Тема внедрения ИИ-агентов упёрлась в странную асимметрию: пилоты запускают почти все, до промышленной эксплуатации доходят единицы. Deloitte в исследовании технологических трендов 2026 года оценивает долю провалов на пути от пилота к продакшену в 89%. Опрос Teradata уточняет картину: у 78% компаний есть хотя бы один пилот агента, но лишь 14% довели хотя бы одного агента до использования в масштабе всей организации.
Дело не в возможностях моделей — в пилотах и в продакшене работают одни и те же модели. Разница в том, что вокруг модели: доступ к данным, оценка качества, ответственность за работу и контроль расходов.
Воронка в цифрах
Масштаб проблемы удобнее смотреть по воронке. По опросу Gartner от апреля 2026 года среди 782 руководителей инфраструктуры и эксплуатации и смежному отраслевому анализу картина такая:
- из каждой 1000 ИИ-проектов, получивших бюджет, до продакшена доходят около 120;
- из них примерно 34 достигают целевой окупаемости;
- по данным опроса Gartner Agentic AI Pulse, 41% внедрений выходят на положительную окупаемость в течение 12 месяцев, а 19% не окупаются никогда.
McKinsey в работе 2026 года оценивает долю организаций, эксплуатирующих агентов действительно в масштабе, в 11%. S&P Global Market Intelligence насчитывает 31% компаний с хотя бы одним агентом в продакшене. «Один агент в продакшене» и «агенты в масштабе» — очень разные вехи.
Барьер 1: расползание области работ
Анализ застопорившихся агентных проектов связывает 61% провалов с двумя причинами в совокупности: расползанием области работ и качеством данных. Пилот начинается с узкой задачи, показывает результат — и дальше его просят взять смежные процессы, под которые инфраструктура никогда не проектировалась. Агент, который сортировал обращения в поддержку, теперь должен их решать, потом обновлять CRM, потом оформлять возвраты. Каждое расширение добавляет интеграции, права доступа и новые точки отказа, но не добавляет операционного фундамента.
Барьер 2: доступ к данным, который работал в песочнице
Пилоты работают на выгрузках подготовленных данных. Продакшен — на живых системах с несогласованными схемами, ограничениями доступа и задержками. Отраслевые опросы показывают, что 83% компаний нуждаются в перестройке инфраструктуры для поддержки агентного ИИ. Пилот ни разу не касался старой ERP — продакшен обойти её не может.
Барьер 3: нет стенда для оценки качества
Только у 38% продакшен-агентов автоматические проверки запускаются на каждое изменение промпта — по панели Forrester 2026 года. В пилоте каждый ответ просматривает человек. В продакшене не смотрит никто, и без автоматических регрессионных тестов любая правка промпта превращается в лотерею. По данным Forrester, у агентов без автоматических проверок доля откатов составила 47% против 9% у агентов с полным покрытием. Организации, использующие системные фреймворки оценки, в отдельном опросе показали почти в шесть раз более высокую долю успешных внедрений. Собрать такой стенд помогает готовый инструментарий — например, руководство по NeMo Guardrails для корпоративного ИИ.
Барьер 4: у агента нет владельца
Пилотом владеет команда инноваций. Продакшену нужен операционный владелец — человек, который отвечает, когда агент ошибётся в два часа ночи. Опросы корпоративного управления оценивают зрелость управления агентным ИИ примерно в 21%. Без названного владельца, прописанного пути эскалации и бюджетной строки на постоянную эксплуатацию пилот просто некому передать.
Барьер 5: расходы, которые видны только на масштабе
Анализ отменённых проектов стабильно фиксирует рост затрат в два-три раза относительно оценок. Потребление токенов, циклы повторных попыток и глубина рассуждений растут вместе с объёмом и краевыми случаями. Пилот на 50 задач в день стоит копейки. Тот же агент на 5000 задач в день, с продакшен-надёжными повторами и мониторингом, часто обходится дороже процесса, который он заменил.
Барьер 6: согласование безопасности
Исследование Gravitee 2026 года показало: 54% организаций столкнулись или подозревают инцидент безопасности либо утечку данных, связанные с агентом, за последний год. Полностью защищают агентов в продакшене лишь около одной пятой компаний. Служба безопасности, рассматривая пилот к запуску, регулярно находит сервисные учётные записи с избыточными правами и отсутствие журнала аудита — и блокирует запуск. Подход, при котором детекция злоупотреблений не требует хранения пользовательских данных, разбирался в материале про Enterprise Frontier Safeguards от Anthropic.
Что делают 14% иначе
Данные по компаниям, успешно масштабировавшим агентов, показывают: они не тратили больше тех, кто застрял. Общие бюджеты на ИИ сопоставимы. Разница в распределении:
- больше средств на инфраструктуру оценки и меньше — на инженерию промптов;
- больше на мониторинг и наблюдаемость: структурированные журналы каждого шага рассуждения и каждого вызова инструмента;
- больше на операционный персонал — людей, чья работа запускать агента, а не строить его;
- постепенная автономия с ручными проверками, привязанными к цене ошибки в каждом действии;
- названный владелец управления на каждого агента и пофазные контрольные точки окупаемости с подписью финансовой службы.
Что из этого следует
Gartner прогнозирует, что более 40% агентных ИИ-проектов будут отменены до конца 2027 года, и отмечает: многие сценарии, которые сегодня подают как агентные, вовсе не требуют агентной реализации.
Разрыв между пилотом и продакшеном — не доказательство того, что агенты не работают. Это доказательство того, что большинство организаций строят демонстрацию и пропускают операционную модель. Те, кто доходит до внедрения, поступают наоборот.
Практический вывод для администратора или владельца бизнеса прост: прежде чем расширять пилот, стоит ответить на те же вопросы, что задаст служба безопасности и финансовая служба, — кто владелец, как измеряется качество, откуда берутся данные в живых системах и во сколько обойдётся десятикратный рост нагрузки. Если ответов нет, расширение области работ только увеличит счёт за отменённый проект. А если агент нужен для конкретной задачи на одном рабочем месте, разумнее начать с готового решения вроде OpenWorker от Эндрю Нга, а не строить платформу с нуля.
Частые вопросы
Кого касается эта статистика?
В первую очередь компании, которые уже запустили хотя бы один пилот агента и планируют переводить его в промышленную эксплуатацию. По данным Teradata, таких организаций 78%, а до масштаба доходят лишь 14%.
Почему модели ни при чём?
В пилотах и продакшене работают одни и те же модели. Разница накапливается в операционном слое: доступ к данным, оценка качества, ответственность и контроль расходов.
Что такое автоматические проверки агента и зачем они нужны?
Это регрессионные тесты, которые прогоняются на каждое изменение промпта. Без них в продакшене никто не проверяет ответы, и по данным Forrester доля откатов достигает 47% против 9% при полном покрытии.
Как понять, что расходы на агента выйдут из-под контроля?
Анализ отменённых проектов показывает рост затрат в два-три раза относительно оценок. Основные драйверы — потребление токенов, циклы повторных попыток и глубина рассуждений, которые растут вместе с объёмом задач и краевыми случаями.
Какой процент компаний сталкивался с инцидентами безопасности из-за агентов?
По исследованию Gravitee 2026 года — 54% организаций пережили или подозревают инцидент безопасности либо утечку данных, связанные с агентом, за последний год. Полностью защищают агентов в продакшене около одной пятой компаний.
Чем отличаются компании, которые довели агента до масштаба?
Они не тратили больше — общие бюджеты на ИИ сопоставимы. Они иначе распределяли средства: больше на инфраструктуру оценки, мониторинг и наблюдаемость, операционный персонал, а также вводили постепенную автономию и названного владельца управления.
Стоит ли вообще запускать агентный проект?
Gartner отмечает, что многие сценарии, которые сегодня позиционируют как агентные, не требуют агентной реализации вовсе. Если задача решается обычной автоматизацией, агент добавит операционную сложность без выигрыша.
Что будет с рынком агентных проектов дальше?
Gartner прогнозирует отмену более 40% агентных ИИ-проектов до конца 2027 года. Причина не в неработоспособности технологии, а в том, что организации строят демонстрацию и пропускают операционную модель.
Источник: artificialintelligence-news.com