«AI-трансформация начинается с работы, а не с технологии»: Microsoft показала, как агенты сократили планирование инфраструктуры Azure с 5–7 дней до 20 минут

Что именно меняется в Azure

Azure Hardware Systems and Infrastructure ведёт инфраструктуру более чем в 80 регионах и 500 кампусах дата-центров, и решения на уровне кремния и систем определяют, как оборудование закупается, развёртывается и эксплуатируется во всём парке. Рани Боркар, президент этого подразделения, описывает подход, при котором данные, собранные на одном этапе жизненного цикла, улучшают решения на соседних этапах: спрос меняется, появляются ограничения по компонентам, вводится новая мощность, и инфраструктура должна постоянно учиться и адаптироваться.

По словам Microsoft, ключевой урок звучит так — «Lean before AI»: трансформация начинается с самой работы, а не с технологии. Прежде чем ставить агента, команды разбирали и упрощали процесс, выстраивали единый фундамент данных с качеством, управлением и контролем доступа и определяли решения, где ответственность обязана оставаться за человеком. Скорость важна, но большая возможность — перепроектировать сам способ принятия решений: какая информация доступна в момент решения, как быстро команды понимают, что изменилось, и где особенно важно человеческое суждение.

От дней исследования — к решению за минуты

В планировании спроса команды ежемесячно прогнозируют потребности инфраструктуры Azure на годы вперёд с учётом меняющегося спроса клиентов, региональных нужд, установленной мощности и вывода оборудования из эксплуатации. Раньше, чтобы понять причину изменения плана, приходилось сверять информацию из нескольких систем, и одна проверка превращалась в длительный процесс. Microsoft прямо предупреждает: поставить ИИ поверх фрагментированного процесса — значит просто заставить эту фрагментацию двигаться быстрее.

Мультиагентный рабочий процесс анализирует сигналы — сдвиги установленной базы, региональный спрос, изменения по выводу из эксплуатации — и помогает планировщикам увидеть, что и где изменилось и что вызвало движение. Работа, занимавшая пять–семь рабочих дней, теперь выполняется за часы, иногда менее чем за 20 минут; на более чем пяти ежемесячных циклах планирования команда увидела примерно на 50% меньше ручных усилий, а время цикла в отдельных процессах сократилось вплоть до 75%.

Тот же шаблон складывается в планировании, данных о продуктах, снабжении, фулфилменте, логистике и операционных процессах: специализированные агенты помогают тратить меньше времени на поиск и сверку информации и больше — на применение экспертизы.

Фулфилмент, логистика и эксплуатация парка

В фулфилменте интеллектуальный ассистент сводит воедино информацию о блокировках и совместимых или несовместимых поставках, экономя до 55% времени на разбор. В логистике AI-агент собирает данные по воздушным, наземным и морским вариантам, помогая оценивать скорость, стоимость и углеродный след, а также прогнозировать выбросы.

На уровне парка Microsoft описывает движение «вверх по течению» по надёжности: эксплуатация превращается из реактивной борьбы в замкнутый цикл, который предотвращает дефекты, предсказывает отказы и автоматически возвращает оборудование в строй, при этом инженеры сохраняют контроль над производственными решениями. Предсказание и обнаружение отказов Azure анализирует телеметрию парка, чтобы раньше выявлять зарождающиеся закономерности. Результаты: прерывания виртуальных машин, связанные с дисками, снизились на 92%, время ремонта вышедших из строя узлов сократилось на 53%, а для менеджеров стоек предупреждение за срок до трёх дней позволяет вести упреждающее восстановление и сокращает внеплановые ремонты на 40%.

Чему научили неудачные подходы

Часть самых полезных уроков, по признанию Microsoft, пришла от подходов, которые не сработали. Если применить ИИ к одной части фрагментированного процесса, можно ускорить эту задачу, но создать больше работы в другом месте: агент выдаст результат быстрее, однако если нижестоящая команда вынуждена вручную его интерпретировать, переформатировать или сверять, процесс в целом не улучшился.

Из этого изменилось измерение успеха: вместо оценки отдельной задачи агента команды должны смотреть на весь процесс — убранную работу, появившуюся новую работу, качество решения и итоговый результат. Надёжные, доступные и управляемые данные названы предпосылкой, а не запоздалой мыслью: ИИ не компенсирует конфликтующие определения, неясные права доступа или разрозненную по системам информацию. Отдельно Microsoft предостерегает от привязанности к конкретной архитектуре или агенту — модели, фреймворки и бизнес-задачи продолжают меняться, и решение, полезное сегодня, может потребовать переработки через полгода или отказа.

Следующий этап, по мнению автора, потребует измерять больше, чем внедрение: не число пользователей агента, не количество развёрнутых агентов и не сэкономленные часы, а то, улучшилась ли сама работа — может ли планировщик понять за минуты изменение, объяснение которого раньше занимало дни, и может ли инженер заметить проблему оборудования раньше, чем её почувствует клиент.