GlowByte: ради ИИ-агента придется сначала перестроить ИТ-среду
Рынок ИИ-агентов постепенно переходит от экспериментов к промышленным внедрениям. Компании уже научились находить задачи, которые можно передать ИИ, но сталкиваются с новыми вопросами: как встроить агентов в бизнес-процессы, обеспечить безопасность, подготовить корпоративные данные и добиться измеримого эффекта.
О том, как меняется российский рынок ИИ-агентов, почему отдельные пилоты уступают место платформам и фабрикам агентов и каким может стать следующий этап развития корпоративного ИИ, — в экспертном материале Александра Ефимова, директора практики искусственного интеллекта и машинного обучения GlowByte.
О том, как меняется российский рынок ИИ-агентов, почему отдельные пилоты уступают место платформам и фабрикам агентов и каким может стать следующий этап развития корпоративного ИИ, — в экспертном материале Александра Ефимова, директора практики искусственного интеллекта и машинного обучения GlowByte.
Рынок растет, но сначала нужно договориться, что считать агентом
Еще недавно разговор об ИИ в компаниях сводился к выбору модели: какая лучше отвечает на вопросы, работает с документами или пишет тексты. По нашим проектам в GlowByte фокус сместился. Для бизнеса важнее становится то, что происходит вокруг модели: как встроить ИИ в процессы, дать ему доступ к нужным данным, обеспечить безопасность и измерить результат.
Поэтому я бы не стал оценивать рынок ИИ-агентов только по количеству пилотов. Важнее, насколько быстро компании переходят от демонстрации возможностей к промышленной эксплуатации и перестройке процессов.
Оценки российского рынка ИИ-агентов сегодня расходятся кратно. Причина прежде всего методологическая: под агентами часто понимают практически любое решение с большими языковыми моделями (LLM) внутри. Если включать сюда чат-ботов, ассистентов и обычные системы дополненной генерации на основе извлечения данных (RAG), рынок получается значительно больше.
Я бы относил к ИИ-агентам решения, которые способны самостоятельно выполнять многошаговые задачи: планировать последовательность действий, обращаться к нескольким источникам или системам, принимать решения в рамках заданных правил и доводить процесс до результата при минимальном участии человека.
По методологии AIANA, в 2025 году российский рынок ИИ вырос на 29,7%, до 316 млрд рублей. Отдельные оценки корпоративного сегмента ИИ-агентов находятся в диапазоне от 15−25 млрд до примерно 30 млрд рублей. Эти цифры нельзя напрямую сравнивать: они относятся к разным классам решений и используют разные методики.
При этом в 2026 году рост происходит уже не столько за счет появления новых моделей, сколько за счет перевода готовых пилотов в промышленную эксплуатацию. Компании хотят доказать, что агент способен работать стабильно, безопасно и с понятным экономическим эффектом.
Я бы относил к ИИ-агентам решения, которые способны самостоятельно выполнять многошаговые задачи: планировать последовательность действий, обращаться к нескольким источникам или системам, принимать решения в рамках заданных правил и доводить процесс до результата при минимальном участии человека.
По методологии AIANA, в 2025 году российский рынок ИИ вырос на 29,7%, до 316 млрд рублей. Отдельные оценки корпоративного сегмента ИИ-агентов находятся в диапазоне от 15−25 млрд до примерно 30 млрд рублей. Эти цифры нельзя напрямую сравнивать: они относятся к разным классам решений и используют разные методики.
При этом в 2026 году рост происходит уже не столько за счет появления новых моделей, сколько за счет перевода готовых пилотов в промышленную эксплуатацию. Компании хотят доказать, что агент способен работать стабильно, безопасно и с понятным экономическим эффектом.
Агент сегодня автоматизирует не профессию, а этап процесса
Наибольший спрос сейчас я вижу в финансовом секторе, ритейле, секторе товаров народного потребления и агропромышленных холдингах. Здесь много повторяющихся, регламентированных операций с понятными критериями результата: работа с документами, валютный контроль, маркетинг, мониторинг новостей, поиск информации во внутренних базах.
Пример — проект по валютному контролю для Альфа-Банка, где агент проверяет типовые операции по заданным правилам. В проекте для ГК «Таврос» мы в GlowByte построили агентную экосистему. Она закрывает сразу несколько функций: от поиска по документам и анализа тональности переписки до мониторинга новостей и подготовки управленческой информации.
Компании пока редко пытаются поставить агента на место человека целиком. Гораздо чаще он получает конкретный этап процесса, который можно измерить по объему работы, времени и качеству результата.
Если цена ошибки высока, а процесс сложный и плохо формализован, полная автономия создает больше рисков. Если же агент берет на себя понятную операцию, эффект можно достаточно быстро проверить и посчитать.
Пример — проект по валютному контролю для Альфа-Банка, где агент проверяет типовые операции по заданным правилам. В проекте для ГК «Таврос» мы в GlowByte построили агентную экосистему. Она закрывает сразу несколько функций: от поиска по документам и анализа тональности переписки до мониторинга новостей и подготовки управленческой информации.
Компании пока редко пытаются поставить агента на место человека целиком. Гораздо чаще он получает конкретный этап процесса, который можно измерить по объему работы, времени и качеству результата.
Если цена ошибки высока, а процесс сложный и плохо формализован, полная автономия создает больше рисков. Если же агент берет на себя понятную операцию, эффект можно достаточно быстро проверить и посчитать.
После первого агента возникает потребность в платформе
Компания начинает с одного агента под конкретную задачу. Затем появляется второй, третий — и становится понятно, что набор разрозненных решений плохо масштабируется. Возникает спрос на платформу. В корпоративной среде я бы выделил три ее обязательных слоя.
Первый — единый портал с диалоговым доступом сотрудников к большим языковым моделям и агентам. Это понятная точка входа и быстрый способ показать пользу ИИ.
Второй — платформа разработки агентов и ассистентов с готовыми шаблонами и инструментами с минимальным написанием кода (low-code), а также с режимами «копайлот» (умный помощник) для разработки агентов в диалоговом чат-режиме. Она позволяет бизнес-подразделениям собирать решения самостоятельно или вместе с интегратором.
Третий — инфраструктурная «обвязка», или harness. Она делает первые два слоя пригодными для промышленной эксплуатации. Сюда относятся локальное развертывание моделей, работа с конфиденциальными данными, инструменты, MCP, разграничение доступа, логирование, мониторинг качества и защитные ограничения (guardrails) — механизмы проверки запросов и ответов на соответствие политикам безопасности.
Без этого портал и конструктор могут хорошо работать в демонстрационном режиме, но крупному бизнесу сложно использовать их в критичных процессах. Поэтому я ожидаю перехода от рынка отдельных агентов к рынку платформ и «фабрик агентов» — сред, в которых компания может быстро создавать, тестировать, запускать и контролировать новые решения.
Второй — платформа разработки агентов и ассистентов с готовыми шаблонами и инструментами с минимальным написанием кода (low-code), а также с режимами «копайлот» (умный помощник) для разработки агентов в диалоговом чат-режиме. Она позволяет бизнес-подразделениям собирать решения самостоятельно или вместе с интегратором.
Третий — инфраструктурная «обвязка», или harness. Она делает первые два слоя пригодными для промышленной эксплуатации. Сюда относятся локальное развертывание моделей, работа с конфиденциальными данными, инструменты, MCP, разграничение доступа, логирование, мониторинг качества и защитные ограничения (guardrails) — механизмы проверки запросов и ответов на соответствие политикам безопасности.
Без этого портал и конструктор могут хорошо работать в демонстрационном режиме, но крупному бизнесу сложно использовать их в критичных процессах. Поэтому я ожидаю перехода от рынка отдельных агентов к рынку платформ и «фабрик агентов» — сред, в которых компания может быстро создавать, тестировать, запускать и контролировать новые решения.
Почему большинство пилотов пока не становится промышленными системами
Техническая возможность создать пилот уже есть у многих компаний. Гораздо сложнее превратить его в устойчивый бизнес-процесс.
По данным McKinsey, 88% компаний в мире регулярно используют ИИ хотя бы в одной функции, но масштабирование эффекта остается незавершенной задачей. С автономными агентами экспериментируют 62% компаний.
В России картина похожая. Согласно исследованию, опубликованному CNews, из 52 крупных компаний 86% пилотируют или используют большие языковые модели, но до промышленной эксплуатации автономных агентов дошли только 8%. У 46% компаний нет устойчивого финансового эффекта, а у 40% после пилота отсутствует владелец продукта.
Проблема часто находится не в модели. Пилот запускают энтузиасты, но для промышленного внедрения нужны владелец продукта, бюджет, интеграция с существующими системами, ответственность за качество и безопасность. Если этого нет, проект легко останавливается при смене приоритетов или спонсора.
Поэтому следующий этап развития рынка ИИ — переход от технологии как эксперимента к технологии как части операционной модели.
По данным McKinsey, 88% компаний в мире регулярно используют ИИ хотя бы в одной функции, но масштабирование эффекта остается незавершенной задачей. С автономными агентами экспериментируют 62% компаний.
В России картина похожая. Согласно исследованию, опубликованному CNews, из 52 крупных компаний 86% пилотируют или используют большие языковые модели, но до промышленной эксплуатации автономных агентов дошли только 8%. У 46% компаний нет устойчивого финансового эффекта, а у 40% после пилота отсутствует владелец продукта.
Проблема часто находится не в модели. Пилот запускают энтузиасты, но для промышленного внедрения нужны владелец продукта, бюджет, интеграция с существующими системами, ответственность за качество и безопасность. Если этого нет, проект легко останавливается при смене приоритетов или спонсора.
Поэтому следующий этап развития рынка ИИ — переход от технологии как эксперимента к технологии как части операционной модели.
Главный барьер — состояние данных и процессов
В проектах с агентами часто пытаются решить вопросы безопасности внутри агента: прописывают ограничения в запросе к модели (промпте) или логике. Это недостаточно надежный подход. Агента можно запутать или заставить выйти за пределы ожидаемого сценария.
Реальное ограничение должно находиться на уровне данных и корпоративных политик. Нужны ролевая модель, разметка чувствительности документов, разграничение доступа по доменам и семантический слой. Вопрос должен звучать не «что мы запретим агенту», а «какие данные и действия доступны ему в принципе».
Реальное ограничение должно находиться на уровне данных и корпоративных политик. Нужны ролевая модель, разметка чувствительности документов, разграничение доступа по доменам и семантический слой. Вопрос должен звучать не «что мы запретим агенту», а «какие данные и действия доступны ему в принципе».
Более фундаментальная проблема в том, что компания не всегда понимает, как устроен процесс, который собирается автоматизировать. Если неизвестны последовательность действий сотрудника, исключения и точки принятия решений, не всегда очевидно, что именно должен делать агент.
Здесь помогают интеллектуальный анализ процессов (Process Mining) и анализ рабочих операций сотрудников (Task Mining): сначала разобраться в реальном процессе, а уже потом определить, какие его участки имеет смысл автоматизировать с помощью агентов.
Промышленный ИИ начинается с приживаемости
Когда говорят об эффективности ИИ, обычно сразу обсуждают окупаемость инвестиций (ROI). Но я бы начинал с более простой метрики — приживаемости. Если компания открыла сотрудникам доступ к корпоративному порталу с моделями и агентами, важно понять, сколько людей начали им пользоваться в первый день, сколько продолжают через неделю и сколько остаются активными через месяц. Если технологией никто не пользуется, обсуждать экономический эффект преждевременно.
После этого можно переходить к измеримым результатам: сокращению времени на операцию, уменьшению трудозатрат, росту пропускной способности или снижению количества ошибок.
Некоторые эффекты уже хорошо видны. В одном из проектов подготовка новостного дайджеста для руководства сократилась с часов до минут. В другом проекте в корпоративном обучении автоматизация проверки домашних заданий позволила практически свести соответствующие трудозатраты к нулю. Сегодня рынок корпоративных проектов ИИ проходит стадию автоматизации внутренних процессов с фокусом на замену рутинных операций сотрудников, а поэтому и окупаемость таких проектов сводится к количеству высвободившегося времени сотрудников, помноженному на снижение риска срабатывания человеческого фактора.
После этого можно переходить к измеримым результатам: сокращению времени на операцию, уменьшению трудозатрат, росту пропускной способности или снижению количества ошибок.
Некоторые эффекты уже хорошо видны. В одном из проектов подготовка новостного дайджеста для руководства сократилась с часов до минут. В другом проекте в корпоративном обучении автоматизация проверки домашних заданий позволила практически свести соответствующие трудозатраты к нулю. Сегодня рынок корпоративных проектов ИИ проходит стадию автоматизации внутренних процессов с фокусом на замену рутинных операций сотрудников, а поэтому и окупаемость таких проектов сводится к количеству высвободившегося времени сотрудников, помноженному на снижение риска срабатывания человеческого фактора.
По данным Google Cloud, 74% руководителей фиксируют окупаемость инвестиций от ИИ-инициатив в течение первых 12 месяцев. Но эту цифру нельзя автоматически переносить на любые агентные проекты: экономика зависит от процесса, качества данных и глубины интеграции ИИ.
Меняется и подход к оплате проектов: растет доля проектов с фиксированной стоимостью (Fixed Price) вместо классической модели оплаты по затраченному времени (Time & Materials). Заказчику все важнее покупать понятный результат, а не часы разработки. Иными словами, эпоха R&D в проектах ИИ подходит к концу.
Российские продукты уже готовы к части задач, но не ко всем
Зрелость рынка ИИ-продуктов сильно различается в зависимости от класса задач. Голосовые и текстовые боты, оптическое распознавание символов (OCR), интеллектуальная обработка документов, поиск на основе дополненной генерации по внутренним базам уже достигли рабочего уровня. Это подтверждается множеством промышленных внедрений, в том числе нашими внутренними решениями в GlowByte.
С многошаговыми автономными агентами ситуация другая. Системы, которые самостоятельно планируют цепочку действий, обращаются к нескольким корпоративным системам и работают без постоянного контроля человека, пока встречаются значительно реже. В большинстве случаев мы видим полуавтономный режим: агент выполняет значительную часть работы, но человек остается в контуре принятия решений.
Для бизнеса автономность сама по себе не является целью. Цель — надежно и безопасно получить нужный результат.
С многошаговыми автономными агентами ситуация другая. Системы, которые самостоятельно планируют цепочку действий, обращаются к нескольким корпоративным системам и работают без постоянного контроля человека, пока встречаются значительно реже. В большинстве случаев мы видим полуавтономный режим: агент выполняет значительную часть работы, но человек остается в контуре принятия решений.
Для бизнеса автономность сама по себе не является целью. Цель — надежно и безопасно получить нужный результат.
Конкуренция смещается от моделей к экосистемам
На рынке формируется несколько групп игроков. Крупные технологические экосистемы одновременно развивают собственные большие языковые модели, платформы и инструменты для создания агентных решений. Специализированные платформенные игроки сосредоточены на разработке и запуске агентов. Есть вендоронезависимые решения. Наконец, существует большой сегмент нишевых конструкторов без написания кода (no-code) и агентных модулей для отдельных задач — продаж, HR, поддержки.
Отдельный слой составляют интеграторы, которые объединяют модели, корпоративные данные, существующие системы и инфраструктуру заказчика. Именно на этом стыке мы работаем. Крупный бизнес с высокими требованиями к безопасности, как правило, тяготеет к локально развернутым или вендоронезависимым архитектурам.
Рынок движется и к технологическим партнерствам: гибридную ИИ-платформу для ГК «Таврос» мы реализовали вместе с партнерами по проекту — Selectel, предоставившим инфраструктуру для проекта, и Data Sapience, предоставившим технологическую платформу под агентов. Для меня это еще один признак перехода от отдельных экспериментов к экосистемам.
Отдельный слой составляют интеграторы, которые объединяют модели, корпоративные данные, существующие системы и инфраструктуру заказчика. Именно на этом стыке мы работаем. Крупный бизнес с высокими требованиями к безопасности, как правило, тяготеет к локально развернутым или вендоронезависимым архитектурам.
Рынок движется и к технологическим партнерствам: гибридную ИИ-платформу для ГК «Таврос» мы реализовали вместе с партнерами по проекту — Selectel, предоставившим инфраструктуру для проекта, и Data Sapience, предоставившим технологическую платформу под агентов. Для меня это еще один признак перехода от отдельных экспериментов к экосистемам.
Следующий шаг — процессы, изначально построенные вокруг ИИ (AI-native)
Я вижу несколько трендов, которые будут определять следующий этап: переход от отдельных агентов к экосистемам и фабрикам агентов; превращение сопровождения больших языковых моделей и моделей машинного обучения в стандартный инфраструктурный слой; переход от подхода «ИИ прежде всего» (AI-first) к подходу AI-native, когда сам процесс проектируется с учетом возможностей ИИ; рост требований к внутреннему аудиту агентов.
Но есть еще один тренд, который пока недооценен. Внедрение агентов заставляет перестраивать окружающие ИТ-системы. Источники данных должны отдавать агенту структурированный и актуальный контекст, а не просто существовать в удобном для человека интерфейсе.
Системы управления взаимоотношениями с клиентами (CRM), документооборот и программные интерфейсы (API) должны выдерживать другую нагрузку: агент способен за минуту выполнить то, на что сотрудник тратил день, причем его запросы будут идти не равномерно в течение рабочего времени, а сериями.
Получается, что для эффективного внедрения агента иногда приходится сначала изменить саму ИТ-среду.
Получается, что для эффективного внедрения агента иногда приходится сначала изменить саму ИТ-среду.
Агенты меняют и саму разработку корпоративных систем
Агенты не только автоматизируют существующие операции, но и позволяют гораздо быстрее создавать новые корпоративные приложения.
В GlowByte, например, за несколько недель мы разработали систему актуализации резюме сотрудников, интегрированную с системой учета рабочего времени. Она позволяет оперативно видеть проекты, в которых участвовал сотрудник, но которые еще не отражены в его резюме. Раньше создание подобной системы могло восприниматься как отдельный ИТ-проект с полноценным циклом разработки. Сегодня часть этого пути существенно сокращается.
Это не означает, что крупные корпоративные системы завтра исчезнут.
В GlowByte, например, за несколько недель мы разработали систему актуализации резюме сотрудников, интегрированную с системой учета рабочего времени. Она позволяет оперативно видеть проекты, в которых участвовал сотрудник, но которые еще не отражены в его резюме. Раньше создание подобной системы могло восприниматься как отдельный ИТ-проект с полноценным циклом разработки. Сегодня часть этого пути существенно сокращается.
Это не означает, что крупные корпоративные системы завтра исчезнут.
Но появляется другой способ их создания и развития: некоторые специализированные приложения становится проще быстро собрать под конкретный процесс, чем покупать или долго дорабатывать универсальную систему. В перспективе это может изменить сам ландшафт корпоративного ПО.
Что проверить до старта проекта
Из практики GlowByte у меня получается короткий список вопросов, на которые стоит ответить до запуска агента:
- Есть ли у агента владелец продукта и бюджет на период после пилота?
- Описан ли процесс: последовательность действий, исключения, точки принятия решений?
- Какие данные и действия доступны агенту на уровне ролей и политик доступа, а не запроса к модели?
- Выдержат ли системы, к которым обращается агент, новую агентную нагрузку?
- По каким метрикам мы поймем, что агент прижился: активные пользователи в первый день, через неделю и через месяц, время на операцию, количество ошибок?
Что будет с рынком в 2027—2028 годах
Я ожидаю, что в 2027—2028 годах ИИ-агенты будут постепенно становиться частью операционной модели компаний, а не отдельными технологическими проектами. Главным источником роста станут масштабирование доказавших эффективность сценариев, появление фабрик агентов и развитие стандартной инфраструктуры управления ими.
Главным риском для рынка останется разрыв между бизнес-целями и технологией. По прогнозу Gartner, к концу 2027 года более 40% проектов с агентным ИИ будут закрыты из-за роста затрат, неясной ценности для бизнеса или недостаточного контроля рисков. Нельзя внедрять агента только потому, что технология стала доступной и модной. Нужны профессиональный заказчик, понятный процесс, измеримый результат и готовность перестроить окружающую инфраструктуру.
Следующий этап развития ИИ определят компании, которые научатся превращать ИИ из отдельного инструмента в управляемый производственный контур.
Следующий этап развития ИИ определят компании, которые научатся превращать ИИ из отдельного инструмента в управляемый производственный контур.