По данным Bain, 80% пилотов генеративного ИИ (GenAI) технически работают: модель отвечает, документы находятся, сводка готова. Значит, ваш, скорее всего, тоже работает. И всё равно деньги теряются — но не по той причине, которую обычно называют. Когда пилот не доходит до результата, рефлекс один: модель недостаточно умная, нужна архитектура сложнее и команда сильнее. Это ложный след. Не решён управленческий вопрос: кому из агентов и где вы готовы дать право действовать, где поставить контроль и кто отвечает за ошибку. Это решение принимает руководитель процесса; «новая архитектура» — лишь способ его исполнить. Автономность не делает ответы лучше — она делает ошибки дороже: агент поддержки с целью «быстрее закрывать обращения» начинает раздавать компенсации без финансового лимита, метрика зеленеет, выплаты растут. Поэтому контур ответственности проектируют заранее. А деньги достаются тем, кто выстроил эту дисциплину: по данным PwC, 20% компаний забирают 74% всей отдачи от ИИ.

Но именно здесь возникает главный обман масштаба: рабочее демо ещё не означает работающую операционную модель.

По данным Bain, около 80% кейсов генеративного ИИ оправдывают ожидания по качеству, но только 23% компаний связывают их с измеримым эффектом в выручке или затратах. Разрыв между этими двумя цифрами важнее, чем сами цифры: он показывает, что проблема всё чаще не в способности модели дать хороший ответ, а в способности компании превратить этот ответ в управляемое действие.

Пока искусственный интеллект (ИИ) помогает сотруднику думать, искать или писать, он остаётся инструментом производительности. Но как только он начинает делать следующий шаг процесса — создавать заявку, предлагать компенсацию клиенту, менять параметр договора, открывать доступ, инициировать согласование, готовить документ к отправке, — вопрос перестаёт быть технологическим. В этот момент компания должна решить: кому и где она готова передать право действовать. И это уже не зона ответственности инженера — это решение владельца процесса.

В корпоративной среде результат создаёт процесс, в который встроена модель. У процесса есть владелец, регламент, исключения, права доступа, финансовые последствия, юридические ограничения, неформальные правила и люди, которые отвечают за итог.

Пилот часто обходит эту сложность: его запускают на ограниченном наборе данных, в безопасной среде, под наблюдением команды проекта. Там агент показывает потенциал — быстрее находит информацию, аккуратно формулирует ответ, предлагает следующий шаг. Но в реальной эксплуатации ему приходится работать в мире, где данные неполны, системы разрознены, ответственность распределена, а ошибка может стоить денег.

Поэтому вопрос «какую модель выбрать» быстро уступает место другому: что именно агент имеет право сделать в бизнес-процессе? Если компания не отвечает на него заранее, пилот остаётся полезной демонстрацией: он нравится пользователям и выглядит перспективно на совещаниях. Но в промышленную эксплуатацию не переходит — никто не готов принять на себя риск его действий.

Даже в разработке ПО — сфере с наиболее быстрым и заметным эффектом от генеративного ИИ — до промышленного масштаба, по данным Bain, доходит лишь меньшинство пилотов; в остальных областях доля ещё ниже. Причина глубже качества моделей: в реальном процессе автономность приходится проектировать.

Агентный ИИ (agentic AI) требует новой архитектуры, потому что впервые получает возможность действовать внутри операционного контура компании. Но архитектура — это следствие. Сначала должны быть приняты три управленческих решения.

Один процент ошибок может быть приемлем в черновиках маркетинговых писем и недопустим в медицинском, финансовом или юридическом процессе. Поэтому универсального уровня автономности не существует.

Есть процессы, где ошибка незначительна, обратима и быстро выявляется, — там агенту можно на раннем этапе дать больше самостоятельности. Есть процессы, где ошибка приводит к прямым выплатам, штрафам, нарушению обязательств, потере клиента или регуляторному риску. Там автономность растёт поэтапно: от рекомендации — к действию после подтверждения — и только затем к ограниченной самостоятельности в заранее описанных рамках.

Именно поэтому агентный ИИ масштабируется через риск-аппетит процесса — технологическая платформа лишь закрепляет выбранные границы. На практике один и тот же агент может иметь разные права в разных областях бизнеса: в одном контуре он самостоятельно готовит аналитическую справку, в другом — только предлагает действие, в третьем — не двигается дальше без подтверждения человека. Разные права в разных контурах — способ согласовать скорость с ответственностью.

О корпоративном ИИ часто говорят через риск галлюцинаций. Но в агентных сценариях не менее опасен другой риск: агент может хорошо оптимизировать неправильно поставленную цель.

Представим агента поддержки, которому поставили задачу быстрее закрывать обращения. Он находит кратчайший путь к метрике: чаще предлагает компенсации, возвраты или нестандартные уступки. Формально показатель улучшается, обращения закрываются быстрее, клиентский сервис выглядит эффективнее. Но через квартал финансовая служба видит рост прямых выплат. С точки зрения модели всё логично — она оптимизировала заданную цель. С точки зрения бизнеса контур спроектирован неверно: агенту дали локальную метрику без финансового ограничения, не поставили контроль на денежное действие и не назначили владельца, который отвечает за экономику процесса целиком.

Правильный механизм ограничений выглядит так: например, компенсации до заранее установленного лимита агент проводит сам, всё, что выше, уходит на согласование старшего сотрудника; а если доля компенсаций за неделю превышает заранее прописанный порог — автоматическая приостановка и разбор у владельца процесса, прежде чем агент продолжит работу.

Урок для руководителей прост: агентный ИИ нельзя оценивать только по производительности отдельного шага. Он должен быть встроен в систему бизнес-метрик — скорость, качество, стоимость, риск, клиентский эффект и последствия для отчёта о прибылях и убытках (P&L). Иначе компания ускорит фрагмент процесса, но ухудшит результат всей системы.

По данным Forrester, агентный ИИ внедряют уже 75% компаний, однако больше половины признают пробелы в управлении даже при наличии формальных рамок. Это хорошо описывает стадию рынка: компании быстро экспериментируют, но ещё не научились массово управлять автономией.

Осторожность видна и в практике использования. По опросу Stack Overflow, 63% специалистов почти никогда не допускают агентов на полный автопилот, а 60% запрещают им несогласованные изменения в системах; при этом 69% используют одиночного агента и только 16% — несколько скоординированных. В презентациях рынок уже живёт в мире сложных многоагентных систем, а в промышленной эксплуатации выбирает более простой и контролируемый режим: одиночным агентом проще управлять с точки зрения риска, ответственности и сопровождения.

Стоит честно сказать, где агентные проекты в России сейчас дают сбой. Реже всего подводит модель; чаще — стык с комплаенсом и ручные исключения: процесс, который на бумаге выглядит типовым, в жизни на треть состоит из случаев «согласовано голосом», и агент, обученный по регламенту, спотыкается именно там. Вторая точка — интеграция с учётными системами старших поколений, где право агента на запись вообще не предусмотрено архитектурой. Честный вывод отсюда: начинать стоит с участков, где исключений мало, а интерфейсы читаемы, — и это скучнее, чем выглядит в презентациях.

Автономность будет расти — постепенным расширением полномочий там, где накоплена статистика качества, понятна цена ошибки и построен контур контроля.

Журналирование, политики доступа, контрольные точки, мониторинг качества, разграничение ролей, аудит действий — всё это легко воспринимать как тормоз, особенно на фоне демо, где агент за минуты выполняет то, что раньше занимало часы. Но в промышленной эксплуатации именно этот слой превращает технологию в управляемый актив.

Gartner прогнозирует, что более 40% проектов с ИИ-агентами будут отменены к концу 2027 года: среди причин – рост затрат, неясная отдача и недооценённые риски. Все три причины — управленческие: проекты запускаются без ясной экономики и без контура ответственности. Совокупная стоимость владения агентом — это не только лицензии, вычисления и интеграции, но и стоимость нерешённых вопросов: кто владелец, где граница полномочий, как измеряется эффект, как останавливается ошибка, кто разбирает инцидент.

Каждый пилот, который технически работает, но не дошёл до денег, — это списанное время бизнеса и информационных технологий (ИТ). Каждый агент, который действует без границ, — риск дорогой ошибки. Каждый процесс без владельца — будущий конфликт между бизнесом, ИТ, безопасностью и комплаенсом. Поэтому зрелые компании вместо лучшего сценария на демо считают риск-скорректированную отдачу: экономию штатных единиц (FTE), сокращение цикла, снижение ошибок, рост качества сервиса — за вычетом стоимости контроля и потенциального ущерба от неверного действия.

Именно поэтому лидеры получают непропорционально большую отдачу. По данным PwC, 20% компаний забирают 74% всей отдачи от ИИ, а лидеры растут в 7,2 раза быстрее. Разницу обеспечивают качество данных, управление, ответственность и способность масштабировать решения за пределы пилота — лидеры заранее выстроили тот самый слой, который на демо выглядит тормозом.

Когда Bain приводит примеры Microsoft (у которой более 500 000 ИИ-агентов под управлением) и Cisco (где через ИИ прошло больше миллиона обращений в поддержку), важен вывод: таким масштабом невозможно управлять через набор промптов и энтузиазм проектной команды. За масштабом всегда стоит дисциплина — права, роли, наблюдаемость, контроль качества, владельцы процессов, метрики эффекта и понятный порядок разбора исключений. Именно здесь агентный ИИ перестаёт быть ИТ-инициативой и становится частью операционной модели компании.

В компаниях с разветвлённой структурой, распределёнными функциями, исторически сложившимися системами и высоким регуляторным давлением этот переход особенно чувствителен: данные должны оставаться в контролируемом периметре, доступ к системам — соответствовать ролям, действия — быть проверяемы. Работа с персональными данными, финансовыми операциями, договорами и клиентскими решениями требует аудита. По данным Forrester, 49% специалистов по безопасности уже называют агентный ИИ зоной риска. Это аргумент против иллюзии, что автономность можно масштабировать без доверенного контура.

Практический путь начинается с выбора процесса, где уже есть экономическая боль: длинный цикл, высокая доля ручной работы, частые ошибки, потери на согласованиях, слабая прозрачность решений или дорогие исключения.

Затем решение, которое сегодня принимает человек, описывается одной строкой мини-шаблона: процесс → действие агента → лимит (сумма или тип случая) → кто подтверждает → стоп-сигнал (при каком отклонении останавливаемся) → владелец инцидента. Шесть полей, заполненных до старта, заменяют месяцы согласований после; роль агента — помощник, исполнитель шага или автономный участник — читается прямо из заполненного шаблона.

Так архитектура перестаёт быть абстрактной схемой и становится способом зафиксировать управленческое решение в системе: какие данные доступны агенту, какие инструменты он может вызывать, какие действия запрещены, где требуется подтверждение, что пишется в журнал, какие метрики видит владелец процесса.

Мы в Data Sapience (при разговоре о внедрении платформы агентов) и в GlowByte (при реализации самих агентов) проходим этот путь со стороны процесса: сначала находим, где процесс теряет деньги (анализ процессов, process mining), затем проектируем контур полномочий и контроля — и только потом выбираем модель. У ГК «Таврос» в промышленной эксплуатации работает доверенный портал к языковым моделям: развёрнут в контуре заказчика, доступ к знаниям разграничен по ролям, каждый запрос фиксируется в журнале. Агентных действий там нет — только работа со знаниями, и это честная нижняя ступень матрицы полномочий: сначала контролируемый доступ и наблюдаемость, затем право действовать.

У этой работы есть ценный побочный эффект. Пока решения жили в переписке, встречах и опыте конкретных людей, их нельзя было ни измерить, ни передать; чтобы отдать агенту хотя бы часть работы, компания вынуждена впервые описать собственное решение как управляемый объект — с триггером, границами и утверждающей инстанцией. Многие обнаруживают на этом шаге, что спорят не об ИИ, а о том, как у них на самом деле принимаются решения, — и это самый полезный спор года.

ИИ-агенты требуют новой архитектуры не потому, что корпоративным системам нужна ещё одна технологическая надстройка. Они требуют её потому, что компания впервые даёт ИИ право не только отвечать, но и действовать.

А право действовать всегда связано с тремя вопросами: какие полномочия передаются, где остаётся контроль человека и кто отвечает за результат. Если на эти вопросы нет ответа — проблема не в модели: компания просто ещё не готова масштабировать автономию. Если ответы есть — архитектура становится механизмом управления, который переводит потенциал генеративного ИИ из демо в операционный результат.