#ai#management#team

AI-агенты сломали GitHub. Кто следующий?

Рост нагрузки от AI-агентов в 3,5 раза уронил GitHub. Разбираем, почему узкое место AI - не модели, а инфраструктура и контроль расходов.

  • GitHub как первый звонок
  • Где на самом деле узкое место
  • Бюджеты на токены считают заранее
  • Даже операционные системы это учли

GitHub как первый звонок

  1. GitHub этим летом просел с почти идеальной доступности до провала: нагрузка от AI-агентов выросла в 3,5 раза быстрее, чем инфраструктура успевала масштабироваться.

  2. Часть разработчиков, включая заметных инженеров вроде

  3. Митчелла Хашимото, начала присматриваться к GitLab и Bitbucket.

  4. Одновременно за полгода расходы компаний на токены LLM выросли примерно в 10 раз, а GitHub Copilot и Anthropic начали приглушать лимиты для частных аккаунтов в пользу корпоративных. GitHub, бюджеты токенов и Windows - один процесс, увиденный с трёх разных углов.

Где на самом деле узкое место

  1. Компании два года считали, что узкое место AI - качество моделей: точнее промпт, умнее модель, больше context window. Реальность оказалась другой.

  2. Модели за этот срок подешевели и поумнели одновременно.

  3. Узким местом стала инфраструктура, спроектированная под человека за клавиатурой.

  4. Человек открывает pull request раз в час.

  5. Агент открывает его каждые несколько минут, параллельно гоняя линтер, тесты и ещё троих агентов-ревьюеров. GitHub держали на архитектуре, которую 18 лет строили под трафик людей.

  6. Под нагрузку, растущую в 3,5 раза быстрее инфраструктуры, она не рассчитана - и не выдержала. GitLab, Vercel и Linear столкнулись с похожим ростом нагрузки и не просели: у них моложе стек и меньше технического долга под капотом.

Бюджеты на токены считают заранее

Второй симптом того же процесса - управленческий. Руководители инженерных подразделений в средних и крупных компаниях начали вводить бюджеты токенов на инженера и маршрутизацию запросов между моделями по стоимости задачи: простой рефакторинг - дешёвой модели, сложный архитектурный вопрос - дорогой. Причина прямая: рост расходов в 10 раз за полгода при неизмеримом ROI - это то, что режут на первом же бюджетном комитете. AI, который не поддаётся измерению, финансовый директор считает театром. Театр сокращают первым.

Оценить, где ИИ даст эффект в вашем процессе

Почта clients@kt.team Telegram @kt_team_it

Даже операционные системы это учли

Microsoft подтвердил то же самое на уровне Windows: команда заявляет, что будущие версии системы получат более глубокую встроенную поддержку агентных инструментов. Причина инженерная: агенты стали отдельным классом нагрузки, и под него надо проектировать ОС - модель процессов и разрешений, рассчитанная на человека, для этого не годится. Показательно, что это происходит на фоне репутационных издержек - часть пользователей уже окрестила прошлые попытки компании «Microslop».

Как это закрывается технически

Все три сюжета закрывает один класс решений: governance-слой контроля между агентами и остальной инфраструктурой.

Три конкретных элемента: - Маршрутизация запросов по стоимости и задаче. LLM & Security Gateway ставится перед вызовами моделей и решает, какой запрос уходит в дорогую модель, какой - в дешёвую или локальную (Qwen, YandexGPT, GigaChat), без изменения кода агентов.

Это тот самый механизм, который «Pulse» описывает как smart model routing, только реализованный как инфраструктурный компонент, а не ручная политика. - Пределы и квоты на уровне протокола. MCP как стандарт даёт точку, где можно ограничить, что именно агент может вызвать и с какой частотой - до того, как запрос долетит до GitHub-подобной системы и добавится к пиковой нагрузке. - Архитектура, спроектированная под агентный трафик с самого начала.

Системы с очередями, идемпотентностью и backpressure, заложенными изначально, не проседают при кратном росте нагрузки так, как проседают системы, куда агентов доклеили поверх архитектуры для людей.

Это разница между GitLab и GitHub в конкретной ситуации этого лета.

Вывод

История с GitHub - первый публичный случай, где видно: TTU агента упирается в инфраструктуру вокруг модели - в то, выдержит ли она агентный профиль нагрузки: сотни вызовов API в минуту круглосуточно вместо одного pull request в час от человека. Компании, которые сейчас массово подключают AI-агентов к CI/CD, репозиториям и внутренним системам, повторяют путь GitHub, просто ещё не дошли до пиковой точки. Разница между «просто работает» и «сломалось под нагрузкой» - governance-слой, построенный заранее.

После первого инцидента строить его поздно.

Обсудить статью: AI-агенты сломали GitHub. Кто следующий?

Укажите email или телефон, чтобы мы могли вам ответить.

Отправить через:

Нажимая кнопку, вы принимаете оферту и предоставляете согласие на обработку персональных данных.

Похожие кейсы

Все кейсы

Связанные решения

Все решения
ИИ‑мониторинг — автоматический контроль процессов и событийИИ-ассистент по Росреестру: выписки ЕГРН, проверка и мониторингGEO-оптимизация сайта: продвижение в нейросетях и ИИ-поискеИИ-бухгалтер в вашем контуре: цена внедрения и инференса

Статьи по теме

Подборка про ИИ в бизнесе

Видео по теме

Все видео
Shorts Какой “KPI” Amazon определила разработчикам в эпоху ИИ? AIКоманды и наймУправление
Shorts Не успеваешь за ИИ? Развивай коммуникацию и ответственность AI
Shorts ИИ не усиливает слабых! AI

Новости по теме

Все новости