Каждую неделю появляются новые заголовки о ИИ-агентах. Gartner утверждает, что под угрозой находятся расходы на SaaS в размере 234 миллиардов долларов. Meta только что запустила платный API для разработчиков, предназначенный для собственных моделей ИИ-агентов. Google добавил «информационных агентов» в поиск. Показатели внедрения кажутся неудержимыми. Но почти никто не сопоставляет эти заголовки о внедрении с данными о неудачах тех же исследовательских компаний — и когда это происходит, картина оказывается совершенно иной. В этой статье оба набора цифр представлены в одном месте, чтобы вы могли увидеть реальный разрыв между тем, что компании покупают, и тем, что они покупают. что на самом деле работает.
История усыновления, которую и так знают все.
Прежде чем перейти к данным о неудачах, давайте рассмотрим общую картину внедрения, которая широко освещалась в СМИ:
Метрика принятия | Figure |
Ожидается, что корпоративные приложения начнут использовать ИИ-агентов к концу 2026 года. | 40% (по сравнению с менее чем 5% в 2025 году) |
Организации, сообщающие о внедрении приложений GenAI | ~78-80% |
Руководители говорят о своей компании развернутых агентов ИИ за последний год | 97% |
Предприятия, использующие как минимум одного агента ИИ в производственной среде | ~ 31% |
По прогнозам Gartner, расходы на SaaS-продукты значительно возрастут. к 2030 году станет подвержен «агентскому арбитражу» | 234 миллиарда долларов (около 20% от общих расходов предприятий на SaaS) |
Само по себе это выглядит как технология, стремительно распространяющаяся в бизнесе. И она действительно быстро внедряется — это правда. Однако в большинстве публикаций отсутствует информация о том, что происходит после внедрения.
Цифры неудач, которые никто не выносит на первый план
Вот данные, которые редко попадают в одну статью со статистикой по усыновлению, приведенной выше.
Метрика отказов | Figure | Источник |
Пилотные проекты генеративного ИИ, не дающие измеримого влияния на прибыль и убытки. | ~ 95% | Исследование MIT NANDA |
В целом, процент неудач в проектах, связанных с искусственным интеллектом, примерно в 2 раза выше, чем в обычных ИТ-проектах. | ~80%+ | Корпорация RAND |
Организации получают значительную отдачу от инвестиций в генеративный искусственный интеллект. | ~ 29% | Данные отраслевого исследования |
Организации, получающие значительную отдачу от инвестиций именно от использования агентов искусственного интеллекта. | ~ 23% | Данные отраслевого исследования |
Генеральные директора сообщают как о росте доходов, так и о сокращении затрат благодаря ИИ. | ~ 12% | Данные отраслевого исследования |
По прогнозам Gartner, проекты в области агентного ИИ будут отменены к концу 2027 года. | девяноста процентов | Gartner |
Предприятия, которые масштабировали агентный ИИ за пределы пилотного этапа, несмотря на то, что большинство из них уже проводили эксперименты, оказались в числе тех, кто уже успешно внедрил его в свою деятельность. | До 10% | Gartner |
Проще говоря: почти все компании заявляют, что внедрили ИИ-агентов. Менее четверти говорят, что видят реальную отдачу от этого. А Gartner — та же фирма, которая прогнозирует сокращение расходов на SaaS на 234 миллиарда долларов — отдельно прогнозирует, что 4 из 10 проектов по внедрению ИИ-агентов будут закрыты в течение двух лет после этого прогноза.
Это не противоречивые цифры от конкурирующих исследовательских фирм с разными целями. Зачастую они получены из одних и тех же источников и опубликованы с разницей в несколько месяцев. История внедрения и история неудачи просто редко рассказываются вместе.
Почему разрыв так велик: что на самом деле выяснили в MIT.
В рамках проекта NANDA Массачусетского технологического института было изучено около 300 реальных публичных внедрений ИИ внутри компаний — не опросы руководителей об их отношении к ИИ, а фактические измеренные результаты. Их вывод: около 95% пилотных проектов генеративного ИИ не показали измеримого влияния на прибыль и убытки.
Исследователи выявили то, что они назвали «пробелом в обучении». Дело было не в том, что модели ИИ были плохими. Дело в том, что большинство организаций не знали, как разработать рабочие процессы, которые бы использовали сильные стороны ИИ, одновременно управляя его слабыми сторонами. К распространенным, конкретным проблемам относились:
Нечеткое определение того, что на самом деле означало «успех» проекта.
Слабые или некачественные исходные данные о компании, с которыми приходилось работать ИИ.
Плохая интеграция с тем, как люди уже выполняли свою работу.
Погоня за самой технологией, а не за четким бизнес-результатом.
Исполнительные спонсоры теряют интерес или отказываются от проекта до его завершения.
Единственный показатель, который действительно предсказывает успех: разработка собственного проекта или покупка готового.
Если и есть в этом наборе данных хоть одна статистика, заслуживающая внимания, то это именно она. Исследование Массачусетского технологического института выявило огромную разницу в результатах в зависимости от того, как компании получали свои инструменты искусственного интеллекта:
Подход | Шанс успеха |
Приобретение инструментов искусственного интеллекта у специализированных поставщиков или формирование партнерских отношений. | ~ 67% |
Разработка инструментов искусственного интеллекта полностью собственными силами. | ~ 33% |
Внедрение ИИ, разработанного поставщиками или в рамках партнерских соглашений, оказывалось примерно в два раза успешнее, чем внедрение собственных разработок. Это убедительный и практический сигнал, скрытый за огромным количеством статистики внедрения: сама технология обычно не является решающим фактором успеха проекта в области ИИ. По-видимому, гораздо важнее, кто ее разрабатывает и какой специализированный опыт привносит этот специалист.
Где сосредоточены неудачи
Не все сценарии использования дают одинаковый процент неудач. На основе имеющихся данных можно выделить определенные закономерности, которые повторяются неоднократно:
Административные и вспомогательные сотрудники Задачи (планирование, внутренняя документация, рутинный ввод данных) обычно имеют самые высокие показатели успешности, поскольку они узкоспециализированы и повторяемы.
Агенты, работающие непосредственно с клиентами или принимающие решения. (Сложное обслуживание клиентов, финансовые консультации, задачи, связанные с медициной) демонстрируют гораздо более высокие показатели неудач и отмены заказов, поскольку ошибки обходятся дороже, а рабочие процессы менее предсказуемы.
Проекты с одним четким ключевым показателем эффективности (KPI). Проекты, сформулированные, например, «сократить среднее время обработки на X минут», чаще оказываются успешными, чем проекты с расплывчатыми целями, такими как «стать более ориентированным на ИИ».
Проекты, получившие постоянную поддержку руководства на протяжении второго года. Вероятность того, что такие проекты переживут пилотный этап, была значительно выше, чем у тех, где спонсорская поддержка прекратилась после первоначального объявления о запуске.
Почему же количество усыновлений продолжает расти?
Если процент неудач настолько высок, почему же темпы внедрения продолжают ускоряться? Происходит несколько событий одновременно:
Такие поставщики, как Meta, Google, Microsoft и Anthropic, соревнуются в интеграции агентов в существующие продукты, поэтому «внедрение» все чаще происходит автоматически при обновлении программного обеспечения компанией, а не обязательно является преднамеренной стратегической ставкой.
Запуск пилотных программ обходится недорого, и их легко публично объявить, что завышает показатели внедрения по сравнению с количеством проектов, которые действительно доходят до постоянного масштабного развертывания.
Конкурентное давление играет свою роль — компании часто готовы финансировать провальный пилотный проект, лишь бы не рисковать тем, что их сочтут отстающими в области ИИ.
Определение «использование агентов ИИ» является широким и непоследовательным в разных опросах, поэтому компания, использующая один простой чат-бот для внутренних часто задаваемых вопросов, может учитываться так же, как и компания, использующая десятки агентов в производственных процессах по всему бизнесу.
Что это значит для компаний, оценивающих возможности использования агентного ИИ?
Данные позволяют сделать довольно четкий и практический вывод: кривая внедрения технологий и кривая реализации ценности — это не одна и та же кривая, и именно отношение к ним как к идентичным приводит к большей части неэффективных затрат. Компании, которые приобретают проверенные, специализированные инструменты для создания агентных систем, а не разрабатывают их с нуля, которые ставят одну четкую измеримую цель для каждого проекта и поддерживают связь с высшим руководством после даты запуска, добиваются значительно лучших результатов, чем показывают средние показатели. Показатель неудач в 95% — это не повод избегать агентного ИИ, а повод гораздо более тщательно подходить к его внедрению.
Заключение
История об агентном ИИ, которую чаще всего рассказывают в заголовках, — это лишь половина правды. Внедрение реально и ускоряется: 97% руководителей заявляют, что уже использовали агентов, а Gartner прогнозирует, что к 2030 году агентный ИИ изменит пятую часть расходов предприятий на SaaS. Но рядом с этими цифрами, часто от тех же исследовательских компаний, скрывается гораздо менее лестная картина: 95% пилотных проектов не показали измеримого финансового эффекта, более 80% проектов в области ИИ потерпели полный провал, а 40% проектов по внедрению агентного ИИ, как ожидается, будут отменены в течение двух лет. Разрыв между этими двумя реальностями — это не противоречие, которое нужно разрешить, — это фактическое состояние отрасли на данный момент. Компании, которые понимают этот разрыв, и в частности, что инструменты, разработанные поставщиками, добиваются успеха примерно в два раза чаще, чем собственные разработки, с наибольшей вероятностью окажутся в том небольшом проценте, который действительно работает.
Часто задаваемые вопросы
Большинство пилотных проектов по внедрению ИИ-агентов терпят неудачу не потому, что технология не работает, а из-за плохих стратегий внедрения, расплывчатых показателей успеха и чрезмерно амбициозных масштабов. Высокий уровень внедрения просто означает, что компании начинают проекты, а не то, что эти проекты существуют достаточно долго, чтобы принести измеримую пользу.
Узкоспециализированные, повторяющиеся задачи в бэк-офисе с одним четким показателем эффективности, как правило, оказываются успешными гораздо чаще, чем масштабные проекты, требующие принятия решений. Среди наиболее распространенных точек отказа при внедрении агентного ИИ — сценарии использования, ориентированные на клиента, или сценарии с открытым концом и расплывчатыми целями.
Исследование Массачусетского технологического института показывает, что покупка или сотрудничество с поставщиком значительно эффективнее: примерно 67% успеха по сравнению с 33% при использовании инструментов собственной разработки. Поставщики обладают специализированными знаниями и отлаженными рабочими процессами, которые большинство организаций еще не разработали самостоятельно.
Компании могут повысить показатели успеха, начиная с узкого, четко определенного сценария использования, устанавливая единый измеримый показатель успеха до запуска и всерьез рассматривая инструменты сторонних поставщиков вместо собственных разработок. Избегать расплывчатых целей и чрезмерно широких масштабов проектов — один из самых надежных способов избежать попадания в группу 95% неудачных проектов.
Большинство исследователей ожидают, что показатели отказов будут постепенно снижаться по мере роста опыта предприятий, совершенствования рабочих процессов и выпуска поставщиками все большего количества специализированных решений. Однако данные по состоянию на середину 2026 года пока не показывают резкого снижения, и значительный разрыв между энтузиазмом по поводу внедрения и полученной выгодой все еще существует.
