לפי מדריך שפרסמה סיילספורס, ארגונים נדרשים להתאים את מחזורי הפיתוח לעידן הבינה המלאכותית ולפתח סוכנים ואפליקציות מבלי להתפשר על אבטחה ואיכות. המדריך מתווה תהליך עבודה מודולרי בן שישה שלבים הכולל תכנון, בנייה, בדיקה, פריסה, ניטור והרחבה, תוך שילוב עקבי של משילות ואבטחה לכל אורך הדרך. במסגרת הבנייה מוצגים כלי פיתוח שונים, בהם Vibe coding, כלי Low-code ו-No-code כגון Builder Central, לצד ניתוב מחדש של קידוד מסורתי למשימות מותאמות אישית. שלבי הבדיקה והפריסה נשענים על סביבות Sandbox, מיסוך נתונים וכלי DevOps מובנים, בעוד ששכבת Headless ופרוטוקולי MCP מאפשרים לחבר את הסוכנים למערכות ארגוניות ולנתונים מנוהלים.

בטור דעה שפורסם באתר SiliconANGLE מנתח זאוס קרוואלה את ממצאי מחקר חדש שהציגה חברת סיסקו בכנס Cisco Live APJC במלבורן, שנכתב על ידי החוקר העצמאי בראד הווארת ומבוסס על נתונים מ-25 ארגונים באוסטרליה. המחקר קובע כי המגבלה על קצב אימוץ הבינה המלאכותית בארגונים אינה טכנולוגית, אלא נובעת מפערי אמון ותרבות. בעוד שארגונים רבים משקיעים משאבים ניכרים בתשתיות ובנתונים, הם נוטים להזניח את ההיבט התרבותי ואת הכשרת העובדים, מה שמוביל לשימוש פושר במערכות. בדוח מודגש הצורך באמון מכויל — הבנה מתי להסתמך על המערכת ומתי לבדוק אותה — וכן מעבר למדידת מקרים שבהם עובדים מאתגרים תוצרי AI במקום להסתפק במדידת כניסות למערכת. בנוסף, המחקר מצביע על פערי מוכנות לקראת כניסתם של סוכני AI אוטונומיים, כאשר רק מיעוט מהארגונים מפעיל בקרות עקביות על זהויות שאינן אנושיות.

במאמר מאת Salesforce מפורטים ארבעה לקחים מניסיונה כמשתמשת הראשונה במוצריה (Customer Zero), ובפרט בחיבור ידע מוצר לסוכני בינה מלאכותית באמצעות Data 360 ו-Agentforce. החברה מתארת כיצד תשובות סוכן RAG תלויות באיכות התוכן הנשלף, וממליצה להעריך את מאגר הידע לפי התאמה, פער והתנגשות לפני בניית אינדקס. בנוסף מומלץ לפתח תצורות על בסיס השערות שנבדקות כמותית ואיכותית ולא לפי מפרט קשיח, להגדיר מראש מאגר נתוני ייחוס לבדיקות, ולשלב בדיקות אנושיות לצד מדדים אלגוריתמיים כדי למנוע דחיות שווא לפני עלייה לייצור.

לפי הודעת סיילספורס, שיתוף הפעולה במודל Zero Copy עם חברת סנואופלייק מורחב במטרה להפוך נתונים ארגוניים מבוזרים להקשר מאוחד עבור סוכני בינה מלאכותית ובני אדם. השותפות מתמקדת בחיבור הנתונים מהמקום שבו הם מאוחסנים, ללא צורך בהעתקתם או בהפעלת תהליכי ETL מסורתיים. במרכז המהלך עומד מנוע ההקשר לסוכנים (Agent Context Engine - ACE) של Data 360, המשלב נתונים מובנים, תוכן לא מובנה, גרפי ידע וזיכרון סוכנים לשכבת הקשר אחת. החיבור מאפשר הרצת סוכנים על גבי נתוני לקוחות מעודכנים, הרחבת השימוש באמצעות פלטפורמת נתוני לקוחות סוכנותית ו-Data 360 Headless, וקישור ישיר בין פלטפורמות דרך פורמט הטבלאות Apache Iceberg ופרוטוקול Model Context Protocol (MCP).

חברת גוגל הודיעה על השקת Gemini Robotics Embodied Reasoning 2 (או ER 2) בתצוגה מקדימה ציבורית בפלטפורמת Gemini ב-Google Cloud. המודל, שפותח על ידי Google DeepMind, משמש כשכבת בינה וכמוח ברמה גבוהה עבור רובוטים במגוון תצורות — מזרועות נייחות ועד רובוטים דמויי אדם. המערכת משלבת הבנת וידאו מרחבית וזמנית, תכנון ארוך טווח ומנגנוני בטיחות מובנים, ומאפשרת לרובוטים להבין משימות, לתקן שגיאות בזמן אמת ולתזמר ממשקי בקרה באמצעות פקודות בשפה טבעית. בנוסף, המודל מאפשר שיתוף פעולה בין רובוטים שונים ומסוגל לקרוא מכשירי מדידה מגוונים. השילוב ב-Google Cloud מאפשר לארגונים לפתח, לדמות ולפרוס סוכנים פיזיים בקנה מידה רחב באמצעות תשתיות הענן של גוגל.