Каждую неделю выходит новый отчёт о том, как ИИ изменит всё.
Инвестиции в ИИ в 2024 году достигли $252 млрд. 78% компаний уже используют ИИ хотя бы в одной функции. Рынок ИИ-агентов вырастет с $7,6 млрд в 2025 до $47 млрд к 2030.
Звучит как революция. Но есть одна проблема…
Цифры, о которых не говорят на конференциях
В августе 2025 MIT Media Lab опубликовал исследование «The GenAI Divide: State of AI in Business 2025». Результаты — холодный душ для всего рынка.
95% пилотных проектов по генеративному ИИ не дают измеримого влияния на P&L.
Не «работают с ошибками». Не «требуют доработки». Просто ноль измеримого результата.
S&P Global добавляет деталей: 42% компаний в 2025 году отказались от большинства своих ИИ-инициатив. Для сравнения — в 2024 таких было 17%. Рост в 2,5 раза за год.
Gartner в июне 2025 выпустил прогноз: более 40% проектов по агентному ИИ будут отменены к концу 2027 года. Причины — растущие расходы, неясная бизнес-ценность, неадекватный контроль рисков.
Почему так происходит
Я занимаюсь внедрением ИИ-агентов в бизнес. И вижу одни и те же проблемы у всех.
Не технические проблемы. Не проблемы с моделями. Проблемы на стыке технологий и реальных бизнес-процессов.
Их шесть. И о них интеграторы предпочитают молчать, потому что каждая из них — это дополнительные месяцы работы и сотни тысяч рублей в бюджете.
1. Необходимость взаимодействия с людьми
ИИ-агент не работает в вакууме. Ему нужно получать информацию от людей, уточнять детали, передавать результаты.
Человек может написать коллеге в мессенджер: «Слушай, а что там с договором по Газпрому?» И получить ответ.
Агент так не умеет. Ему нужен формализованный канал коммуникации, структурированные запросы, чёткие протоколы эскалации.
Это отдельный пласт работы, который редко закладывают в бюджет.
2. Невозможность «подсмотреть» у коллеги
Новый сотрудник в офисе смотрит, как работают другие. Задаёт вопросы. Впитывает неявные правила: «А, так тут принято сначала согласовывать с Мариной, а потом уже отправлять».
ИИ-агент этого не может. Всё неявное знание нужно сделать явным. Описать. Формализовать. Загрузить.
По факту — написать полную должностную инструкцию на уровне, которого в компании никогда не было.
3. Встраивание в существующие процессы
У компании есть работающие процессы. Кривые, косые, но работающие.
ИИ-агент должен встроиться в них, не сломав. Или процессы нужно перестроить под агента.
Первое — сложно. Второе — дорого и рискованно.
Обычно об этом узнают уже после старта проекта.
4. Прозрачная история действий
Человек может объяснить, почему принял то или иное решение. Пусть постфактум, пусть с ошибками в логике — но может.
С ИИ-агентом сложнее. Нужна полная система логирования: что сделал, почему, на основании каких данных, с какой уверенностью.
Без этого невозможны ни аудит, ни отладка, ни улучшение.
5. Размытая ответственность
Агент согласовал договор с ошибкой. Кто виноват?
Разработчик агента? Сотрудник, который запустил процесс? Руководитель, который утвердил внедрение?
В компаниях, где ответственность и так размыта, ИИ-агенты превращают её в полный хаос.
6. Остановка при сбоях
API провайдера LLM лёг на 2 часа. Или интернет в офисе пропал. Или лимиты закончились.
Что делает агент? Правильно — ничего.
А процесс, который он обслуживал, встаёт. И люди, которые на него рассчитывали, сидят без работы.
Почему эти проблемы замалчивают
Потому что их решение — это 70-80% стоимости проекта.
Сама интеграция модели — это просто. Подключить API, написать промпты, настроить входы-выходы. Неделя-две работы.
А вот формализовать процессы, построить систему коммуникации, настроить аудит, распределить ответственность, обеспечить отказоустойчивость — это месяцы.
Продать «внедрим ИИ за 2 недели» проще, чем «будем 3 месяца описывать ваши процессы, а потом ещё 2 месяца внедрять».
В итоге клиент получает красивую демку, которая разваливается при столкновении с реальностью.
Что с этим делать
Исследование MIT показывает интересную закономерность.
Компании, которые покупают решения у специализированных вендоров, успешны в 67% случаев. Те, кто строит сами — только в 33%.
Разница в два раза.
Почему? Потому что специализированные вендоры уже наступили на все грабли. Уже решили эти шесть проблем для своей ниши. Уже заплатили за обучение.
Это не значит, что нужно отказаться от кастомных решений. Это значит, что перед стартом нужно честно оценить все шесть проблем и заложить их решение в бюджет.
Что дальше
В следующих статьях разберу каждую из шести проблем детально.
Покажу на конкретном примере — согласование договора — разницу между инструкцией для человека и инструкцией для ИИ-агента. Спойлер: это как сравнивать страницу А4 и небольшую книгу.
Расскажу про модели распределения ответственности. Про архитектуру отказоустойчивости. Про методы передачи неявных знаний агенту.
Без маркетингового булшита. С цифрами, схемами и практическими решениями.
Источники:
- MIT Media Lab, Project NANDA. «The GenAI Divide: State of AI in Business 2025», июль 2025
- S&P Global. Исследование отказов от ИИ-инициатив, 2025
- Gartner. «Gartner Predicts Over 40% of Agentic AI Projects Will Be Canceled by End of 2027», июнь 2025
- Informatica. «CDO Insights 2025 Survey», 2025
- Deloitte. «Emerging Technology Trends in the Enterprise Survey», 2025
Подписывайтесь на канал:
Telegram @futex_ai