Опубликовано: 10 сентября 2026 · Источник: TAdviser
ФедорНачнем с провокации. Формулировка «кладбище пилотов» — это преувеличение или реальная картина рынка?
Федор Надейкин: Это, к сожалению, довольно точное описание. Посмотрите на цифры любого отраслевого исследования за последний год: доля компаний, которые экспериментировали с генеративным ИИ, приближается к 80-90%. Доля тех, у кого хотя бы один сценарий работает в промышленной эксплуатации и приносит измеримый эффект, — единицы процентов. Разрыв огромный.
Но я бы не называл это провалом. 2023–2025 годы были нормальной фазой исследования: компании выясняли, что модели умеют и где границы применимости. Такой этап нужен. Проблема в том, что многие организации так и не смогли его преодолеть. Третий год подряд идут пилоты, число инициатив растет, бюджет расходуется, а измеримого эффекта для бизнеса по-прежнему нет.
В чем главная причина, что пилот не доходит до продуктива? Модели недостаточно хороши?
Федор Надейкин: На сегодняшний день как правило — нет, причина не в этом. За последний год работы с корпоративными заказчиками по тематике внедрения генеративного ИИ я вспомню единицы случаев, когда проект остановился из-за того, что модель не справилась с задачей. Качество базовых моделей давно перекрывает потребности большинства бизнес-сценариев.
Останавливает другое. Первое — отсутствие необходимых возможностей по интеграции, данных и метаданных необходимого качества. «Пилот» может работать на выгрузке из системы, а промышленный агент должен ходить в корпоративные системы, зачастую имея права не только на чтение. Второе — отсутствие владельца, готового полноценно взять на себя ответственность за внедрение. Если инициатива живет внутри ИТ или центра компетенций и у нее нет заказчика, который отвечает за операционный показатель и готов преодолевать сложности, связанные с выходом агента в продуктив, — она обречена. Третье — отсутствие метрики успеха. Никто заранее не договорился, что считать успехом пилота и с чем сравнивать полученные результаты. Там более, что зачастую оценка экономического эффекта от внедрения ИИ-агентов не прямолинейна и почти всегда содержит ряд условных допущений.
Есть простая формула, которую я повторяю на каждой встрече: proof-of-concept делается за две недели, промышленное внедрение — за несколько месяцев, и вся сложность сконцентрирована как раз во втором этапе. Пилот проверяет, умеет ли технология решать поставленную задачу. Продуктив проверяет, готова ли к ней организация. Это разные вопросы, и последний гораздо тяжелее.
Вы сказали «не только на чтение». Насколько принципиально отличается агент от ассистента, к которому все привыкли?
Федор Надейкин: Это ключевое различие текущего этапа, и его многие недооценивают. Ассистент — подсказчик. Он что-то сгенерировал, показал человеку, человек решил, что с этим делать. Ответственность целиком остается на человеке, риск ограничен. Агент — исполнитель. У него есть доступ к корпоративным системам, он совершает действия с последствиями: формирует документ, меняет статус заявки, создает обращение, инициирует согласование. Он работает в цикле, по расписанию или по событию, и часто без человека в каждом шаге.
Как только вы переходите эту границу, меняется весь набор требований. Вопросы UX отходят на второй план. На первый выходят вещи, знакомые любому, кто строил интеграционные ландшафты: принцип наименьших привилегий, идемпотентность операций, полный аудиторский след, механизмы отката. У агента должна быть собственная учетная запись со своим набором прав — ровно как у сотрудника. И должен быть ответ на вопрос, что происходит, когда он ошибается: где точка эскалации к человеку и по каким критериям она срабатывает.
Компании, которые пытаются вывести агента в продуктив, не проработав этот слой, либо получают негативную обратную связь от конечных пользователей и клиентов, либо, что чаще, служба безопасности блокирует запуск на финальной стадии. И проект пополняет то самое кладбище.
В материалах по вашей ИИ-платформе вы часто упоминаете про AI-ready. Что вкладываете в этот термин?
Федор Надейкин: В первую очередь, AI-ready — это не про то, есть ли у вас видеокарты и купили ли вы доступ к модели. Это про готовность предприятия к тому, что часть решений принимает и исполняет программа. Я бы разложил это на несколько слоев.
Данные. Не «у нас есть озеро», а доступные, описанные, версионируемые домены с понятным качеством и назначенным владельцем. Отдельная и недооцененная история — знания. Регламенты, инструкции, методики у большинства компаний живут в виде архива PDF-файлов, половина из которых устарела, и никто не знает, какая именно. Для агента это яд: он честно воспроизведет неактуальную норму. Внедрение дата-каталога, полноценной системы контроля качества данных, приведение в порядок знаний в корпоративных репозиториях — часто самая трудоемкая часть подготовки к той самой ИИ-трансформации.
Интеграционный слой. Возможность дать агенту программный доступ к учетным системам — через API, через MCP — и не только на чтение, но и на запись. Плюс наличие тестового контура, где действия агента можно прогнать без последствий для боевых данных.
Процессы. Формализованные, с описанным эталоном результата и обозначенными точками эскалации на человека. Здесь работает жесткое правило: нельзя автоматизировать процесс, который никто в компании не может описать. Если у вас пять экспертов дают пять разных ответов на один вопрос, агент не решит этот спор — он его отмасштабирует. Люди и оргструктура. Владелец на стороне бизнеса, а не только в ИТ. И переобучение линейных сотрудников: их роль меняется с исполнителя на постановщика задач и контролера качества. Это не происходит само по себе.
Governance и безопасность. Идентификация агента, политики работы с чувствительными данными, контроль того, что и куда уходит в модель, соответствие регуляторным требованиям. Для российского рынка это еще и вопрос контура: значительная часть заказчиков не может отправлять данные во внешние сервисы вообще.
Оценка качества. Наличие методик оценки качества агентов с понятными метриками и регрессионных тестов до запуска в продуктив, а не после. Без этого вы не сможете ни обновить модель — потому что не знаете, что сломается, — ни доказать финансовому директору, что эффект реален.
Платформа и экономика. Единый стек вместо зоопарка. Если каждый следующий агент строится с нуля, вы, скорее всего никогда не получите нужного уровня отдачи от инвестиций.
Какой из этих слоев чаще всего оказывается провальным?
Федор Надейкин: Организационный. Технологические барьеры сегодня преодолимы почти всегда — это вопрос времени и денег. А вот договориться внутри компании, кто отвечает за ошибку агента, как меняются KPI подразделения после автоматизации и где человек остается в контуре обязательно, — это сложные переговоры, которые никакой вендор за заказчика не проведет.
И есть еще одна ловушка, самая частая. Компания берет существующий процесс, выстроенный под ручной труд со всеми его костылями, согласованиями и перепроверками, и «прикручивает» к нему ИИ. Результат — экономия в 5-10%. При этом тот же процесс, пересобранный под агента с нуля, дает кратный эффект. Разница между этими двумя подходами и есть разница между красивой презентацией и реальными деньгами. Автоматизировать хаос — значит получить быстрый хаос.
Как правильно считать эффект? Что вы советуете заказчикам?
Федор Надейкин: Сменить единицу измерения. Первая волна проектов измерялась вопросом «умеет ли модель». Сейчас правильный вопрос — «сколько стоит одно действие». Стоимость выполнения одной задачи агентом против стоимости обработки ее человеком. Доля задач, закрытых без участия человека. Время цикла. Срок окупаемости.
Источник: TAdviser · Оригинал статьи: Кладбище пилотов: что отличает компании, у которых ИИ-агенты дошли до продуктива
