Проблема: 66% тикетов - рутина, которая тормозит инженеров
Инженеры поддержки Mobileye ежедневно обрабатывали сотни запросов. 66% из них - однотипные вопросы о статусе данных: «Готов ли датасет для обучения?», «Какие камеры покрывают этот участок?», «Когда обновится разметка?». Ответ на каждый такой тикет требовал ручного поиска по нескольким внутренним системам и занимал часы. Специалисты, способные решать сложные задачи автономного вождения, тратили большую часть дня на рутину.
Это классический сигнал для автоматизации. Когда доля повторяющихся запросов превышает половину входящего потока, добавление людей перестаёт работать - растёт только время ожидания и выгорание команды. Mobileye зафиксировала точку перелома и начала искать решение, которое разгрузит инженеров без потери качества ответов.
Решение: ИИ-агент на базе Claude и Amazon Bedrock AgentCore
Компания развернула ИИ-агента, который принимает запросы из системы тикетов, самостоятельно определяет намерение пользователя, обращается к нужным источникам данных и формирует ответ. Мозг агента - модель Claude, платформа для оркестрации - Amazon Bedrock AgentCore.
Выбор Claude обусловлен способностью модели удерживать контекст сложных запросов о данных сенсоров, картографии и разметки. Агент не просто ищет ключевые слова - он понимает, что пользователь спрашивает о конкретном датасете, проекте или временном срезе, и строит цепочку действий для получения ответа.
AgentCore: платформа для корпоративных ИИ-агентов
Amazon Bedrock AgentCore - управляемый сервис, который берёт на себя инфраструктурные задачи: оркестрацию вызовов, управление памятью агента, сквозное распространение identity и аудит действий. Команде Mobileye не пришлось строить оркестратор с нуля, настраивать очереди сообщений или писать код для обработки отказов.
AgentCore изолирует каждого агента на уровне microVM, что критично для enterprise-среды. Политики доступа описываются на языке Cedar - это даёт детализированный контроль: агент получает ровно те разрешения, которые нужны для ответа на конкретный запрос, и ничего сверх этого. Такой подход закрывает главное возражение security-команд: «ИИ не должен видеть всё подряд».
Для команд, которые только начинают строить production-агентов, важен ещё один аспект - наблюдаемость. Тихие сбои AI-агентов - галлюцинации, пропуск шагов, неверный выбор инструментов - часто не видны на дашбордах. AgentCore решает эту проблему через анализ трейсов без опоры на сигналы ошибок, кластеризацию паттернов отказов и ранжирование проблем по доле затронутых сессий.
Гибридная архитектура: как агент получил доступ к внутренним системам
Самая сложная часть внедрения - интеграция облачного ИИ с локальной инфраструктурой. Система тикетов Mobileye работает on-premise, данные распределены по нескольким хранилищам. Агент должен получать к ним доступ без компромиссов по безопасности и без переноса данных в облако.
Архитектура получилась гибридной: агент работает в AWS, но через защищённый канал обращается к API внутренних систем. Ключевых компонентов три: MCP для стандартизации взаимодействия, Secrets Manager для управления учётными данными и Observability для сквозного аудита.
MCP: мост между агентом и корпоративными данными
Model Context Protocol - открытый протокол, который стандартизирует способ взаимодействия агента с внешними системами. Вместо того чтобы писать кастомные коннекторы под каждое хранилище, команда описала MCP-серверы для источников данных: базы статусов датасетов, реестра сенсоров, системы управления разметкой.
Агент на стороне AgentCore получает запрос, Claude определяет, какие MCP-инструменты нужны для ответа, и платформа выполняет вызовы. Ответ агрегируется и возвращается пользователю. Время полного цикла - от получения тикета до публикации ответа - укладывается в минуту.
Безопасность: Secrets Manager и управление доступом
Все учётные данные для доступа к внутренним API хранятся в AWS Secrets Manager с автоматической ротацией. Агент не имеет статических кредов - он получает временные разрешения через механизм распространения identity в AgentCore. Каждое действие агента логируется, а трейсы доступны для аудита в реальном времени.
Этот подход снимает типичное возражение enterprise-заказчиков: «ИИ-агент в облаке не сможет безопасно работать с нашими внутренними системами». Сможет - при правильной архитектуре периметр не размывается, а контроль усиливается за счёт детализированного аудита каждого шага.
Результаты: 90% экономии времени и точность выше целевой
Метрики пилотного внедрения:
- Время ответа: сократилось с часов до одной минуты - улучшение на 90%.
- Точность обработки: 98% при целевом показателе 95%. Агент не только быстро отвечает, но и делает это корректно.
- Охват рутины: все 66% тикетов о статусе данных перешли на автоматическую обработку.
Инженеры переключились на задачи, соответствующие их квалификации: анализ краевых случаев в данных сенсоров, улучшение пайплайнов разметки, работа с новыми типами сенсоров. Автоматизация не сократила команду - она перераспределила её усилия на то, что действительно требует человеческой экспертизы.
Точность 98% - результат итеративной настройки. Первая версия агента давала 91%, но команда анализировала трейсы ошибок, дообучала промпты и уточняла описания MCP-инструментов. За три итерации показатель превысил целевой порог.
От пилота к платформе: как Mobileye масштабировала успех
После подтверждения метрик Mobileye не остановилась на одном агенте. Компания превратила AgentCore во внутреннюю платформу самообслуживания: другие команды теперь могут разворачивать собственных агентов, используя общую инфраструктуру, стандарты безопасности и наработанные MCP-коннекторы.
Такой подход напоминает эволюцию, которую прошла monday.com при внедрении AI Teammates - от ассистентов к автономным мультиагентам с общей шиной событий и стандартизированным доступом к данным. Результат для Mobileye: каждая команда решает свою задачу автоматизации без дублирования инфраструктурных затрат и без согласования каждого агента с security-отделом заново.
Платформенный подход даёт накопительный эффект. MCP-сервер, написанный для системы статусов датасетов, переиспользуется агентом команды картографии. Secrets Manager и политики Cedar становятся корпоративным стандартом, а не уникальной конфигурацией одного проекта.
Выводы для предприятий: когда стоит внедрять ИИ-агентов в поддержку
Кейс Mobileye подсвечивает три критерия готовности к внедрению:
- Измеримая доля рутины. Если повторяющиеся запросы составляют более 50% входящего потока - автоматизация даст ощутимый эффект. Меньшая доля может не оправдать затрат на развёртывание.
- Чёткие источники данных. Агент не угадывает ответ - он запрашивает его из систем-источников. Если данные разрознены или не оцифрованы, сначала потребуется навести порядок в них.
- Готовность к гибридной архитектуре. Не обязательно переносить все данные в облако. MCP и Secrets Manager позволяют агенту работать с on-premise системами, сохраняя корпоративный контроль.
Риски, которые стоит учесть: точность первой версии редко превышает 90-92%. Потребуется несколько итераций донастройки промптов и описаний инструментов. Архитектура самописного агента может показаться более гибкой, но управляемые сервисы вроде AgentCore снимают с команды бремя оркестрации, безопасности и мониторинга - это критично для production-среды.
Первый шаг - пилот на ограниченном домене. Mobileye начала с одного типа запросов о статусе данных, достигла целевых метрик и только потом масштабировалась. Такой подход минимизирует риски и даёт команде время наработать экспертизу.