По прогнозу Gartner, более 40% проектов с агентным искусственным интеллектом могут быть отменены к концу 2027 года – из-за растущих затрат, неочевидной бизнес-ценности и недостаточного контроля рисков.
Почему проекты с ИИ-агентами могут не дойти до промышленного запуска
Прогноз о возможном закрытии более 40% проектов с агентным искусственным интеллектом опубликовала аналитическая компания Gartner в июне 2025 года. Речь идет не о статистике уже завершившихся проектов, а о прогнозе на конец 2027 года. Среди основных причин аналитики назвали высокую стоимость внедрения, отсутствие понятной отдачи от инвестиций и недостаточные механизмы управления рисками.
ИИ-агенты отличаются от обычных чат-ботов тем, что могут выполнять последовательность действий для достижения поставленной цели. Например, не просто объяснить, как оформить заявку, а получить необходимые сведения из корпоративных систем, проверить данные, подготовить документ и передать его на согласование. В зависимости от архитектуры агент может использовать внешние инструменты, обращаться к базам данных и взаимодействовать с другими программами.
Именно эта способность действовать самостоятельно делает технологию перспективной для бизнеса, но одновременно усложняет ее внедрение. Ошибка в ответе чат-бота может остаться незамеченной до проверки человеком. Агент, имеющий доступ к рабочим системам, способен распространить ошибку дальше – изменить данные, создать некорректную заявку или выполнить действие, на которое у него не должно быть полномочий.
По оценке Gartner, часть рынка сталкивается и с так называемым agent washing – когда поставщики называют ИИ-агентами обычных помощников, чат-ботов или инструменты автоматизации, не обладающие полноценными агентными возможностями. В результате бизнес может ожидать автономного выполнения сложных задач, хотя фактически получает более привычную систему с ограниченным набором функций.
Почему успешного пилота недостаточно
На этапе пилотного проекта ИИ-агент обычно работает в ограниченных условиях: у него немного задач, небольшой набор данных и заранее определенные сценарии. Если система ошибается, специалисты могут вручную исправить результат или повторить операцию. При масштабировании такие решения начинают сталкиваться с реальной сложностью корпоративной среды.
Проблемы возникают по нескольким направлениям.
Интеграция с корпоративными системами. Агенту нужно взаимодействовать с базами данных, документооборотом, CRM, ERP и другими сервисами. Если системы устарели, используют разные форматы или не имеют удобных интерфейсов для интеграции, запуск усложняется.
Качество и доступность данных. Даже сильная языковая модель не исправит автоматически противоречия в корпоративных справочниках, неполные записи и устаревшие документы. Агент должен получать актуальную информацию и понимать, каким источникам можно доверять.
Стоимость выполнения задач. В пилоте расходы на вычисления и обращения к моделям могут быть незначительными. В промышленной эксплуатации добавляются повторные запросы, хранение контекста, вызовы внешних инструментов, мониторинг и сопровождение.
Безопасность и ответственность. Чем больше полномочий получает агент, тем важнее ограничивать его доступ к данным и действиям, фиксировать операции и предусматривать возможность вмешательства человека.
Gartner отдельно отмечает, что интеграция агентов с существующими корпоративными системами может требовать сложных и дорогостоящих технических изменений. Поэтому в некоторых случаях эффективнее не просто подключать ИИ к старому процессу, а пересматривать сам процесс с учетом возможностей новой технологии.
Какая инфраструктура нужна для ИИ-агентов
Для полноценного внедрения недостаточно выбрать языковую модель и написать инструкции для нее. Агенту необходима технологическая среда, в которой он сможет получать данные, обращаться к нужным инструментам, выполнять разрешенные операции и работать под контролем.
Татьяна Сеземина, руководитель "Платформы ИИ-агентов" направления Т1 ИИ, в материале РБК обращает внимание на необходимость подготовить такую инфраструктуру еще до масштабного запуска.
Ключевые элементы этой среды следующие.
Единый доступ к данным и корпоративным инструментам. Агент должен подключаться к нужным сервисам через контролируемые интерфейсы. Один из развивающихся подходов – протокол MCP (Model Context Protocol), предназначенный для связи ИИ-моделей и агентов с внешними инструментами и источниками данных. По мере увеличения числа агентов и подключенных сервисов ручная настройка каждого соединения становится сложнее. В таких случаях может понадобиться единый шлюз для управления подключениями, авторизацией и журналированием.
Управление правами и безопасность. Агенту следует предоставлять только те полномочия, которые необходимы для конкретной задачи. Доступ к чувствительным данным и выполнение критичных операций нужно ограничивать, а важные действия – подтверждать человеком. При этом проверять необходимо не только запросы пользователя, но и результаты работы самого агента: он может неверно интерпретировать инструкции или получить вредоносные указания из обрабатываемых документов.
Мониторинг и контроль качества. В промышленной эксплуатации необходимо отслеживать, какие действия выполняет агент, к каким данным обращается, сколько времени и вычислительных ресурсов расходует. Также важно фиксировать ошибки, проверять корректность результатов и иметь возможность остановить или отменить операцию. Если в одном процессе работают несколько агентов, система должна позволять проследить всю цепочку их взаимодействия.
Оркестрация и обработка исключений. Агентам нужны правила взаимодействия с другими агентами и сервисами, ограничения на число шагов, механизмы повторных попыток и сценарии передачи задачи сотруднику. Автономность не должна означать отсутствие контроля: при нештатной ситуации система должна понимать, когда остановиться и запросить помощь.
Как оценить экономический эффект до масштабирования
Прежде чем переводить ИИ-агента в промышленную эксплуатацию, компании важно определить, какую конкретную задачу он решает и как будет измеряться результат. Само по себе использование новой технологии не гарантирует ни сокращения затрат, ни повышения производительности.
Например, если агент помогает сотрудникам обрабатывать заявки, недостаточно измерить скорость генерации ответа. Необходимо учитывать весь процесс: время на проверку результата, долю ошибок, количество повторных операций, расходы на инфраструктуру и необходимость участия специалистов.
Практический подход – заранее установить несколько показателей:
- стоимость обработки одной задачи до и после внедрения;
- долю операций, выполненных корректно без вмешательства человека;
- время выполнения полного рабочего процесса;
- частоту ошибок и число повторных обращений;
- расходы на модели, интеграции, поддержку и обеспечение безопасности.
Отдельно следует проверить, нельзя ли решить задачу более простым способом. Для повторяющихся операций с четкими правилами часто достаточно классической автоматизации. ИИ-агент оправдан там, где требуется работать с неоднозначными данными, выбирать последовательность действий и адаптироваться к меняющимся условиям. Такой подход соответствует рекомендации Gartner выбирать сценарии внедрения на основе понятной бизнес-ценности, а не интереса к самой технологии.
При этом закрытие части проектов не означает, что рынок ИИ-агентов не будет развиваться. Gartner прогнозирует, что к 2028 году агентные возможности появятся в 33% корпоративных программных приложений, тогда как в 2024 году их доля составляла менее 1%. Аналитики также ожидают, что к 2028 году ИИ-агенты будут самостоятельно принимать не менее 15% повседневных рабочих решений, хотя в 2024 году этот показатель был практически нулевым.
Таким образом, главный вопрос для бизнеса – не в том, способен ли ИИ-агент выполнить отдельную задачу в демонстрационном режиме, а в том, сможет ли он делать это регулярно, безопасно и с измеримой экономической отдачей. Компании, которые заранее подготовят данные, интеграции, контроль доступа и систему оценки результатов, получат больше шансов превратить успешный эксперимент в устойчивый рабочий инструмент.
Андрей Лапин, ТКС.РУ
Общение: