На конференции VB Transform 2026 CEO NTT DATA AIVista Братин Саха сформулировал проблему, на которой у компаний сгорают бюджеты на корпоративные ИИ-агенты: модель можно купить быстро, а вот довести ее до надежной работы в реальном процессе намного сложнее. Для русскоязычного IT-рынка это знакомый сюжет: пилот запускается за недели, а потом вязнет в интеграциях, регуляторных ограничениях и вопросе, кто вообще отвечает за результат.
Саха обсуждал эту тему с CEO VentureBeat Мэттом Маршаллом, и, как пишет VentureBeat, главный тезис был предельно приземленным: бизнес внедряет не модель как таковую, а систему вокруг модели. В нее входят собственные данные компании, правила принятия решений, ограничения по риску, меры безопасности и проверка ответа перед тем, как он уйдет в прод. Если этого слоя нет, даже сильная foundation-модель остается дорогой демонстрацией, а не рабочим инструментом.
По словам Сахи, особенно жестко это видно в регулируемых отраслях, где ошибка стоит заметно дороже красивого демо. В качестве примера он привел страховые процессы, включая международные урегулирования убытков: сложные формы, рукописные поля, чекбоксы, неоднородные документы и масса локальных нюансов. На таком материале, утверждает он, frontier-модели уровня Fable 5, Opus 4.8 и GPT-5.5 «из коробки» не дотягивают до точности, которая нужна для production-grade сценариев. Не потому, что модели слабые сами по себе, а потому, что корпоративная среда требует не просто ответа, а воспроизводимого, проверяемого и управляемого результата.
Отсюда и ключевая мысль NTT DATA: последний километр агентного ИИ закрывается не дообучением модели, а специализацией всей системы. Саха отдельно подчеркнул, что fine-tuning не является главным приоритетом для заказчиков; важнее собрать вокруг модели контекст, который есть только внутри конкретной организации. Речь о proprietary data, скрытых правилах маршрутизации задач, внутренних трактовках регуляторных требований и том самом tribal knowledge, который живет в головах сотрудников и редко попадает в инструкции. Иными словами, корпоративные ИИ-агенты начинают приносить пользу не тогда, когда им дали еще одну модель, а когда им объяснили, как в этой компании реально делается работа.
Почему деньги уходят в модели, а отдача теряется в процессах
Саха фактически описал типовую ошибку рынка: компании инвестируют в «мозг», но недоинвестируют в обвязку. По его версии, большая часть проектов проваливается на этапе внедрения из-за слабой интеграции, нехватки отраслевой специализации, отсутствия внятного governance и размытой ответственности за outcome. Для CTO, CPO и руководителей AI-направлений это звучит почти банально, но именно на этом месте часто ломается экономика проекта. Если модель не понимает классификацию клиента, не учитывает локальный регуляторный нюанс и не умеет откатиться после неверного шага, ее ответ может быть интересным, но бизнес-ценность останется в презентации.
NTT DATA раскладывает «последний километр» на три практических слоя. Первый: собрать контекст предприятия и сделать его пригодным для потребления ИИ. Второй: использовать ансамбль моделей, чтобы не платить frontier-расценки там, где задачу может закрыть более дешевая или open-weight модель. Третий: навесить специализированные guardrails, которые проверяют результат, ловят ошибки и при необходимости заставляют систему переделать шаг. Это, по сути, инженерный взгляд на агентный ИИ без романтики: меньше разговоров о магии, больше о маршрутизации, валидации и стоимости ошибки.
Отдельно интересна позиция NTT DATA по поводу open-source и open-weight моделей. Саха не предлагает делать ставку только на самые дорогие frontier-решения. Напротив, он говорит о смешанной архитектуре: там, где последствия ошибки невелики, логично использовать более доступные модели; там, где нужен «последний лишний процент» точности и ошибка слишком дорога, имеет смысл подключать сильные frontier-модели. Для бизнеса это важный сигнал. В 2026 году разговор про AI stack все меньше сводится к вопросу «какую модель выбрать» и все больше к вопросу «как собрать оркестрацию, чтобы цена, риск и качество сходились в одном процессе».
Что это значит для разработчиков и корпоративного рынка
Для инженерных команд здесь есть довольно трезвый вывод. Корпоративные ИИ-агенты не становятся зрелым продуктом силами одной только ML-команды. Нужны как минимум три компетенции одновременно: технология, доменная экспертиза и change management. Саха прямо сказал, что технология у его клиентов не является главным бутылочным горлышком. Узкое место в другом: надо прийти к людям, которые руками ведут процесс, и вытащить из них реальную последовательность действий, исключений и неформальных правил. Потом все это нужно зафиксировать в системе так, чтобы агент не просто отвечал на запрос, а двигал workflow из точки A в точку B.
Для российских компаний, которые строят или покупают AI-решения для банков, страхования, промышленности, телекома и HR, этот тезис особенно прикладной. Рынок уже увидел, что «прикрутить LLM» к интерфейсу сравнительно легко. Гораздо труднее встроить модель в цепочку согласований, разграничить права доступа, учесть локальные политики безопасности и при этом не разнести действующий процесс ради очередного эксперимента. Поэтому подход NTT DATA с поэтапным движением выглядит прагматично: сначала встроить ИИ в существующий workflow, потому что так проще пройти change management, а уже потом перепроектировать сам процесс и забирать основной эффект.
Еще один важный нюанс: NTT DATA делает ставку на то, что часть платформенных компонентов можно масштабировать между клиентами, а часть останется штучной работой. К масштабируемому блоку Саха относит генерацию guardrails и нейросимвольные модели. А вот знания конкретной организации, накопленные годами, остаются кастомным активом. Здесь компания опирается на свое положение крупного администратора страховых процессов и на накопленное за 20 лет доверие и экспертизу. Это уже не разговор о модели, а разговор о defensible moat: если ваши данные, процессные исключения и внутренняя логика не воспроизводимы за месяц, то и заменить такого интегратора сходу будет непросто.
Главный вопрос теперь не в том, смогут ли модели стать еще сильнее. Скорее рынок будет проверять, кто сумеет превратить эту силу в управляемый производственный контур, где агент отвечает не только красиво, но и правильно, безопасно и по правилам отрасли. И если этот тезис верен, следующая борьба на рынке корпоративного ИИ развернется не за самый громкий model release, а за право контролировать тот самый «последний километр», о котором говорит .