LinkedIn поделился опытом построения инфраструктуры для корпоративного ИИ, которая справляется с микросекундными решениями и обеспечивает надежность ответов.
Enterprise-ИИ переживает момент истины. После первых волн эйфории компании обнаруживают, что их умные агенты с одинаковой уверенностью выдают как гениальные идеи, так и откровенный бред. И корень зла — не в нейросетях, а в старом добром железе и коде, который их обслуживает. На конференции VB Transform 2026 три гиганта — LinkedIn, Walmart и Zendesk — синхронно признали: инфраструктура, рассчитанная на человеческий ритм, не выдерживает микросекундных решений агентов.
Но если Walmart и Zendesk только нащупывают путь, то LinkedIn уже провёл собственную операцию на открытом сердце — перекроил систему подачи контекста, отказался от самооценки LLM и построил шлюз, который не зависит от вендоров. Почему именно подход LinkedIn стал эталоном для всех enterprise-компаний? Потому что он бьёт прямо в самую болезненную точку — контекстный разрыв, который уже ударил по 57% организаций. Дальше — пошаговый разбор того, как соцсеть для нетворкинга превратилась в полигон для испытания корпоративного ИИ.
Что такое LinkedIn и как соцсеть для профессионалов стала платформой для ИИ-агентов
Если вы всё ещё думаете, что LinkedIn — это просто энциклопедия резюме и место для дежурных поздравлений с новой должностью, вы здорово отстали от жизни. Социальная сеть для профессионалов давно перестала быть просто витриной карьерных достижений. Теперь это полноценная кузница инфраструктуры для ИИ-агентов — тех самых цифровых помощников, которые должны автоматизировать рабочие процессы за человека. И, как выяснилось, строить такую инфраструктуру — настоящий ад.
На прошедшей конференции VB Transform 2026 с предельно откровенным докладом выступил Анимеш Сингх, старший директор по AI-платформе и инфраструктуре LinkedIn. И его рассказ — это практически учебник по тому, как не надо внедрять агентов в корпоративную среду, если вы не хотите, чтобы они несли чушь с серьёзным лицом. Сингх честно признал: ни одна из проблем, с которыми столкнулась его команда, не была проблемой модели. Узким горлом оказалась старая добрая инфраструктура, которая проектировалась под людей, а не под микросекундные решения машин.
«Kubernetes слишком медленный» — первая кровь
LinkedIn упёрся в стену, которую сейчас ощущает едва ли не каждый крупный игрок. Kubernetes, на котором держится большинство современных микросервисов, работает по принципу «поднял контейнер по запросу». Этот процесс занимает секунды. Для человека — незаметно. Для ИИ-агента, который должен сгенерировать ответ за миллисекунды, — катастрофическая задержка. Решение нашлось неожиданное: вместо того чтобы каждый раз поднимать контейнер с нуля, в LinkedIn перешли на предварительно выделенные пулы контейнеров. Агентские нагрузки теперь просто подменяют друг друга в реальном времени, без оглядки на «ленивый» Kubernetes.
Но это было только цветочки. Настоящий кошмар начался, когда агентам разрешили самостоятельно управлять собственной оркестровкой. Если вы когда-нибудь задавались вопросом «LinkedIn что это за приложение, которое вдруг начало генерировать дичь», — ответ кроется именно здесь. Сингх рассказал, что пятибалльная система оценки (когда одна LLM оценивает другую) на бумаге выглядела чисто, но на практике галлюцинации никуда не делись. Модель оценивала саму себя — и закономерно выдавала себе «отлично» за откровенный бред.
«Мы построили собственную упряжку, собственный контрольный поток, — объяснил Сингх. — Мы оттеснили LLM на листовые узлы и запретили им управлять циклом». На деле это значит, что 80% рабочего процесса теперь — скриптовый, детерминированный код. Языковые модели запускаются только там, где реально нужно рассуждение, а каждый их шаг фиксируется на диск до того, как система двигается дальше.
LinkedIn также построил собственный AI-шлюз — единый интерфейс для всех внешних вызовов к любой модели, будь то публичное облако или собственные дата-центры. Плюс отдельная подсистема памяти, которая хранит контекст независимо от провайдера модели. «Каждый исходящий вызов к LLM следует одним и тем же семантикам, одним и тем же вызовам API. Мы можем быстро переключаться между разными провайдерами», — добавил Сингх. Именно так соцсеть для нетворкинга превращается в платформу для агентов — через жестокую борьбу с собственной legacy-инфраструктурой и наивной верой в самооценку нейросетей.
Как LinkedIn решил проблему скорости и доверия к ИИ-агентам
Однако за фасадом смелых инфраструктурных решений скрывалась куда более коварная проблема — доверие. Kubernetes, пусть и медленный, был лишь первым звоночком. LinkedIn выяснил, что заставить ИИ-агентов не врать с абсолютно уверенным видом — задача на порядок сложнее, чем просто ускорить контейнеры.
Вот тут-то и вскрылась системная ошибка в самой философии оценки. LinkedIn изначально доверил агентам собственную оркестровку и внедрил пятибалльную шкалу, где одна LLM оценивала результаты другой. На бумаге всё выглядело стройно. На практике же агенты исправно ставили себе «пятёрки» за откровенный бред. «Мы построили собственную упряжку, собственный контрольный поток, — объяснил Анимеш Сингх, старший директор по AI-платформе и инфраструктуре. — Мы оттеснили LLM на листовые узлы и запретили им управлять циклом». Оказалось, что единственный способ победить галлюцинации — вернуть контроль человеку через код. Теперь 80% рабочего процесса — скриптовый, детерминированный код. Языковые модели запускаются только там, где реально нужно рассуждение, а каждый их шаг фиксируется на диск до того, как система двигается дальше. Доверие строится не на слепой вере в нейросеть, а на проверяемых записях.
Но LinkedIn пошёл дальше и решил вопрос зависимости от конкретных вендоров. Компания построила собственный AI-шлюз — единый интерфейс для всех внешних вызовов к любой модели, будь то публичное облако или собственные дата-центры. Вдобавок появилась отдельная подсистема памяти, которая хранит контекст независимо от провайдера модели. «Каждый исходящий вызов к LLM, будь то в публичном облаке или в наших дата-центрах, следует одной и той же семантике, одним и тем же вызовам API. Мы можем быстро переключаться между разными провайдерами», — подчеркнул Сингх. Именно так LinkedIn из социальной сети для профессионалов превращается в полноценную платформу для ИИ-агентов — через жёсткий контроль над скоростью, контекстом и независимостью от поставщиков моделей.
Почему опыт LinkedIn важен для всех enterprise-компаний
Когда три совершенно разные компании — LinkedIn, Walmart и Zendesk — на одной сцене VB Transform 2026 приходят к идентичному выводу, это уже не совпадение, а закономерность. Все три уперлись в одну и ту же стену: не модели глючат, а инфраструктура, спроектированная для человека, отказывается работать на скорости агента. И тут вступает в игру 57% — доля предприятий, которые уже ловили своих ИИ-агентов на уверенной лжи из-за плохого контекста. Линкедин? Почему его опыт стал лакмусовой бумажкой для всей индустрии? Потому что LinkedIn не просто столкнулся с проблемой — он предложил системное решение, которое можно масштабировать.
Главный урок, который вынесла команда Анимеша Сингха: ни одна из проблем не была моделью. Kубернетес тормозил? Перешли на предварительно выделенные пулы. Оценка «LLM судит LLM» давала бред? Отправили нейросети на листовые узлы, забрали у них оркестровку и заставили 80% кода работать детерминированно. Каждый шаг — с доказательствами на диске. Это переворачивает привычную логику: вместо того чтобы доверять «интеллекту» модели, LinkedIn построил железобетонный контрольный контур. И именно такой подход спасает от того самого контекстного разрыва, о котором кричат 57% компаний.
Но самое ценное — совет Сингха, который стоит высечь на табличке в каждом enterprise-департаменте: «Стройте на независимость — будь то frontier-модель сегодня или open-source модель завтра. Держите контекст внутри вашего предприятия, чтобы повторно использовать его, когда вы развернете модель или каркас завтра». Он же добавил про необходимость инвестировать в evals — оценки, которые объединяют все сценарии использования. Это не просто техническая рекомендация, это стратегический императив: если не встроить систему верификации в инфраструктуру, агенты будут плести небылицы с серьёзным лицом. Опыт LinkedIn доказывает: единственный способ победить контекстный разрыв — перестать молиться на модели и начать строить инфраструктуру, которая не прощает ошибок.
Итог неутешителен, но обнадёживающ: контекстный разрыв — не приговор. LinkedIn, Walmart и Zendesk доказали: проблема решается не более умными моделями, а перестройкой инфраструктуры под реалии агентного мира. Компании, которые уже вложились в governed semantic layer, предварительные пулы контейнеров и независимые системы оценок, имеют все шансы пережить этот кризис. Остальным придётся либо догонять, либо смириться с тем, что их агенты будут звучать уверенно, но врать.