У HPE платформа для диагностики инцидентов сейчас показывает около 40% точности, а цель на конец 2026 года — превысить 70%. Эта цифра хорошо объясняет, почему агентный ИИ в эксплуатации все чаще обсуждают не как красивую надстройку над LLM, а как новый базовый слой enterprise-IT: если у компании не собрана внятная operational-платформа, никакие модели не спасут продакшен от хаоса.
Именно на этом акцентирует внимание HPE в материале, о котором сообщает The New Stack. Главный тезис звучит почти обидно для рынка генеративного ИИ: главная проблема корпоративного AI не в дефиците моделей, не в нехватке дата-сайентистов и даже не в железе. Узкое место — эксплуатация. В гибридной инфраструктуре, где рядом живут старые системы, несколько облаков, сетевой слой, хранилища и приложения, сбой почти никогда не возникает там же, где его впервые замечают. Симптом может всплыть на уровне приложения, а реальная причина — в сети или storage. Для ops-команд это старая боль, но с приходом AI-нагрузок она стала заметно дороже.
HPE продвигает идею, что агентный ИИ в эксплуатации должен решать именно проблему «дня второго» — не запуск пилота, а сопровождение реальной, шумной, перегруженной и постоянно меняющейся среды. В компании описывают переход от разрозненных дашбордов и ручного разбора инцидентов к модели closed-loop operations, где оркестрация, наблюдаемость и remediation замкнуты в единый цикл. Логика тут практическая: если система умеет не только собирать телеметрию, но и сопоставлять сигналы между слоями, предсказывать дефицит мощностей, а затем предлагать или выполнять корректирующие действия, ops-платформа становится не сервисным инструментом, а центральной точкой управления инфраструктурой.
Ставка HPE строится вокруг CloudOps Software. В основу пакета входят HPE OpsRamp Software и HPE Morpheus Software, а HPE Apstra Data Center Director доступен как дополнительный компонент. По версии компании, именно такая связка должна дать enterprise-клиентам целостную картину гибридной и мультиоблачной эксплуатации. Важная деталь: речь не только о модной «разговорной» оболочке поверх мониторинга. В HPE говорят о highly contextualized data stack, графовой модели данных и GraphQL как фундаменте для связки событий, зависимостей и причинно-следственных цепочек. На бумаге это звучит как еще одна попытка собрать control plane для всего IT-ландшафта. На практике вопрос упирается в качество данных, глубину интеграций и готовность компаний отдавать рутину автоматике.
Почему именно ops-платформа стала главным слоем
Для русскоязычной IT-аудитории здесь важен не бренд HPE сам по себе, а более широкий разворот рынка. Несколько лет подряд enterprise обсуждал AI в логике «какую модель выбрать» и «где взять GPU». Теперь фокус смещается: когда пилоты доходят до продакшена, компания быстро выясняет, что агентам нужны не только токены и inference, но и доступ к живым operational-данным, маршрутам эскалации, политикам изменений, CMDB, телеметрии и понятным границам автономии. Иначе агент превращается в дорогое чат-окно, которое красиво формулирует гипотезы, но не умеет безопасно действовать. Именно поэтому агентный ИИ в эксплуатации делает платформенный слой критически важным: он связывает модель с реальной инфраструктурой и одновременно ограничивает ее поведение.
У HPE эту идею формулируют довольно жестко: в полном стеке симптом и причина отказа почти никогда не находятся в одном слое. Для разработчиков и SRE это звучит знакомо. Когда транзакции в приложении начинают timeout'иться, команда сначала смотрит в APM, потом в Kubernetes, потом в сеть, затем в storage, и уже где-то на третьем круге выясняется, что виноват не код и не контейнеры. Агентный подход обещает сократить именно это блуждание по слоям. В The New Stack приводится еще один показатель: по внутренним KPI HPE платформа пока достигает около 40% точности в troubleshooting, а план — подняться выше 70% до конца года. Это, конечно, не финальная победа над инцидентами, но уже достаточно конкретная метрика, чтобы разговор об «агентах для ops» перестал быть чистым маркетингом.
Еще один любопытный момент — акцент на explainability и human in the loop. HPE прямо не предлагает безоглядно отдать продакшен автопилоту. Напротив, компания исходит из того, что автономные действия допустимы только там, где оператор понимает, что именно предлагает система и на каких сигналах она основывается. Это важная оговорка для крупных компаний, особенно в регулируемых отраслях. В 2026 году рынок уже наелся обещаниями self-healing всего подряд, но по факту enterprise по-прежнему требует аудируемости, отката и предсказуемого change management. Иначе любой «умный» агент мгновенно превращается в новый источник риска, а не в средство его снижения.
Для бизнеса вывод тоже довольно приземленный. Если раньше ops-платформа воспринималась как поддерживающий слой для SRE, DevOps и инфраструктурных команд, то теперь она претендует на роль операционной системы для корпоративного AI. Через нее проходят наблюдаемость, capacity planning, управление изменениями, корреляция инцидентов и, вероятно, будущая агентная автоматизация. Это меняет и приоритеты закупок, и требования к платформенным командам. Победят не те, кто быстрее прикрутил LLM к тикет-системе, а те, кто смог собрать связный контур данных и автоматизации между приложениями, сетью, вычислениями и хранилищем.
На этом фоне главный вопрос уже не в том, появятся ли у enterprise собственные fleets of agents. Скорее, вопрос в другом: какая ops-платформа выдержит роль диспетчера для этих агентов, не утонув в легаси, интеграциях и ложных срабатываниях. И если тезис HPE верен, то следующая большая конкуренция в AI пойдет не только между моделями, но и между платформами эксплуатации, которые умеют превращать агентный слой из демо в работающий продакшен.