Около 80% компаний из списка Fortune 500 уже попробовали агентный ИИ, но путь от пилотов к нормальной промышленной эксплуатации у большинства все еще вязнет. Для русскоязычной IT-аудитории это важный сигнал: проблема больше не в том, чтобы "запустить агента", а в том, чтобы встроить агентный ИИ в реальные бизнес-процессы, данные и контуры безопасности так, чтобы он не выглядел дорогой демонстрацией на квартальном созвоне.
Об этом сообщает MIT Technology Review в материале, подготовленном совместно с NiCE. Главная мысль там довольно приземленная и потому полезная: рынок уже наигрался в эксперименты, теперь компании упираются в куда менее гламурные вещи вроде интеграции с бэкендом, качества контекста, управления доступами и согласования работы нескольких агентов внутри одного процесса.
Операционный директор NiCE Арун Чандра формулирует проблему без лишней романтики. По его словам, почти все пытаются понять, что вообще можно сделать с этой технологией, но для масштабирования этого недостаточно. Сначала компания должна ответить на скучный, но обязательный вопрос: она хочет увеличить выручку, сократить издержки или решить другую конкретную стратегическую задачу. И только после этого есть смысл решать, где именно в процессе нужен агент и какие полномочия ему можно отдать. Иначе получается типичная корпоративная история: поверх неэффективного процесса ставят ИИ и потом удивляются, почему ускорилась только генерация новых проблем.
Это важный разворот в логике внедрения. Пилот агентного ИИ часто выглядит эффектно уже потому, что его запускают в лабораторных условиях: ограниченный сценарий, подготовленные данные, ручная подстраховка, несколько мотивированных людей рядом. Но в корпоративной среде агент должен не просто отвечать на вопросы, а работать внутри живого процесса: получать контекст, обращаться к нужным системам, понимать ограничения и, если нужно, выполнять действия. Без этого он остается симпатичным интерфейсом к фрагменту знаний, а не рабочим участником операции.
Чандра отдельно подчеркивает, что эффективность агента напрямую зависит от того, какой контекст, знания и данные он способен получить и использовать. Здесь и начинается самая неприятная часть для любой крупной организации. Данные размазаны по CRM, ERP, тикетным системам, внутренним базам знаний, почте, чатам и историческим легаси-сервисам. У разных команд свои процессы, свои справочники и своя правда о том, что считать источником истины. Если на такой фундамент посадить несколько AI-агентов, они не превратятся в цифровой оркестр. Скорее получится еще одна форма фрагментации, где каждый агент умен по-своему, но вместе они создают дополнительный слой хаоса.
Отсюда вытекает следующий барьер: агентный ИИ нужно проектировать не как набор разрозненных ботов, а как связанную систему. Агенты должны обмениваться контекстом, работать в общей модели прав и ограничений, понимать, когда нужно передать задачу человеку или другому агенту, и иметь доступ к системам, в которых совершается действие, а не только к тем, где можно красиво прочитать справку. На бумаге это звучит как естественная эволюция автоматизации. На практике это означает тяжелую инженерную работу: API, оркестрация, журналирование действий, контроль версий промптов и политик, наблюдаемость, разграничение доступа, управление инцидентами. Проще говоря, все то, что в презентациях обычно прячут за словом platform.
Для ИТ-команд тут нет ничего неожиданного, но есть один важный нюанс. Раньше корпоративная автоматизация часто упиралась в вопрос "можно ли это запрограммировать". В случае с агентами вопрос меняется на "можно ли этому доверить действие в проде". Поэтому на первый план выходят governance, privacy, security и change management. MIT Technology Review пересказывает позицию Chandra довольно жестко: если агентам отдают все более значимую работу, оценивать их нужно по тем же стандартам, что и людей. Это, пожалуй, одна из самых трезвых рамок для обсуждения. Если сотрудник не может без проверки менять статус клиента, инициировать процесс или отправлять чувствительные данные, агент тоже не должен делать это просто потому, что у него красивый интерфейс и высокий score на внутреннем демо.
Для разработчиков и архитекторов из этого следует неприятный, но полезный вывод: масштабирование агентного ИИ в enterprise будет определяться не качеством одиночной модели как таковой, а качеством общей системы вокруг нее. Победят не те, кто быстрее соберет чат с агентом, а те, кто выстроит связку из данных, политик доступа, интеграций и измеримых KPI. Для продактов и IT-директоров сигнал такой же прямой: если у проекта нет привязки к метрике бизнеса и четко выбранного workflow, он почти наверняка останется в категории "интересный пилот". А для HR и руководителей функций здесь есть еще один слой сложности: по мере роста доли агентных сценариев придется пересобирать сами роли, зоны ответственности и способы контроля результата. Речь уже не о замене человека ботом, а о гибридной рабочей среде, где часть операций выполняют люди, часть агенты, а ценность создается на стыке.
В материале NiCE говорит и о следующем этапе: в будущем агенты смогут работать проактивно и взаимодействовать друг с другом, чтобы решать запросы клиентов без постоянного ручного посредничества. Идея не новая, но именно сейчас она начинает упираться не в фантазию, а в архитектуру. Корпорациям, которые хотят перейти от пилотов к масштабу, предлагают не "кипятить океан", а строить связанную стратегию вокруг нескольких сценариев с высокой ценностью, понятных изменений в процессах и измеримого результата. На этом месте и проходит реальная граница зрелости: между компанией, где агентный ИИ нужен для презентации совету директоров, и компанией, где он действительно становится частью производственной системы. Подробности исходного материала можно проверить в .