Корпоративные ИИ-агенты: от пилотов к цифровым исполнителям

Применение генеративного искусственного интеллекта эволюционирует от диалоговых помощников к автономным агентным системам, способным самостоятельно планировать и выполнять последовательность действий для достижения заданной цели. По данным McKinsey, 62% организаций по всему миру уже экспериментируют с ИИ-агентами или пилотируют решения на их основе. В России бизнес также тестирует агентные системы и встраивает их в корпоративный контур.

В этом обзоре разберём, что принципиально меняется при переходе от ИИ-ассистентов к ИИ-агентам, какие сценарии уже дают измеримый эффект и как это трансформирует процессы, инфраструктуру и организацию работы компаний.

Содержание:

• Рынок агентного ИИ: структурный сдвиг
• Технологический стек: от архитектуры к инфраструктуре
• Прикладные сценарии: от клиентского сервиса до автономной коммерции
• Пилотирование агентного ИИ: что мешает перейти к внедрению
• Организационная трансформация: перестройка процессов и ролей
• Практические шаги для бизнеса: как перевести агентный ИИ в промышленную эксплуатацию
• Главное по тексту

Рынок агентного ИИ: структурный сдвиг

Агентный искусственный интеллект переходит из категории перспективной технологии в ключевой драйвер цифровой трансформации бизнеса. По данным Fortune Business Insights, глобальный рынок агентного ИИ в 2025 году составил 7,29 млрд долларов, а к 2034 году может вырасти почти до 140 млрд долларов.

Параллельно растут и темпы проникновения технологии в цифровые продукты. Согласно прогнозу Gartner, к 2028 году агентный ИИ будет интегрирован в 33% корпоративных программных приложений — для сравнения, в 2024 году этот показатель составлял менее 1%.

Источник: Fortune Business Insights

Российский рынок развивается в том же направлении. По оценке «Группы Астра», в 2025 году отечественный сегмент агентных систем составил 15–25 млрд рублей (около 30% рынка ИИ-платформ). При сохранении темпов роста на уровне 32–35% в год к 2029-му он может достичь 45–50 млрд рублей.

Развитие технологии подошло к точке трансформации. С одной стороны, агентные системы становятся базовой частью ИТ-инфраструктуры организаций. С другой — главный вызов для бизнеса смещается из технологической плоскости в операционную: какие именно задачи безопасно доверить автономным алгоритмам и как корректно встроить их в рабочие цепочки. Этот переход определяет следующий этап цифровизации компаний.

Чтобы реализовать рыночный потенциал ИИ-агентов на практике, компании пересматривают свой подход к устройству самих ИИ-систем.

Технологический стек: от архитектуры к инфраструктуре

Первые внедрения генеративного ИИ в бизнесе строились вокруг большой языковой модели (large language model, LLM): сотрудник отправлял запрос, нейросеть формулировала ответ, а дальнейшие действия выполнял человек. Агентный подход меняет эту логику: система способна самостоятельно декомпозировать задачу на шаги, вызывать внешние инструменты и при необходимости передавать часть работы другим агентам в рамках оркестрируемого рабочего процесса.

На этом фоне ИИ-модель перестаёт быть главным конкурентным преимуществом. Разрыв в производительности между ведущими коммерческими и открытыми моделями сократился до минимума (<3% в 2025 году). В российских условиях для большинства корпоративных задач разница в качестве между отечественными флагманскими платформами и доступными open-source-решениями (с открытым исходным кодом) некритична: при массовых нагрузках ключевым фактором становится стоимость токена и общая экономика использования модели.

Основная инженерная работа смещается на уровень системы: маршрутизацию запросов, контроль качества ответов, управление затратами и оркестрацию. Эти элементы во многом определяет и стоимость эксплуатации, и то, насколько безопасно передать агенту часть процесса.

Одновременно единичные агенты уступают место мультиагентным архитектурам, где оркестратор координирует работу команды специализированных исполнителей, — этот сдвиг Gartner называет одним из главных технологических трендов 2026 года. Для бизнеса это означает, что нужно управлять уже не отдельным агентом, а всей системой: как агенты обмениваются контекстом, кто за что отвечает и какие ограничения для них нужно установить.

От универсального ИИ к виртуальным командам

Сложные бизнес-процессы требуют разделения труда. В мультиагентных архитектурах за каждый этап отвечает специализированный алгоритм: один запрашивает данные, второй проводит аналитику, третий формирует решение, четвёртый обновляет записи в корпоративной ИТ-системе. Координирует их работу управляющий агент — оркестратор. Для человека процесс выглядит как единый сервис, хотя внутри работает полноценная виртуальная команда.

Каждый агент отвечает за свою предметную область, а ценность возникает из сведения их результатов воедино. Взаимодействие компонентов обеспечивают открытые протоколы:

• Model Context Protocol (MCP, «протокол контекста модели») — защищает и упрощает подключение моделей к корпоративным базам данных и сервисам;
• Agent-to-Agent (A2A, «от агента к агенту») — отвечает за общую координацию и передачу контекста между агентами от разных разработчиков.

Стандартизация взаимодействия открывает путь к маркетплейсам ИИ-компонентов и библиотекам готовых агентов. Однако для крупного бизнеса появление стандартов не отменяет необходимости проектировать собственную архитектуру: чем сложнее цепочка интеграций, тем выше требования к управлению данными, ролевой модели и безопасности.

Инфраструктурный контур: где хранить и запускать агентов

При интеграции в бизнес-процессы агент получает доступ не только к вычислительным ресурсам и данным, но и к внутренним системам, где может выполнять конкретные операции. Поэтому контроль требуется на всех уровнях — от инфраструктуры, на которой работает модель, до прав агента и отдельных действий в корпоративных сервисах.

В мире 77% компаний учитывают юрисдикцию ИИ-платформ, а более половины (58%) строят стек исключительно на локальных решениях. В России тренд на суверенный ИИ выражен ещё ярче: на on-premise-развёртывание (на собственных серверах) приходится 62,3% рынка программного обеспечения с искусственным интеллектом. Изоляция инфраструктуры критична для госсектора, финтеха и объектов КИИ (критической информационной инфраструктуры). Это формирует устойчивый спрос на программно-аппаратные комплексы (ПАК) и платформы, работающие полностью автономно — в закрытом контуре без подключения к внешним сетям.

Выбор между собственным и облачным контуром определяется экономикой и требованием к безопасности:

• облачная модель позволяет начать с минимальных вложений и наращивать потребление по мере подтверждения эффекта;
• on-premise (собственный контур) требует закупить и настроить вычислительную инфраструктуру до того, как получен первый результат.

Локальное развёртывание поднимает порог входа: минимальный комплект вычислительных ускорителей для запуска ведущих языковых моделей в России за год подорожал более чем в 2,5 раза (с 13,7 млн до 38,8 млн рублей). Кроме того, поставки оборудования стали логистически сложнее. Это превращает пилот из доступного эксперимента в инвестиционный проект, требующий отдельного обоснования.

Рост инфраструктурных затрат заставляет бизнес оптимизировать вычисления: переходить на малые языковые модели, использовать квантизацию (сжатие), дистилляцию и точечное дообучение (fine-tuning). Приоритет смещается от простого наращивания параметров модели к инженерной оптимизации всей архитектуры.

Трансформация архитектуры и сужение специализации моделей делают возможным их применение в реальных операционных процессах.

Прикладные сценарии: от клиентского сервиса до автономной коммерции

Переход от ИИ-помощников к полноценным агентам наиболее заметен там, где есть высокая повторяемость операций и измеримый результат. Главными драйверами этой трансформации стали клиентский сервис, разработка ПО и трансформация пользовательских интерфейсов.

Клиентский сервис: от консультаций к сквозному исполнению

ИИ-агент больше не ограничивается выдачей справок из базы знаний: он самостоятельно оформляет возвраты, вносит изменения в системы и запускает операции. По прогнозу Gartner, к 2029 году ИИ-агенты смогут обрабатывать до 80% типовых обращений клиентов без участия операторов, что снизит операционные издержки сервисных подразделений в среднем на 30%.

Например, в «СберМобайл» мультиагентная система из трёх агентов на базе модели GigaChat (ГигаЧат) автоматизированно закрывает шесть из десяти обращений при удовлетворённости клиентов сервисом около 80%.

Высокая зрелость технологии в клиентской поддержке обусловлена тремя факторами:

• прозрачные метрики — доля обращений, закрытых без участия человека, даёт понятную экономию средств;
• низкая стоимость ошибки — неудачное действие агента легко исправить, передав заявку оператору;
• проверяемость — статус обращения фиксируется в CRM-системе (от англ. customer relationship management — управление взаимоотношениями с клиентами).

Разработка ПО: от ассистента к агентной инженерии

В ИТ-индустрии происходит аналогичный сдвиг: от точечного использования ИИ для подсказок и вайб-кодинга (от англ. vibe coding — программирование на основе запросов на естественном языке) к агентной инженерии. В российском финтехе инструменты вроде GigaCode уже работают в агентном режиме. SWE-агент (от англ. software engineering agent — ИИ-агент для задач разработки) самостоятельно открывает файлы, изменяет код, выполняет консольные команды, запускает тесты, собирает проект и фиксирует изменения в репозитории. В результате роль разработчика постепенно смещается от ручного написания кода к проектированию архитектуры, постановке задач и приёмке результата.

По прогнозу Gartner, к 2028 году ИИ-инструментами будут пользоваться 90% корпоративных программистов против менее чем 14% в 2024 году. Практика уже широко распространена: 80% разработчиков в мире (данные Stack Overflow) и 76% в России (оценка ICT.Moscow) используют ИИ при создании продуктов.

Агентный рабочий стол и трансформация интерфейсов

Первые сценарии офисной автоматизации решали отдельные задачи: составляли протоколы встреч, отправляли напоминания, отслеживали поручения. Теперь их объединяют в персональный интерфейс, адаптированный под роль сотрудника. Агент сам взаимодействует с корпоративными системами, поэтому человеку не приходится переключаться между окнами и переносить данные вручную. По данным Deloitte, 85% компаний планируют адаптировать такие решения под собственные процессы.

Степень автономности агента зависит от характера задачи:

• полная автономность — для рутинных операций, например сбора аналитики, планирования календаря и подготовки дайджестов;
• ограниченная автономность — для действий, связанных с финансовыми рисками, юридическими обязательствами или конфиденциальными данными, где требуется подтверждение человека.

От внутренних процессов — к автономной коммерции и закупкам

По мере развития технологии ИИ-агенты выходят за пределы внутренних процессов и начинают взаимодействовать с внешними участниками рынка. Так формируется агентная коммерция (от англ. agentic commerce — проведение сделок алгоритмами): система может искать поставщиков, сравнивать условия и формировать заказы по заданным критериям.

По прогнозу Gartner, к 2028 году ИИ-агенты будут задействованы в 90% B2B-закупок (от англ. business-to-business — бизнес для бизнеса), а объём сделок под их контролем превысит 15 трлн долларов. Первые пилотные сценарии уже позволяют алгоритмам совершать регулярные закупки от имени компаний.

Чем больше полномочий получает агент, тем важнее контроль его действий:

• лимиты и финансовые полномочия;
• протоколирование и аудит решений;
• распределение юридической ответственности.

В России тренд на автономные закупки через агентов пока находится на начальной стадии формирования. Масштабированию таких решений могут препятствовать различия в цифровой зрелости B2B-компаний, отсутствие единых стандартов взаимодействия и требования к закупочным процедурам в крупных организациях.

В перспективе корпоративная ИТ-среда может перейти от набора разрозненных программ к связанной системе, где специализированные ИИ-агенты с заданными полномочиями взаимодействуют как с внутренними сервисами компании, так и с агентами других организаций. Однако перспективы коммерческих сценариев пока упираются в барьеры опытной эксплуатации.

Пилотирование агентного ИИ: что мешает перейти к внедрению

Интерес к агентному ИИ растёт, но это не означает его массового использования в рабочих процессах. Компании активно тестируют технологию, однако от пилота до промышленной эксплуатации нужно решить несколько задач: доказать экономический эффект, обеспечить контроль действий агента и встроить его в существующие процессы.

По прогнозу Gartner, более 40% агентных проектов будут закрыты к концу 2027 года из-за роста затрат, неясной бизнес-ценности и недостаточного контроля рисков. Разрыв между интересом к технологии и готовностью компаний к её масштабированию отмечает и Deloitte: 74% организаций планируют внедрить агентный ИИ в течение двух лет, но только 21% считают свою модель управления автономными агентами зрелой.

Российский рынок проходит похожий этап. Согласно исследованию Smart Ranking и «Инфосистем Джет» (август 2026 года), 86% крупных российских компаний уже используют или тестируют большие языковые модели, но к агентным архитектурам подходят с осторожностью:

• полуавтономных агентов внедряют или тестируют 59% организаций, но в промышленной эксплуатации они работают только у 15%;
• полностью автономные и мультиагентные решения пилотируют около четверти участников рынка, а регулярно используют только 8%.

Источник: Smart Ranking

Экономический барьер и выбор сценария

Один из главных вопросов при переходе от пилота к продуктивной среде — экономика проекта. В отдельных банковских сценариях, по оценке McKinsey, стоимость работы одного агентного процесса может составлять 20–30 тысяч долларов, а мультиагентной системы — 100–200 тысяч долларов. Высокие начальные инвестиции окупаются за счёт объёма операций. При удвоении нагрузки стоимость содержания агентной системы возрастает примерно на 40%, а не в два раза, что создаёт выраженный эффект масштаба.

Отсюда формулируется базовый критерий. Наиболее перспективны процессы с большим объёмом повторяющихся операций: затраты на разработку и интеграцию распределяются на большое число запусков, а эффект от автоматизации накопляется. McKinsey также отмечает, что для оценки окупаемости важно считать полную стоимость выполнения бизнес-задачи, включая работу людей, которые проверяют результаты агента.

Но даже экономически оправданный и технически успешный проект не гарантирует результата. Чтобы масштабировать агента, компании приходится менять сам процесс: определять, какие действия выполняет система, где требуется участие человека и как контролируются действия агента.

Ответом на эти системные ограничения становится адаптация внутренней структуры и культуры организации.

Организационная трансформация: перестройка процессов и ролей

Масштабирование искусственного интеллекта требует изменений не только в технологическом стеке, но и в организации работы. По данным Deloitte, 34% компаний уже переосмысливают продукты, услуги или бизнес-модели с учётом ИИ, ещё 30% перепроектируют ключевые процессы. Для агентного ИИ особенно важен масштаб этих изменений: компании пересматривают распределение задач между сотрудниками и ИИ-агентами, а вместе с ним — зоны ответственности, точки контроля и роли сотрудников.

Можно выделить три уровня интеграции агентного ИИ:

• точечная интеграция — агент выполняет отдельную операцию внутри существующего процесса;
• частичная перестройка — меняются отдельные этапы процесса, распределение задач и роли сотрудников;
• agent-first («ориентированный на агентов») — процесс изначально проектируется с учётом возможностей автономных систем, а ИИ становится частью его основного рабочего контура.

Исследование «ТеДо» показывает, что более глубокая перестройка процессов позволяет получать больший эффект от агентного ИИ. Поэтому по мере масштабирования компании переходят от отдельных сценариев автоматизации к комплексному перепроектированию рабочих процессов.

От выполнения задач — к оркестрации ИИ

По мере передачи стандартных задач агентам меняется содержание работы сотрудников. Они больше времени уделяют постановке целей, контролю результатов, работе с исключениями и координации ИИ-инструментов.

Растёт спрос на сотрудников, которые сочетают отраслевую экспертизу с навыками работы с ИИ. По данным консалтинговой группы BCG, 43% компаний планируют увеличивать долю широкопрофильных специалистов, работающих на стыке нескольких функций. McKinsey называет формирующийся тип такого эксперта «AI-first технологом» — он занимается проектированием рабочих процессов и координацией агентов.

Меняется и масштаб управления. McKinsey приводит сценарии, в которых команда из 2–5 человек контролирует работу 50–100 специализированных агентов. Руководителям предстоит учитывать цифровых исполнителей при распределении задач и управлении результатом.

От функциональных иерархий — к кросс-функциональным командам

Изменение ролей может привести к перестройке команд. Вместо последовательной передачи задач между функциями компании смогут объединять специалистов разных профилей вокруг продукта или проекта. Согласно отчёту Deloitte, 53% компаний уже рассматривают переход к небольшим кросс-функциональным командам. В такой модели сотрудники отвечают за цели и результат, а ИИ становится частью их рабочего контура.

Трансформируется и роль среднего менеджмента. По данным BCG, 45% компаний с масштабным внедрением агентного ИИ ожидают сокращения числа уровней управления в течение трёх лет. Фокус менеджеров смещается от операционного контроля к постановке целей, работе с отклонениями и оценке результатов.

Источник: Deloitte

Свести воедино технологические, экономические и кадровые изменения помогает последовательный план действий.

Практические шаги для бизнеса: как перевести агентный ИИ в промышленную эксплуатацию

1. Провести аудит процессов и данных до выбора поставщика. По оценкам интеграторов, формализованное описание покрывает лишь 10–20% фактических процессов, а корпоративные базы знаний содержат устаревшие и противоречивые данные. Наведение порядка в данных — один из ключевых этапов проекта, который стоит учитывать при планировании бюджета и сроков до закупки ПО.
2. Выбрать точку входа по четырём критериям. Быстрее в промышленную эксплуатацию переходят сценарии, в которых результат обратим и носит характер черновика, цена отдельной ошибки невысока, данные агрегированы, машиночитаемы и проверены, а у процесса есть единственный владелец.
3. Рассчитать полную стоимость владения до запуска. В бюджет важно сразу заложить расходы на эксплуатацию: дообучение моделей, обновление баз знаний и работу специалистов по проверке результата. Иначе локальная экономия может обернуться неучтёнными расходами ИТ-подразделения.
4. Согласовать требования информационной безопасности и инфраструктуры. До запуска пилота нужно определить, какие данные допустимо выводить за периметр, какой вариант — облачный или локальный — соответствует требованиям ИБ и хватит ли вычислительных мощностей при тиражировании.
5. Построить управленческий контур с самого начала. Уже на этапе первых решений стоит создать каталог ИИ-сервисов, реестр владельцев, ролевые модели доступа и журнал действий агентов. На небольшом количестве систем это сделать проще, чем впоследствии наводить порядок в десятках разрозненных сервисов. Автономность следует наращивать постепенно, сохраняя принцип Human-in-the-loop («человек в цикле») до достижения точности 85–90%.
6. Предусмотреть безопасную альтернативу личным аккаунтам. Запреты на использование публичных нейросетей для рабочих задач могут уводить практику в неформальный контур (теневой ИИ). Вместо этого компаниям стоит предоставить сотрудникам удобный инструмент в защищённой среде: изолированного помощника, доступ к одобренным моделям и каталог готовых сценариев.
7. Синхронизировать роли, обучение и показатели эффективности. Управление ИИ-агентами нужно учитывать в должностных обязанностях, системе оценки и мотивации ещё на этапе внедрения. Сотрудники должны понимать, какие задачи переходят к ИИ, какие остаются за ними и по каким критериям будет оцениваться их работа.

Обучение стоит включить в проект внедрения: сотрудников нужно научить ставить задачи агентам, проверять результаты и работать в новых процессах. Важно также заранее объяснить команде изменения ролей и требований.

• Чтобы быть в курсе важных трендов и мнений ведущих экспертов, следите за нами в канале в Max. О развитии навыков управления, личностном росте пишем в «Дзене». Про технологии и развитие в IT — в блоге на VC.