К 2027 году 40% компаний могут понизить статус или вовсе вывести из эксплуатации автономных AI-агентов после инцидентов в продакшене. Для тех, кто уже вкладывается в AI-агенты в компаниях, это неприятная, но полезная цифра: рынок быстро уходит от демо-эффекта к скучному вопросу, который всегда больнее всего, — где здесь возврат на инвестиции и кто отвечает, если система начинает принимать плохие решения.
Об этом сообщает ZDNet со ссылкой на прогноз Gartner и выступления руководителей Whoop, Fanatics и Synopsys на Snowflake Summit в Сан-Франциско. Общий вывод у них surprisingly не про «больше автономии», а про дисциплину: агентам нужны рамки, качественный контекст и понятная экономика. Иначе вместо помощника компания получает еще один источник операционного риска, который красиво выглядит на презентации, но плохо переносит реальную нагрузку.
Самый жесткий сигнал здесь дал именно Gartner: по оценке аналитиков, к 2027 году 40% предприятий демонтируют или понизят роль автономных AI-систем из-за провалов в управлении и контроле, которые всплывут уже после запуска. Это важный сдвиг в риторике. Еще год-полтора назад разговор чаще шел о том, как быстро встроить агента в процессы, теперь — о том, как не получить инцидент из-за того, что агенту выдали слишком много свободы и слишком мало правил. Для российских команд это тоже знакомый сюжет: пока бизнес спрашивает про «сокращение ручной работы», ИТ и data-команды обычно думают о доступах, трассировке решений, качестве данных и юридических границах автоматизации.
Первый практический урок пришел от Whoop. Вице-президент по аналитике Мэтт Луицци рассказал, что компания уже несколько месяцев использует CoCo — coding-агента Snowflake для разработчиков и data-инженеров. Сначала инструмент отдали команде аналитики, где люди могли быстро проверить, корректен ли ответ на запрос. После этого Whoop перешла к более формализованным схемам оценки и начала масштабировать использование агентов. По словам Луицци, инженеры применяют CoCo в A/B-тестах: агент помогает анализировать результаты, предлагать следующий шаг, проверять гипотезу и повторять цикл. Но ключевой вывод не в том, что агент пишет запросы быстрее. Главный вывод — «контекст решает все». У Whoop уже была централизованная платформа данных на Snowflake, а значит, базовая инфраструктура для экспериментов была готова заранее. Дальше команда уперлась не в модель как таковую, а в семантический слой: если контекст не собран в структурированном виде, агент легко производит уверенный, но бесполезный ответ. Поэтому ставка делается на повторяемые фреймворки, а не на разовые удачные пилоты.
В Fanatics пришли к похожему выводу, но с другой стороны. Мадлен Уонт, вице-президент по данным в подразделении betting and gaming, отвечает за data engineering, data science и machine learning. Она прямо сказала: чем лучше состояние исходных данных и чем строже их governance, тем легче языковая модель извлекает смысл и отвечает на вопросы. Сейчас это звучит почти банально, но, по ее словам, еще 18 месяцев назад внутри компании не было уверенности, что стороннюю модель можно просто поставить поверх данных и получить рабочий аналитический инструмент. У Fanatics раньше был большой опыт в кастомных ML-моделях, так что идея «подключили LLM и поехали» выглядела сомнительно. Сработали там, где область была жестко ограничена по контексту, а рядом были сильные доменные аналитики, способные буквально натаскивать агента на предметную область.
Это важное замечание для всех, кто внедряет AI-агенты в компаниях не как игрушку для внутренних демо, а как рабочий интерфейс к данным. На ранних этапах агент редко бывает самодостаточным. Ему нужен человек, который понимает и бизнес-логику, и структуру данных, и критерии правильного ответа. У Fanatics по мере накопления опыта снижается объем ручной настройки контекста и уменьшается степень надзора, которая нужна агенту для автономной работы. Зато растет качество оценки ответов: компания вводит масштабируемые evaluation framework, чтобы понимать, насколько агент точен, когда за ним уже никто не смотрит в реальном времени. Это, по сути, и есть взрослая стадия внедрения: не «агент иногда угадывает», а «мы умеем мерить его качество до того, как он ошибется в бою».
Третий кейс показал Synopsys. CIO Шрирам Ситараман рассказал, что около 18 месяцев назад компания увидела в AI потенциал для задач, которые обычно закрывают младшие специалисты: быстрые запросы, построение графиков, первичный вывод инсайтов. После этого в Synopsys начали разворачивать knowledge agent в нескольких направлениях. Среди примеров — revenue agent для финансовой функции и debug agent для тикет-системы, связанной с дата-центрами. Подход к оценке у компании предельно прикладной: качество результата, время до результата и стоимость результата. Ситараман утверждает, что AI дал выигрыш по всем трем направлениям сразу, что раньше обычно требовало компромисса. Но вместе с этим он отдельно предупредил: разница между автоматизацией и автономностью пока не так велика, как кажется в маркетинговых слайдах. Если компании нужен просто автоматизированный процесс, то не факт, что ей нужен именно агент — у автономии другая стоимость, другой паттерн использования и другой профиль рисков.
Из этого складывается довольно трезвый рыночный вывод. Главная причина провала агентных инициатив — не слабая модель и не нехватка громких анонсов, а попытка перескочить через скучные слои: структуру данных, семантику, экспертизу предметной области и систему оценки качества. ИТ-директорам это напоминает старую историю про data lake, который обещал золотые горы, а в итоге требовал сначала навести порядок в процессах. Разработчикам история тоже знакома: агент без внятного контекста напоминает очень быстрого джуна, который отвечает на все вопросы сразу, но половину ответов потом приходится перепроверять. Для бизнеса вывод еще проще. Если невозможно объяснить, какую задачу агент решает, как измеряется точность и кто остановит его после первой ошибки, значит, речь пока не о продукте, а о дорогом эксперименте.
Следующий этап для AI-агентов в компаниях, похоже, будет менее шумным, но куда более полезным: меньше разговоров о «цифровых коллегах», больше разговоров о границах доступа, воспроизводимости, стоимости ответа и монетизации собственных данных. И если прогноз Gartner сбудется хотя бы частично, рынок в ближайший год-два разделится на две группы: одни quietly свернут агентные пилоты, другие превратят их в нормальный инфраструктурный слой. Проверить исходные цитаты и контекст выступлений можно в материале .