QCon AI Boston 2026, которая пройдет 1–2 июня в Бостонском университете, почти распродана еще до старта. Это хороший маркер: рынок явно устал от разговоров про «магические» демо и хочет обсуждать более приземленную вещь — как AI-системы переживают встречу с продакшеном. Для русскоязычной IT-аудитории это тоже знакомый нерв: между удачным пилотом и работающим сервисом обычно лежат не модели, а инфраструктура, контроль и длинный список неприятных деталей.
Как пишет InfoQ, в программе QCon AI Boston больше 40 сессий, но редакция отдельно выделила шесть докладов, которые сходятся в одной точке: AI-инженерия после фазы вау-эффекта. Не когда агент красиво решает задачу на сцене, а когда команда уже два года разбирается, почему половина идей из прототипа не выдерживает реальной нагрузки, организационной среды и требований безопасности.
Первый показательный сюжет — доклад Мартина Спира из OpenAI о производительности ChatGPT в эпоху агентных систем. Его тезис звучит почти как холодный душ для любителей списывать все на GPU: задержка AI-приложения — это не только инференс. Один запрос пользователя проходит через клиентскую часть, загрузку истории диалога, сбор контекста, токенизацию, маршрутизацию, генерацию, стриминг и наблюдаемость. Узким местом может стать любой слой. Вторая проблема еще неприятнее: агентная разработка ускоряет выпуск изменений, а значит, и регрессии в производительности накапливаются быстрее. Поэтому OpenAI, по словам InfoQ, двигается к модели, где расследованием проблем занимаются уже не только люди, но и агенты, умеющие читать телеметрию и внутренние инструменты напрямую. Для команд, которые строят AI-фичи поверх собственных продуктов, это важный сигнал: оптимизировать придется не одну модель, а всю цепочку обработки запроса.
Не менее практично выглядит сессия Ajay Prakash из LinkedIn про контекстный слой для AI-агентов на базе MCP. Проблема здесь предельно земная: «коробочный» coding agent может быть впечатляющим на публичном репозитории, но быстро теряется внутри конкретной компании, где есть свои сервисы, внутренние фреймворки, накопленные за годы инженерные договоренности и неочевидные зависимости. LinkedIn решала это через CAPT — организационный слой контекста для агентов. Самая интересная часть не в аббревиатуре, а в цифрах внедрения: компания сообщает о 70% ускорении triage инцидентов и о более чем 500 skills, созданных сообществом внутри организации. Для российского корпоративного IT это, пожалуй, один из самых полезных кейсов во всей подборке. Он прямо отвечает на вопрос, который сейчас задают почти все крупные команды: как встроить агента не в лабораторию, а в реальную инженерную среду, где уже есть свои правила, владельцы систем и культурные барьеры.
Третий важный мотив QCon AI Boston — идея, что надежность агента обеспечивается не «умной моделью», а тем, что ее жестко ограничивает. Об этом будет говорить Vinoth Govindarajan из OpenAI в докладе про harness для production-агентов. Набор терминов звучит не слишком романтично, зато очень по делу: control planes, session state, single-writer execution, throttling, границы инструментов, approval paths, audit trail. То есть вся та скучная инженерия, без которой автономность быстро превращается в источник сбоев, несанкционированных действий и проблем с расследованием инцидентов. В качестве кейса используется OpenClaw, но сама логика универсальна: события входят в систему, состояние сессии восстанавливается, исполнение ограничивается правилами, доступ к инструментам обрезается, а каждое значимое действие оставляет след. Для CTO и платформенных команд тут нет сюрприза, но есть полезное подтверждение тренда: рынок постепенно перестает путать capability модели с эксплуатационной зрелостью продукта.
Еще одна болезненная тема, которую QCon AI Boston вытаскивает из тумана маркетинга, — оценка качества агентных систем. Susan Chang из Elastic расскажет о reusable eval frameworks для agentic AI-продуктов. Тут особенно важен не сам термин eval, а временной горизонт: ее команда поддерживает пользовательского AI-агента в продакшене почти два года. На фоне рынка, где многие истории про «боевых агентов» на самом деле моложе полугода, это уже существенное отличие. Речь пойдет о методах оценки, централизованном фреймворке, который Elastic затем переиспользовала в других GenAI-продуктах, и о том, как результаты eval возвращаются обратно в цикл улучшения продукта. Для разработчиков это, возможно, самый взрослый разговор из всей подборки: не «какая модель лучше», а «какой тип проверки ловит какой тип поломки и как это встроить в процесс разработки».
Два оставшихся доклада хорошо показывают, что организационная зрелость AI сегодня часто важнее очередной новой модели. DoorDash в сессии Siddharth Kodwani и Swaroop Chitlur разбирает знакомый почти любой крупной компании сценарий: каждая команда заново пишет одну и ту же обвязку вокруг LLM. Повторы, fallback-механизмы, учет затрат, версионирование промптов, batch processing — ничего из этого не является продуктовой фичей, но без этого ничего не работает стабильно. DoorDash собрала эти функции в общую платформу с LLM Gateway, Batch Inference platform и Agentic Gateway. Вопрос, который здесь особенно важен для бизнеса, не в том, можно ли построить единый слой, а в том, когда он реально снимает дублирование, а когда превращается в еще один обязательный бюрократический этаж. Параллельно Roblox в докладе Andrew Swerdlow смотрит на ту же проблему с другой стороны — через SDLC. Компания исходит из того, что больше сгенерированного кода не равно быстрее доставленному ПО. Код еще нужно ревьюить, мигрировать, поддерживать, тестировать и безопасно выкатывать. В ответ Roblox предлагает переосмыслить сам жизненный цикл разработки и использовать автономных агентов для миграций и обслуживания кодовой базы, опираясь на подход Exemplar Alignment, который должен приземлять агента на экспертное инженерное суждение.
Если собрать все шесть тем в одну картину, получится довольно трезвый портрет рынка. QCon AI Boston в этом году интересна не тем, что снова обещает «новую эру», а тем, что фиксирует смену повестки: от выбора модели к выбору архитектуры, от промптов к контексту, от демо к контролю, от скорости генерации к качеству эксплуатации. Для инженеров и руководителей это неприятная, но полезная новость. Похоже, ближайший раунд конкуренции в AI выиграют не те, кто громче всех встроил агента в продукт, а те, кто сумел превратить его в управляемую, наблюдаемую и проверяемую часть производственной системы.