Главное Авторские колонки Пресс-релизы Промо Вакансии Вопросы
122 0 В избр. Сохранено
Авторизуйтесь
Вход с паролем

AI-агенты в бизнесе: где начинается экономический эффект и заканчивается безопасная автономность

Агент может самостоятельно получить информацию из нескольких систем, проанализировать её, выбрать следующий шаг и выполнить действие. Именно здесь появляется настоящий потенциал для роста производительности. И здесь же резко увеличивается цена ошибки
Мнение автора может не совпадать с мнением редакции

Автор статьи: Сергей Спиренков, евангелист KODE.

Первая волна корпоративного генеративного ИИ помогала сотрудникам работать быстрее: искать информацию, писать тексты, анализировать документы. Agentic AI претендует на следующий уровень — выполнять отдельные процессы практически без участия человека.

Агент может самостоятельно получить информацию из нескольких систем, проанализировать её, выбрать следующий шаг и выполнить действие: обновить CRM, подготовить закупку или передать задачу другому агенту.

Именно здесь появляется настоящий потенциал для роста производительности. И здесь же резко увеличивается цена ошибки.

Поэтому вопрос для бизнеса сейчас не в том, «нужны ли нам AI-агенты», а в том, какие процессы экономически выгодно отдавать им и какой уровень автономности допустим.

Рынок переходит от ассистентов к исполнителям

По результатам опроса PwC среди 300 американских руководителей, 79% компаний уже внедряли AI-агентов. Среди тех, кто использует технологию, 66% фиксировали измеримую ценность через рост производительности.

Gartner ожидает, что к концу 2026 года специализированные агенты появятся в 40% корпоративных приложений против менее 5% в 2025-м.

При этом переход к полной автономности идёт гораздо медленнее. По другому исследованию Gartner, только 15% IT-руководителей рассматривали, пилотировали или внедряли системы, способные действовать без человеческого контроля.

Российский бизнес выглядит похоже. Согласно исследованию СберПро и TAdviser 2026 года, 55% компаний используют агентов как рекомендательные системы, 45% разрешают выполнение действий по заранее определённому алгоритму, а полную автономию в отдельных операциях допускают только 5%.

То есть рынок видит ценность в агентной модели, но пока предпочитает ограниченную самостоятельность.

Где появляется реальный эффект

Самые перспективные сценарии — не отдельные задачи, а цепочки действий. Например, обычный AI-ассистент может помочь сотруднику обработать документ.

Агент способен: получить документ → извлечь данные → сверить их с внутренней системой → запросить недостающую информацию → подготовить решение → внести результат в корпоративную систему.

В этом и заключается главное отличие agentic AI.

BCG приводит примеры использования агентов в ERP и CRM, где ранние внедрения позволяли сокращать цикл отдельных процессов на 20–30%. В страховании агенты могут участвовать в обработке кейса от проверки документов до эскалации или выплаты; в отдельных проектах время обработки сокращалось на 40%, а NPS увеличивался на 15 пунктов.

В российском бизнесе одним из первых массовых сценариев становится офисная рутина. По исследованию среди 308 крупных российских компаний 56% рассматривали AI-агентов прежде всего для автоматизации повторяющихся офисных задач.

Есть уже и практические кейсы. Например, девелопер «Тренд-Групп» сообщает, что после внедрения агентов в кадровые, юридические, закупочные, финансовые процессы и продажи время сотрудников на типовую рутину сократилось с 14 до трёх часов в неделю.

Но здесь важная оговорка. Экономический эффект появляется не потому, что компания «внедрила агента». Он появляется, когда перестраивается весь процесс.

Агент поверх плохого процесса почти ничего не меняет

Представим процесс закупки, где данные хранятся в нескольких системах, решения согласуют пять человек, а часть информации передаётся через Excel. Можно добавить AI-агента, который будет быстрее собирать эти таблицы. Но сам процесс останется таким же.

Гораздо больший эффект появляется, если компания сначала убирает ненужные этапы и только затем передаёт агенту целую последовательность действий. Именно поэтому внедрение agentic AI — в значительной степени организационный проект.

Исследование СберПро и TAdviser показывает похожую картину: пока ИИ остаётся ассистентом, сквозной прирост производительности процесса составляет около 10%. Более серьёзный эффект появляется, когда меняется сам процесс и человеку больше не нужно участвовать в каждой отдельной операции.

Главный риск — дать агенту слишком много власти

Чем больше агент умеет делать самостоятельно, тем выше потенциальный эффект. И одновременно выше стоимость ошибки. Если AI неправильно составил внутреннюю справку, сотрудник может её исправить. Если агент самостоятельно отправил неверный заказ поставщику или изменил данные в корпоративной системе, ошибка уже становится операционной.

Поэтому хорошая архитектура строится не вокруг максимальной автономии, а вокруг минимальной автономии, достаточной для получения эффекта.

Для разных операций она будет разной. Анализ данных можно почти полностью автоматизировать. Формирование заявки — автоматизировать, но оставить подтверждение. Платёж или блокировку клиента проводить только при дополнительных условиях или после решения человека.

Почему многие проекты всё равно будут закрываться

Рынок agentic AI находится на стадии большого количества экспериментов. Gartner прогнозирует, что более 40% таких проектов будут закрыты к концу 2027 года. Основные причины — растущая стоимость, неясная бизнес-ценность и недостаточный контроль рисков.

В России похожая ситуация на стадии пилотов. По данным исследования крупного бизнеса, которое цитирует ComNews, 46% компаний сталкивались с тем, что AI-проект не давал ожидаемого экономического эффекта уже на пилоте, а 44% отказывались от агентных сценариев из-за недостаточной зрелости процессов, данных или интеграций.

То есть технически работающий агент ещё не означает работающую бизнес-модель.

Как выбирать первый процесс для агента

Хороший кандидат обычно отвечает четырём условиям: процесс выполняется часто; действия относительно стандартизированы; результат можно измерить; ошибка на пилоте не создаст критических последствий.

Например, подготовка внутренней отчётности обычно лучше подходит для первого эксперимента, чем самостоятельное управление платежами. А обработка типовых заявок — лучше, чем стратегическое решение о закупке на несколько миллионов.

Пять принципов безопасного внедрения

Начать с KPI, а не с технологии

До разработки нужно определить исходную метрику. Сколько стоит процесс сейчас? Сколько времени занимает? Сколько ошибок возникает? Если после пилота эти цифры не изменились, то технологический эксперимент не дал бизнес-эффекта.

Давать права постепенно

На первом этапе агент получает read-only доступ и формирует рекомендации. Затем можно разрешить простые действия. Только после накопления статистики — более серьёзные операции.

Использовать принцип минимальных привилегий

Агенту не нужен доступ ко всей инфраструктуре компании. Он должен получать ровно те полномочия, которые необходимы для конкретного процесса.

Логировать действия

Компания должна иметь возможность восстановить: какие данные получил агент; какое решение принял; какие действия выполнил; где вмешался человек.

MIT CISR отдельно рекомендует компаниям назначать ответственность за AI-системы и вести аудит действий, включая запросы, ответы и человеческие вмешательства.

Заранее определить границу автоматизации

До пилота нужно решить, когда задача обязана вернуться человеку. Например, при превышении суммы, нестандартном сценарии или низкой уверенности системы. Это позволяет масштабировать автоматизацию без масштабирования ошибок.

Не автономность определяет зрелость

На рынке легко попасть в гонку: чей агент способен самостоятельно сделать больше действий. Для бизнеса это не лучший критерий. Зрелая система не обязательно та, где человек вообще не участвует. Скорее та, где участие человека остаётся только в точках, где оно действительно создаёт ценность или снижает существенный риск.

В ближайшие годы агенты, вероятно, станут обычным слоем корпоративного IT. Gartner уже прогнозирует значительное распространение task-specific агентов в enterprise-приложениях. Но выигрывать будут не компании, которые предоставили AI больше всего прав. А те, кто смог правильно выбрать процесс, посчитать экономику и определить, где автономность действительно окупается, а где человек пока дешевле ошибки

0
В избр. Сохранено
Авторизуйтесь
Вход с паролем
Комментарии
Выбрать файл
Блог проекта
Расскажите историю о создании или развитии проекта, поиске команды, проблемах и решениях
Написать
Личный блог
Продвигайте свои услуги или личный бренд через интересные кейсы и статьи
Написать

Spark использует cookie-файлы. С их помощью мы улучшаем работу нашего сайта и ваше взаимодействие с ним.