчикам также следует наблюдать, останется ли практичной независимость AgentCore от фреймворков и моделей по мере перехода команд от изолированных экспериментов к общим инструментам и многоагентным рабочим процессам. Поддержка MCP и связей Agent-to-Agent может расширить повторное использование, но также увеличить число границ доверия, которые должны отслеживать платформенные команды.

Для корпоративных покупателей важны независимые отзывы клиентов, более понятное ценообразование при устойчивой конкуренции, средства реагирования на инциденты и доказательства того, что агентов можно отключать или откатывать без нарушения работы подключённых приложений. Развёртывания Code Interpreter требуют дополнительного внимания к хранению данных, сетевому доступу, контролю пакетов и изоляции сгенерированного кода.

Мнение Creati.ai

APEX Wood Mackenzie примечателен не столько тем, что он добавляет ещё одно агентное приложение, сколько тем, что рассматривает отсутствующий производственный слой как повторно используемый продукт. Материалы компании показывают, что корпоративные команды движутся к внутренним агентным платформам, которые стандартизируют идентификацию, поведение runtime, наблюдаемость и политики, оставляя бизнес-командам свободу выбирать собственные модели и фреймворки.

Доказательства по-прежнему контролируются поставщиком, и нет раскрытых данных о производительности или финансах, которые бы закрепили APEX как проверенный шаблон. Тем не менее архитектура указывает на практическое направление для корпоративного ИИ: внедрение агентов, вероятно, будет зависеть не столько от создания ещё одного впечатляющего прототипа, сколько от того, насколько явно будут видны права доступа, оценка, изоляция и затраты, чтобы их можно было ежедневно эксплуатировать.