40% компаний готовы свернуть проекты с ИИ-агентами — три урока от цифровых директоров

Gartner прогнозирует: к 2027 году 40% корпоративных экспериментов с ИИ-агентами будут свёрнуты. Три руководителя по цифровым технологиям, которым удалось добиться реальной отдачи, объясняют, почему большинство проваливается — и как этого не допустить.

Почему агенты не взлетают

Ажиотаж вокруг автономных ИИ-систем привёл к тому, что многие компании запускают агентов ради самого факта внедрения. Без чёткой связки с бизнес-метриками такие проекты неизбежно умирают при первой же проверке ROI. Типичная картина: пилот выглядит убедительно в демо, но в production агент сталкивается с грязными данными, разрозненными системами и сотрудниками, которые не понимают, зачем это нужно. Результат — тихое закрытие проекта и возврат к Excel или email-цепочкам. Именно этот сценарий Gartner считает стандартным для 40% компаний, запустивших агентов в 2024–2025 годах.

Три урока от тех, кто добился результата

Независимо от отрасли — финансы, логистика, ритейл — успешные внедрения объединяет один паттерн: компания начинала не с технологии, а с задачи. * Конкретная бизнес-проблема вместо «ИИ для всего». Агенты запускались под одну болевую точку: автоматизация обработки счетов, мониторинг складских остатков, первичная обработка клиентских запросов.

Попытки сделать универсального агента заканчивались хаосом. * Данные в порядке до старта. Ни один агент не работает точнее, чем данные, которые он получает.

Успешные команды сначала проводили аудит и чистку источников, и только потом деплоили агента. В среднем этот этап занимал от 4 до 8 недель — но именно он определял разницу между агентом, который работает, и агентом, который галлюцинирует. *Сотрудники вовлечены с первого дня.

** Команды, которые понимали, что агент убирает рутину и ускоряет их работу, поддерживали внедрение. Там, где изменения спускались сверху без объяснений, сотрудники находили способы обойти агента или намеренно подавали ему нестандартные запросы.

«Самая частая ошибка — купить агента, а потом придумывать, что с ним делать.

Правильный порядок обратный: найди задачу, которая причиняет боль каждый день, и только тогда смотри, решает ли агент именно её», — говорит один из опрошенных директоров.

Инфраструктура решает больше, чем модель Третья системная причина сбоев — техническая.

Агенты, развёрнутые поверх плохой архитектуры данных, начинают галлюцинировать, зависать или возвращать некорректные результаты при нестандартных входных форматах. Один из директоров описывает типичный сценарий: «Мы потратили три месяца на настройку агента вместо трёх недель, потому что наши внутренние API не были документированы. Агент не знал, что запрашивать и в каком формате». Успешные команды вкладывали время в унификацию API-слоя и порядок в источниках данных ещё до запуска агента — это обходилось дороже на старте, но снижало стоимость ошибок в production в несколько раз.

Что это значит

Волна свёрнутых ИИ-проектов неизбежна — слишком много компаний зашло в технологию без ясного плана и без инфраструктуры. Но тех, кто сначала определил задачу, привёл в порядок данные и объяснил команде смысл изменений, эта волна не затронет. Разрыв между компаниями, у которых агенты работают, и теми, где они тихо умерли, будет только расти.