Что мешает компаниям внедрять ИИ-агентов и как это преодолеть

ИИ-агенты обещают автоматизировать сложные цепочки задач, от обработки документов до принятия решений. Но большинство компаний застревают на этапе экспериментов и лишь единицы доходят до полноценного внедрения и масштабирования. В статье разберем, что мешает пройти этот путь: какие барьеры возникают чаще всего и при каких условиях пилот превращается в работающую систему с понятным экономическим эффектом.

Классический сценарий автоматизации выполняет заданный алгоритм, например, обработка входящих обращений из госорганов. Система принимает запрос, распознает документ, извлекает реквизиты, сверяет их с учетной системой и маршрутизирует конкретному сотруднику.

ИИ-агент действует иначе. Он декомпозирует задачу, самостоятельно выбирает инструменты, обращается к данным и готовит проект ответа на основе контекста в письме, обращаясь к внутренним источникам данных. Затем сотрудник проверяет результат и подтверждает отправку.

Такая автономия дает гибкость, но добавляет непредсказуемости, и именно эта особенность формирует основные барьеры для корпоративного сектора в отношении агентной автоматизации.

Компании часто не до конца понимают, за что платят. Каждое обращение ИИ-агента к генеративной модели требует мощностей дорогих и дефицитных GPU (по оценке ServerICT, их поставки через параллельный импорт упали с тысяч серверов в 2024 году до десятков в 2026 году). Стоимость запусков растет с числом обращений, а результат сложно измерить в деньгах.

Проблема усиливается тремя факторами:

• результат проявляется не сразу, а после накопления данных и донастройки
• косвенный вклад агента (от снижения количества ошибок, ускорения и т. д.) в деньгах оценить труднее, чем просто экономию на ФОТ
• пилот на неверно выбранном сценарии (например, на редкой или неизмеримой операции) не даст нужных данных для расчета экономики при масштабировании

Без метрик проект остается просто интересным экспериментом, который первым попадает под сокращение бюджета. Данные подтверждают остроту проблемы: 70−80% агентных инициатив не доходят до корпоративного внедрения, а значимую финансовую отдачу получают лишь 25% компаний. При этом 65% организаций уже запускали пилоты, то есть барьер находится именно на этапе перехода к масштабированию.

Автономность ИИ-агента может пугать бизнес, даже когда его решения ограничены правилами, контрактами и проверкой человека. Ошибка в цепочке из десяти шагов приводит к неверному итогу, а причину не всегда получается оперативно обнаружить.

К этому добавляются вопросы безопасности: агент обращается к корпоративным данным, внешним сервисам и внутренним системам, и компании нужны гарантии, что чувствительная информация не уйдет за периметр и что действия агента можно отслеживать и контролировать.

Отсутствие прозрачности блокирует внедрение в регулируемых отраслях: финансах, госсекторе, здравоохранении и т. д. Опасения бизнеса подтверждаются результатами опросов: 96% руководителей ИТ и служб безопасности рассматривают ИИ-агентов как источник новых рисков. При этом формализованные политики управления агентами есть лишь у 44% компаний.

Агент эффективно работает там, где данные доступны и подготовлены для машинной обработки. В реальности же документы часто хранятся в разных форматах, дублируются и лежат в разрозненных системах.

Типичная картина в крупной компании:

• договоры в PDF без текстового слоя (сканы)
• разрозненные данные из разных систем

Дефицит вычислительных мощностей усиливает проблему. Из-за нехватки GPU растет стоимость экспериментов, дольше запускаются пилоты и сложнее масштабировать решения.

На таком фундаменте агент выдает ненадежный результат, поэтому сначала нужно навести порядок в данных, и этот этап компании часто недооценивают. Качество данных стало главным ограничением: так считают 82% руководителей, и за полгода этот показатель вырос на 56%. Обратный эффект тоже измерим — семантическое обогащение данных в одном из исследований подняло точность модели с 16 до 54%.

Для внедрения агентов нужны люди, которые понимают и бизнес-процессы, и возможности ИИ. Таких специалистов на рынке пока мало, а обучение внутренней команды требует существенных ресурсов. Без нужной экспертизы компания либо ставит агенту нереалистичные задачи, либо не доверяет ему даже простые операции, а оба сценария тормозят проект.

Пилот проваливается, когда его запускают ради технологии, а не ради задачи. Работающий подход строится по-другому.

Выберите узкую задачу с измеримым результатом.
Подойдет операция с понятной метрикой: время обработки заявки, доля документов без ручной проверки, число обращений в поддержку.

Зафиксируйте базовые показатели до старта.
Замерьте, сколько времени и ресурсов потребляет процесс, иначе оценить эффект агента будет невозможно.

Заранее подготовьте данные.
Приведите документы к машиночитаемому виду, настройте доступ к нужным источникам. Здесь помогает связка OCR и IDP (Intelligent Document Processing, интеллектуальная обработка документов), превращающая разрозненные документы в базу, с которой агент может корректно работать. Такая предобработка снимает часть нагрузки с генеративной модели: рутину закрывают OCR и IDP, а тяжелую модель агент подключает только для рассуждения. В условиях дефицита GPU это может помочь экономить стать мощности и сделать более предсказуемой стоимость обработки.

Ограничьте зону автономии агента.
На старте контрольные точки должны оставаться за человеком (Human In The Loop), то есть агент готовит решение, сотрудник подтверждает. По мере роста доверия долю ручного контроля можно снижать.

Переход от пилота к полноценному внедрению заключается не расширения задач и увеличении их количества, а зрелости процессов вокруг агента.

Условия для масштабирования:

• результаты пилота подтверждены метриками
• действия агента логируются и поддаются аудиту
• данные централизованы и обновляются без ручного труда
• команда умеет ставить задачи и разбирать ошибки

Компании, которые проходят эти этапы последовательно, получают предсказуемую экономику и управляемый инструмент, в противном случае происходит откат к точке старта. Разрыв между внедрением и контролем виден на рынке: около 75% компаний интегрировали ИИ в ключевые операции, но зрелые механизмы управления есть лишь у трети.

Барьеры внедрения агентов заключаются в готовности компании: в качестве данных, метриках и процессах контроля. Поэтому начать можно с узкой задачи, для которой проще будет подготовить данные, измерить и зафиксировать показатели. Такой подход дает реальный шанс превратить эксперимент с ИИ-агентами в инструмент, который приносит измеримую пользу, масштабируется и не перегружает дефицитные вычислительные мощности.