Почему большинство ИИ-агентов — не те, за кого себя выдают

Тысячи компаний продают «ИИ-агентов», но большинство из них — обычные боты с громким названием. Gartner насчитывает лишь около 130 по-настоящему автономных решений на рынке, где вендоров — тысячи. Остальные выдают за интеллект то, что давно умела делать любая программа с ветвлением: «если А, то Б». Аналитики называют это «агент-вошингом» (agent washing) — по аналогии с гринвошингом, когда обычный продукт объявляют экологичным. Здесь та же схема, только вместо зелёной этикетки — слово «агент».

Почему агент в демо и агент в работе — разные существа

На презентации ИИ-агент выглядит убедительно: отвечает на вопросы, выполняет цепочки действий, справляется с нестандартными запросами. Проблемы начинаются, когда его выпускают в реальную среду. Там он может без предупреждения внести изменения в производственную базу данных, неверно интерпретировать задачу и запустить цепочку действий, которую уже не остановить.

Это не гипотетические сценарии — это задокументированные инциденты. В декабре 2025 года агент Amazon Kiro для написания кода спровоцировал сбой, затронувший AWS Cost Explorer. Компания объяснила произошедшее ошибкой конфигурации — но сама возможность такой ошибки возникла потому, что агент работал без нормальной системы проверки и контроля.

Дело не в модели

Когда агент ведёт себя не так, как ожидалось, первая реакция команды предсказуема: сменить модель, переписать инструкции, добавить ограничения. Это понятный, но в большинстве случаев неправильный ответ.

Исследование BCG среди крупных компаний, внедряющих ИИ, даёт чёткую картину: 70% проблем при внедрении — это вопросы организации и процессов, 20% — технологии, и лишь 10% — сами алгоритмы. То есть в семи случаях из десяти проблема не в том, что модель плохо думает, а в том, что никто не продумал, кто отвечает за результат, что делать при сбое и как вообще измерять успех.

Это подтверждает и 18-месячное исследование учёных, связанных с Принстонским университетом: они наблюдали за 14 передовыми моделями и зафиксировали парадокс. Модели становились точнее на тестах — но надёжнее в реальных условиях не становились. Консистентность, устойчивость к нестандартным ситуациям, понимание собственных ошибок — всё это оставалось на прежнем уровне. Умнее — да. Предсказуемее — нет.

Что на самом деле отличает успешные внедрения

Исследование McKinsey 2025 года показывает: компании, которые получают реальную отдачу от ИИ-агентов, в 2,8 раза чаще проводили фундаментальную перестройку рабочих процессов под новый инструмент. Компании, которые просто «встроили агента» в старую схему, фиксируют лишь 10% реального использования. Агент не делает плохо выстроенный процесс лучше — он делает его проблемы заметнее.

Разница хорошо видна на конкретных примерах. Smarsh — компания, работающая в финансовом секторе с его жёсткими требованиями к комплаенсу, — развернула агента клиентской поддержки с чётко очерченным кругом задач и встроенным контролем. Результат: 59% обращений клиенты стали решать самостоятельно, скорость обработки запросов выросла на 25%, продуктивность команды — на 30%. Zoom внедрил виртуального агента с возможностью подключения живого оператора в любой момент: за три месяца доля вопросов по оплате, решённых без участия человека, выросла с нуля до 30%, что сэкономило более 1 000 часов работы в месяц. В феврале 2026 года Zoom выпустил это решение как отдельный продукт — Virtual Agent 3.0.

Регуляторы уже здесь

Пока одни компании экспериментируют, регуляторы выстраивают правила. В феврале 2026 года американский Национальный институт стандартов и технологий (NIST) запустил инициативу по стандартизации ИИ-агентов — с фокусом на совместимость систем, безопасность и управление. Это означает, что требования к тому, как агент принимает решения и кто за это отвечает, перестают быть внутренним делом компании.

Согласно прогнозу Gartner, более 40% проектов с ИИ-агентами будут закрыты к концу 2027 года — не потому что модели не справились, а потому что у организаций не было ни метрик ценности, ни контроля затрат, ни управления рисками. Разрыв между успехом на демо и провалом в реальной работе определяется не качеством модели, а тем, насколько продуманно выстроена среда вокруг неё.

Мнение ИИ

С точки зрения машинного анализа данных история ИИ-агентов повторяет путь ранних автоматизированных систем 1990-х годов, когда простые скрипты с ветвлениями выдавались за интеллектуальные решения. Сегодня «агент-вошинг» маскирует отсутствие настоящей автономии, а реальные вызовы лежат в области взаимодействия с внешней средой.

Технические аспекты, такие как отсутствие надежных механизмов проверки в изолированной среде и верификации действий, могут привести к каскадным сбоям в производственных системах, как показывают задокументированные случаи. Успешные внедрения, напротив, демонстрируют важность полной перестройки процессов. Стандартизация, инициированная NIST, открывает путь к более безопасным экосистемам.

Насколько глубоко организации готовы менять свою архитектуру, чтобы агенты стали не источником рисков, а инструментом устойчивого роста?

▼
Самые интересные и важные новости на нашем канале в Telegram