Почему 44% российских компаний отказались от ИИ-агентов (и кто всё-таки внедрил)

Ещё недавно ИИ-агенты называли главным технологическим трендом года: казалось, что уже к концу 2026-го цифровые сотрудники возьмут на себя рутину в каждой второй компании. Реальность оказалась жёстче. По данным исследования «Инфосистемы Джет» (октябрь 2026), 86% крупных компаний так или иначе используют или пилотят большие языковые модели, однако 44% отказываются от ИИ-агентов, а 46% пилотов не дают измеримого эффекта и закрываются. Цифры выглядят как приговор технологии, но за ними стоит не провал ИИ, а провал подхода к внедрению.

При этом рынок не сжимается: по оценке ИКТ Москва, агентный ИИ в России вырос с 9 млрд ₽ в 2025 году до 13 млрд ₽ в 2026-м, 56% компаний рассматривают внедрение агентов, а X5 только за 2025 год получила около 5 млрд ₽ дополнительной прибыли от ИИ. Парадокс «одни отказываются, другие зарабатывают» не случаен. Дальше разбираем причины отказов, отличие провальных и успешных проектов, кейсы внедривших и чек-лист пилота, который выживет.

Чтобы понять, почему одни компании сворачивают агентов, а другие получают миллиардную прибыль, нужно разобрать ситуацию по слоям: сначала официальную статистику отказов, затем честные причины, потом признаки зрелости бизнеса, кейсы тех, кто всё-таки внедрил, и, наконец, практический чек-лист пилота. Начнём с цифр.

Статистика: что на самом деле показало исследование

Цифры из отчёта «Инфосистемы Джет» от 14 октября 2026 года часто цитируют вырванными из контекста. Звучит как «почти половина бизнеса разочаровалась в ИИ-агентах», но если посмотреть на всю картину, вывод другой: компании не отказываются от ИИ — они отказываются от конкретной формы его применения, к которой оказались не готовы.

Самый важный показатель — 86%: именно столько крупных компаний используют или пилотят LLM. То есть языковые модели прочно вошли в рабочие процессы. Но между «использовать модель для генерации текста» и «дать агенту право действовать самостоятельно» — пропасть. Именно на этой пропасти и срываются проекты.

Обратите внимание на сочетание 44% и 86%: отказавшиеся от агентов компании не отказались от моделей. Они используют LLM для генерации и поиска, но не пускают агента в процессы, где ошибка стоит денег. Это здравая осторожность, а не скепсис.

Пять реальных причин отказов

Эксперты Hybrid, Softline, Ланит и Т1 сходятся во мнении: агенты проваливаются не из-за слабости моделей, а из-за состояния бизнеса, в который их пытаются встроить. Вот пять причин, которые встречаются чаще всего.

1. Незрелые процессы. Агент автоматизирует процесс, но не создаёт его. Если в компании нет описанного регламента, нет единых правил обработки заявки и каждый сотрудник делает «по-своему», агенту просто нечего исполнять. Он либо повторяет хаос, либо ломается на первом исключении.

2. Разрозненные данные. Агенту нужно «видеть» компанию: клиентов в CRM, заказы в 1С, склад в WMS, документы в файловом хранилище. Если эти системы не связаны или данные в них расходятся, агент принимает решения на основе противоречивой картины и ошибается. Значительная часть «провалов интеграции» — это на самом деле хаос в данных.

3. Нет владельца результата. Классическая история: ИИ-агента поручили «отделу инноваций», а бизнес-подразделение, для которого он работает, не участвует. Никто не отвечает за то, чтобы агент реально решал задачу, не ведёт метрики, не защищает проект. Без владельца пилот умирает тихо — после демо, на котором все похлопали.

4. Нет наблюдаемости. Компания запускает агента, но не может ответить на вопросы: сколько задач он закрыл, какой процент с ошибкой, сколько стоил токенов, сколько сэкономил часов. Без метрик нельзя доказать эффект — а без доказанного эффекта проект закрывают на первом же пересмотре бюджета.

5. Комплаенс и сопротивление. Доступ агента к персональным данным (152-ФЗ), к деньгам, к документам — это требования регуляторов и юридическая ответственность. К этому добавляется сопротивление сотрудников, которые справедливо опасаются, что «агент заменит меня». Оба фактора тормозят проект сильнее, чем любые технические ограничения.

Математика надёжности: почему 90% на шаге мало

Компании часто оценивают агента по точности одного ответа: если модель верна в 90% случаев, кажется, что это надёжно. Но агент — не ответ, а цепочка действий. Здесь работает арифметика, объясняющая, почему 46% пилотов проваливаются.

Если каждый шаг агента точен в 90%, то вероятность пройти всю цепочку без единой ошибки равна 0,9 в степени числа шагов. На семи шагах это 0,9⁷ ≈ 0,48 — меньше половины. То есть даже очень «умный» агент, у которого каждый отдельный шаг кажется надёжным, на выходе проваливает больше половины задач. Это и есть скрытая причина многих «необъяснимых» провалов.

Вывод практический: надёжность агента повышают не «более умной моделью», а сокращением шагов, проверками на этапе, повторами при ошибке и передачей человеку на критичных точках. Поэтому зрелые внедрения проектируются как «короткая цепочка + контроль», а не как «длинный автономный конвейер».

Кто готов к агентам: модель зрелости

Чтобы агент заработал, бизнес должен достичь определённого уровня зрелости. ВШЭ совместно с Cloud.ru в сентябре 2026 года представили модель готовности компании к ИИ-агентам — по сути, шкалу, по которой видно, где проект сломается. Разберём её уровни в практической интерпретации.

• Уровень 1 — разрозненные эксперименты. Отдельные сотрудники пробуют LLM для личных задач. Данные не связаны, процессов нет. Запуск агента здесь почти гарантированно провалится;
• Уровень 2 — описанные процессы. Есть регламенты и владельцы процессов, но системы всё ещё плохо интегрированы. Можно запускать узкого агента на одном участке;
• Уровень 3 — связанные данные. CRM, 1С и прочие системы обмениваются данными, есть единый источник правды. Агент может работать на нескольких шагах;
• Уровень 4 — наблюдаемость и контроль. Есть логи, метрики, аудит действий, разграничение прав. Агент допускается к процессам среднего риска;
• Уровень 5 — управляемая автономия. Агент самостоятельно закрывает рутину под контролем человека на критичных точках. Именно здесь и находится зона тех самых 8%.

Компании, отказывающиеся от агентов, часто находятся на уровнях 1–2 и прыгают сразу к автономии. Успешные внедрения последовательно проходят уровни, не торопясь с полной автономией.

Кто всё-таки внедрил: кейсы X5, ЕВРАЗ и ВкусВилл

Пока одни сворачивают пилоты, другие получают измеримый результат. Показательно, что успешные кейсы строятся ровно по обратной логике: сначала данные и процессы, потом агенты и масштаб.

X5. Ритейлер отчитался примерно о 5 млрд ₽ дополнительной операционной прибыли от ИИ за 2025 год. На платформе AI Core работает CoPilot X5, которым пользуются 32 тыс. сотрудников (21 тыс. — регулярно). Причём компания пошла дальше: силами самих сотрудников было создано около 2,3 тыс. ИИ-агентов, обработавших 150 тыс. запросов. Ключ к успеху — не гениальные модели, а массовое низкорисковое применение и готовность инфраструктуры.

ЕВРАЗ НТМК. На комбинате внедрили видеоаналитику и оптический контроль доменных печей — агенты и модели работают там, где человеку опасно и тяжело, а результат можно проверить визуально. Это классический пример «понятной метрики»: качество распознавания измеряется напрямую.

ВкусВилл. Компания построила систему управления ИИ-проектами и провела внутренний хакатон, из которого выросло 26 AI-проектов. Здесь сработала другая формула: не «внедрить агента сверху», а дать сотрудникам инструмент и культуру экспериментировать.

Лента Тех и СКБ Контур. «Лента Тех» создала 1,5 млн цифровых клонов клиентов на GenAI для моделирования спроса, а СКБ Контур отмечает, что ИИ в ритейле повысил точность поставок на 20%.

Платформы и рынок: куда движется агентный ИИ

Рынок агентного ИИ в России растёт, несмотря на статистику отказов. По данным ИКТ Москва, объём вырос с 9 млрд ₽ в 2025 году до 13 млрд ₽ в 2026-м, а MWS AI оценивал прошедший год почти в 15 млрд ₽. Разброс оценок показывает, насколько рынок молод и подвижен.

Инвестиции подтверждают тренд: Just AI вложил 400 млн ₽ в собственную студию агентов (Forbes, 27 октября 2026). Пул платформ уже сформирован, и почти все они входят в реестр российского ПО — это важно для компаний с требованиями к импортозамещению.

• Яндекс AI Studio — лидирует в рейтинге платформ агентного ИИ;
• GigaCowork от Сбера — корпоративные сценарии с интеграцией в экосистему;
• Just AI Agent Platform — зрелая студия с сильной инвестиционной поддержкой;
• MWS AI Agents Platform — облачная платформа с готовыми коннекторами;
• AgentNavigator от ЦРТ — фокус на голосовых и диалоговых агентах;
• Nodul и VK AI Space — нишевые и экосистемные решения.

В отчёте State of AI Russia 2026 зафиксирован главный сдвиг: рынок переходит от ассистентов к агентам. Спрос смещается от «ИИ, который подсказывает» к «ИИ, который делает». Именно этот переход объясняет, почему часть компаний не готова: ассистент не требует зрелости данных, а агент — требует.

Ответственность и безопасность агента

Ключевой вопрос, который отпугивает бизнес от автономии, — кто отвечает, если агент ошибётся. Пока нет зрелой правовой базы, компании применяют собственную страховку: разграничение прав, режим только для чтения по умолчанию, аудит и обязательное ревью человеком. Именно поэтому только 8% готовы делегировать ИИ решения среднего и высокого риска.

Правовой контур тоже формируется. В марте 2026 года Минцифры представило законопроект «Об основах госрегулирования сфер применения ИИ» (он находится на доработке), а практика работы с агентами в части персональных данных опирается на 152-ФЗ: обезличивание, минимизация доступа, отдельный контур для чувствительных данных.

Рабочая модель безопасности, которую используют зрелые команды, выглядит так:

• Минимум прав — агент получает доступ только к инструментам, необходимым для его задачи;
• Read-only по умолчанию — запись включается осознанно и точечно, на конкретные операции;
• Песочница — сначала агент работает на копии данных, а не на продакшене;
• Аудит — каждое действие логируется: что вызвал, к чему обратился, какой результат получил;
• Ревью человеком — критические шаги (платежи, удаление, отправка клиенту) подтверждаются вручную.

Такой подход не снижает эффект — он делает агента предсказуемым. Именно предсказуемость отличает провалившиеся пилоты от успешных кейсов.

Пилот, который выживет: пошаговый план

Пилоты проваливаются предсказуемо — и так же предсказуемо можно сделать их успешными. Пилот должен быть коротким, узким и измеримым. Вот последовательность шагов из зоны 44% отказов в зону внедривших.

1. Выбрать одну узкую задачу с понятной метрикой — не «внедрить ИИ в поддержку», а «сократить время обработки типового возврата с 15 минут до 3»;
2. Убедиться, что процесс описан и у него есть владелец — человек из бизнес-подразделения, который отвечает за результат и защищает проект;
3. Проверить данные — связаны ли системы друг с другом, нет ли противоречий между CRM, 1С и складом;
4. Спроектировать короткую цепочку с проверками — помнить про математику надёжности: меньше шагов, больше контроля;
5. Запустить на копии данных с read-only доступом — сначала в песочнице, затем в проде с ограниченными правами;
6. Замерять до и после — часы, стоимость токенов, процент ошибок, количество обработанных задач;
7. Решить по эффекту, а не по ощущениям — если метрика не улучшилась, масштабировать не нужно; если улучшилась — расширять на соседний участок.

Пилот не должен быть «демо для руководства»: демо показывает возможности, пилот доказывает эффект. Отсутствие измеримого эффекта и закрывает 46% пилотов — компании путают «впечатляюще» и «прибыльно».

Чек-лист перед запуском агента

Перед тем как дать агенту доступ к рабочим данным, пройдите этот чек-лист. Если хотя бы на один пункт ответ «нет» — пилот лучше отложить: именно здесь сломались те самые 44%.

• Выбрана одна узкая задача с измеримым результатом и понятной метрикой;
• Процесс описан в регламенте, у него есть владелец из бизнеса, а не из «инноваций»;
• Данные в связанных системах (CRM, 1С, склад) согласованы и не противоречат друг другу;
• Цепочка действий агента короткая, с проверками на каждом шаге и передачей человеку на критике;
• Агент работает на копии данных; в проде имеет доступ только на чтение;
• Настроены логи, метрики и аудит каждого действия агента;
• Критические операции (платежи, удаление, отправка клиенту) подтверждаются человеком;
• Замерены показатели «до» — часы, стоимость, ошибки — для честного сравнения;
• Персональные данные обрабатываются по 152-ФЗ: обезличивание, минимизация доступа;
• Есть план остановки пилота, если эффект не подтвердится.

Частые вопросы