У Mobileye, разработчика систем автономного вождения, более 230 млн чипов EyeQ установлено примерно в 1 200 моделях автомобилей. Ежедневно конвейер Data Collection Processing обрабатывает тысячи записей с тест-драйвов, и инженеры постоянно спрашивают о статусе этих сессий. До внедрения агента 66% обращений в поддержку были рутинными запросами: сотруднику приходилось вручную проходить 15 шагов в нескольких системах — проверить сессию, сверить данные визуализации, найти ошибки в логах.
Команда проверила подход на пилотном проекте: ИИ-агент должен был классифицировать тикеты с точностью 95% и отвечать быстрее двух минут. Агент работает на моделях Anthropic Claude, доступ к которым Mobileye получает через внутренний LLM Gateway с квотами и управлением доступом. Ключевую роль сыграл Model Context Protocol (MCP): он дал агенту доступ к API платформы обработки данных в реальном времени, и тот сам проверял статус сессии, подтягивал логи и выдавал рекомендации по ошибкам.
| Показатель | Значение |
|---|---|
| Доля рутинных запросов в поддержке | 66% |
| Ручные шаги инженера для ответа | 15 кликов |
| Целевая точность классификации | 95% |
| Снижение времени ответа | 90% |
После пилота Mobileye перевела решение в продакшн на Amazon Bedrock AgentCore — управляемом сервисе AWS для сборки и запуска ИИ-агентов. Выбор объясняют пятью факторами: серверная инфраструктура без ручного управления, ускорение ответов, встроенная наблюдаемость, поддержка разных фреймворков и гибридная архитектура. Последнее особенно важно: внутренняя тикетная система Mobileye работает on-premises и недоступна из AWS, поэтому нужен был мост между локальной средой и облаком без потери безопасности.
66% тикетов были рутинными запросами о статусе: инженерам приходилось вручную проходить до 15 шагов.
В итоге Mobileye превратила AgentCore во внутреннюю self-service платформу: команды компании сами разворачивают собственных агентов. Компания сообщает, что время ответа сократилось на 90%, а точность превысила 95% — при нулевых затратах на управление инфраструктурой. Такой сценарий показателен для предприятий, которые хотят масштабировать ИИ-агентов, но не готовы жертвовать контролем доступа и наблюдаемостью.
