96% data- и IT-специалистов уже используют ИИ в работе, но до полной автоматизации там еще далеко. AI-агенты в IT быстро становятся нормой, однако вместе с обещанной скоростью бизнес получает новый обязательный навык: проверять, объяснять и иногда вручную чинить то, что сгенерировала машина.
Об этом сообщает ZDNet со ссылкой на глобальное исследование Alteryx, в котором опросили 700 аналитиков данных и 700 IT-руководителей. Картина получилась показательная: ИИ уже почти везде, но по-настоящему интенсивно им пользуется лишь половина респондентов. 49% говорят, что работают с AI-инструментами всегда или большую часть времени. Остальные, похоже, пока держат ИИ рядом, но без излишней романтики.
Особенно быстро растет интерес к агентному подходу. 59% участников опроса ожидают, что в ближайшие 12 месяцев будут активно использовать AI-агентов. Причем как минимум половина респондентов готовы дать таким системам неограниченный доступ к своим данным. Формулировка, мягко говоря, бодрая. На этом фоне 44% отдельно подчеркивают, что человеческий контроль в такой схеме критичен. И это, вероятно, самая здравая цифра во всей истории: доверять агенту можно, отпускать без присмотра пока рановато.
Если смотреть на реальные сценарии, AI-агенты в IT пока занимаются не магией, а рутиной. На первом месте подготовка типовых коммуникаций и саммари для стейкхолдеров: такой вариант уже используют 59% компаний. Далее идут маршрутизация и планирование задач, включая triage уведомлений и автоматизацию процессов, — 54%. Еще 48% задействуют агентов для выпуска стандартных отчетов и дашбордов без ручного вмешательства. Затем идут мониторинг KPI с автоматическим запуском действий или алертов — 45%, очистка и предварительная обработка типовых наборов данных — тоже 45%, базовая статистика и простые предиктивные модели — 34%, а автоматическая генерация инсайтов и рекомендаций набрала 23%.
Список хорошо показывает, где бизнесу уже комфортно с агентами: там, где цена ошибки относительно понятна, а результат можно быстро проверить. Сводка для руководителя, расписание задач, очередной стандартный отчет — все это удобно автоматизировать. А вот там, где нужно не просто выдать текст или цифру, а объяснить контекст и принять решение, человек по-прежнему остается в кадре. Не потому, что компании консервативны, а потому что баг в коммуникации лечится неловким звонком, а баг в решении может стоить заметно дороже.
При этом обещания AI-эпохи пока не отменили старый добрый Excel-мир. Подготовка данных для моделей и связанных с ними RAG-сценариев все еще съедает у аналитиков ощутимое время. Почти шесть часов в неделю уходит на базовую работу с данными, а 48% опрошенных тратят на нее от шести до десяти часов. Главный инструмент — электронные таблицы, их назвали 61% респондентов. Затем идут BI-системы с 56% и специализированные платформы для data prep с 51%. Вывод немного ироничный, но честный: ИИ не столько заменил существующие процессы, сколько аккуратно лег поверх них. Под капотом все еще живут таблицы, ручные проверки и знакомая боль интеграции.
На этом месте ломается еще один популярный сюжет — про решения в реальном времени. Оперативность любят в презентациях, но в реальных процессах она встречается реже. Только 20% участников исследования говорят, что от анализа данных до бизнес-решения у них проходит несколько часов. Реальную поддержку принятия решений в реальном времени заявили лишь 5% организаций. То есть большинство компаний обсуждают AI-агентов в IT в режиме «почти онлайн», но живут все еще в темпе, где между сигналом и действием остается существенная пауза. Для разработчиков и архитекторов это важное уточнение: bottleneck часто не в модели, а в данных, процессах согласования и понятной ответственности.
Главный дефицит — не модели, а объяснимость
Самый крупный барьер для использования ИИ в бизнес-решениях оказался довольно земным: результаты ИИ сложно интерпретировать и объяснять тем, кто принимает решения. Так ответили 55% респондентов. Почти рядом идет нехватка аналитических навыков у бизнес-пользователей — 54%. Еще 50% упираются в грязные, плохо интегрированные или слабо управляемые данные. 49% говорят о неясности с ownership и ответственностью за решения. И только после этого, с 45%, идут собственно технические ограничения AI-инструментов и инфраструктуры.
Это важный сдвиг акцента. Еще недавно разговор об ИИ почти всегда упирался в модели, GPU, бюджеты и выбор вендора. Теперь выясняется, что для многих компаний проблема не в том, чтобы что-то сгенерировать, а в том, чтобы сделать результат пригодным для реального бизнеса. Если руководитель не понимает, откуда взялась рекомендация, кто отвечает за ошибку и можно ли это защитить перед аудитором, то никакая красивая демо-сцена не помогает.
Отсюда и еще одна показательная цифра: аналитики тратят почти четыре часа в неделю на валидацию и исправление AI-результатов. Каждый шестой опрошенный возится с этим шесть часов или больше, то есть почти полноценный рабочий день. Если сложить это время с подготовкой данных, получается своеобразный AI-налог — почти два рабочих дня в неделю. Для бизнеса это отрезвляющая математика. Да, ИИ ускоряет часть операций. Но если половина выигрыша потом уходит на перепроверку, ручную корректировку и объяснение итогов, то разговор о ROI становится заметно интереснее.
Что это значит для команд
Для разработчиков, аналитиков и продуктовых команд вывод довольно прямой: самый дефицитный навык рядом с ИИ сейчас не промптинг как таковой, а способность валидировать вывод, видеть слабые места в данных и переводить машинный результат на язык бизнеса. Иначе говоря, выигрывает не тот, кто первым подключил агента к корпоративному хранилищу, а тот, кто выстроил вокруг него нормальный контур контроля. С логами, правами доступа, внятными метриками качества и человеком, который может объяснить, почему система решила именно так.
Для IT-руководителей эта статистика тоже неприятно полезна. Если в компании всерьез обсуждают AI-агентов в IT, начинать, вероятно, стоит не с лозунга «дайте им доступ ко всему», а с более скучных, но необходимых вещей: качества данных, границ ответственности, сценариев проверки и обучения бизнес-пользователей работе с AI-выводами. Иначе агенты будут отлично писать саммари, а самые дорогие решения по-прежнему останутся в ручном режиме. Подробности исследования приводит . Вопрос теперь не в том, придут ли агенты в корпоративные процессы, а в том, кто быстрее научится жить с их ошибками без потери скорости, денег и доверия.