China Mobile Jiangsu и ZTE представили агентную систему для задач core network O&M, которая автоматизирует анализ жалоб и разбор сигнальной информации в мобильной сети. Для русскоязычной IT-аудитории здесь важен не сам пресс-релиз, а вектор: телеком все активнее переводит диагностику инцидентов из ручного режима, где все держится на нескольких редких экспертах, в слой LLM, агентных пайплайнов и доменной базы знаний.
О проекте 5 июня 2026 года сообщает The Register со ссылкой на партнерский материал ZTE. По данным публикации, решение создано ZTE совместно с China Mobile Jiangsu под руководством сетевого подразделения China Mobile Group. Заявленная цель предельно прикладная: перестроить обработку клиентских жалоб в ядре сети так, чтобы система сама разбирала исходную сигнализацию, находила аномалии и подсказывала инженерам, где именно искать источник проблемы.
Если убрать маркетинговую обертку, картина получается довольно понятная. В современных мобильных сетях сервисная сигнализация давно перестала быть материалом, который можно быстро разобрать вручную без глубокой специализации. Чем больше сценариев, роуминга, конфигураций и сетевых зависимостей, тем выше цена ошибки и дольше поиск причины. В ZTE и China Mobile Jiangsu утверждают, что именно это узкое место они и пытаются снять: вместо того чтобы отправлять инженера в многочасовую экспедицию по сырым сигнальным данным, система должна пройти путь от данных до гипотезы почти автоматически.
В основе решения три компонента. Первый — multi-modal signaling large model, то есть большая модель, обученная на массиве правил и паттернов исходной сигнализации. По описанию компании, она умеет выполнять end-to-end parsing сигнальных данных и обнаруживать отклонения. Второй — агентный слой, который оркестрирует сам процесс разбора жалобы: подтягивает модель анализа сигнализации, сопоставляет ее выводы с конфигурацией core network и сводит все это в рабочий сценарий расследования. Третий — knowledge-based complaint handling, блок рекомендаций для операционного персонала, который не просто показывает вероятное место сбоя, а предлагает следующие шаги по обработке тикета. Иными словами, анализ жалоб здесь подается не как еще один AI-дашборд, а как попытка собрать замкнутый контур: от входящего обращения до решения или хотя бы до точной локализации проблемы.
Из конкретики в источнике есть несколько важных дат. В 2024 году сетевое подразделение China Mobile Communications Group предложило рамочную схему интеллектуальной обработки жалоб на базе агентов и больших моделей. Уже в 2025 году China Mobile Jiangsu и ZTE, по собственным словам, довели этот подход до практического внедрения. Это полезная деталь: речь не о лабораторной демке под выставку, а о системе, которую компании позиционируют как внедренную. Правда, и тут есть привычный для enterprise AI нюанс: в материале нет цифр по сокращению MTTR, снижению нагрузки на персонал, росту NPS или доле инцидентов, обработанных без участия человека. То есть технологический вектор показан, а проверяемой экономики пока не дали.
Отдельно ZTE подчеркивает, что агент помогает в сложных сценариях вроде международного роуминга. Это, пожалуй, одна из самых содержательных частей анонса. Именно на стыке разных сетей, правил маршрутизации, политик обслуживания и сигнальных цепочек обычно рождаются кейсы, которые плохо масштабируются на ручной труд. Если система действительно умеет не просто «искать аномалию», а увязывать сырую сигнализацию с конфигурацией сети и контекстом жалобы, это уже ближе к промышленному инструменту, чем к генеративному ассистенту, который красиво пересказывает логи.
Для рынка это еще один сигнал, что агентная автоматизация в телекоме выходит из зоны презентаций про «умные сети» в более приземленный слой эксплуатации. Раньше обсуждение AI в телеком-инфраструктуре часто крутилось вокруг планирования радиосети, энергопотребления, predictive maintenance или клиентского сервиса на фронте. Теперь заметно смещение в сторону ядра сети и операционных процессов, где цена ошибки выше, а эффект от автоматизации сложнее продать на красивом слайде. Именно поэтому кейс China Mobile Jiangsu и ZTE интересен не только инженерам операторов связи, но и разработчикам enterprise AI: здесь хорошо видно, что реальная ценность возникает не на уровне модели как таковой, а на уровне связки «модель + агент + доменные данные + понятный workflow».
Для российских команд, которые строят AI-системы для инфраструктуры, вывод тоже довольно прямой. Побеждает не тот, кто первым подключил LLM к тикетам, а тот, кто может заземлить модель в конкретный операционный процесс. В этом кейсе таким процессом стал анализ жалоб по сигнальным данным core network. Аналогичная логика легко переносится в другие отрасли: SOC, observability, промышленный мониторинг, техподдержку SaaS, управление инцидентами в облаках. Везде, где есть дорогие эксперты, шумные сырые данные и длинный путь от симптома к причине, бизнес будет требовать не чат-бота, а систему, которая реально сокращает время поиска проблемы.
При этом к подобным анонсам полезно относиться без лишнего романтизма. Перед нами партнерский материал, а не независимый аудит внедрения. В нем нет внешней оценки, нет сравнения с альтернативными подходами и нет метрик, по которым рынок обычно проверяет зрелость таких систем. Но даже в таком виде история показательна: крупный оператор и вендор уже формулируют AI-проект не как «ассистента для инженера вообще», а как специализированный агент для узкой, дорогой и хорошо измеримой задачи. И если эта модель закрепится, следующий этап в телекоме будет не про одну универсальную LLM, а про целый набор доменных агентов, каждый из которых отвечает за свой кусок эксплуатации сети.
