Статья
Разговоры об ИИ-агентах не утихают. Автономные цифровые работники, способные вести переписку, писать код, обрабатывать заявки и принимать решения без участия человека, — не фантастика и не отдаленное будущее. Технологии уже доступны, пилотные проекты запущены в сотнях компаний по всему миру. Но между «работает в тестовой среде» и «работает на полную мощность» пролегает пропасть, которую большинство организаций пока не готовы преодолеть.
Причина, как правило, не в качестве самого ИИ. Причина — в инфраструктуре, на которой он работает.
Корпоративная ИТ-инфраструктура большинства компаний создавалась в эпоху, когда технологии были инструментом в руках человека. Облачные среды проектировались под приложения и базы данных. Рабочие процессы выстраивались с расчетом на то, что ключевые решения принимает сотрудник. Системы безопасности контролировали доступ людей — с их учетными записями, паролями и двухфакторной аутентификацией. Регуляторные механизмы предполагали наличие живого человека, который отвечает за каждое действие.
Сейчас в эту инфраструктуру пытаются встроить нечто принципиально иное. Машину, которая работает непрерывно, самостоятельно планирует задачи, обращается к сторонним системам и принимает решения, не запрашивая разрешения.
Исследование Deloitte Tech Trends 2026 фиксирует закономерность: компании с наиболее выстроенным подходом к ИИ уже перестраивают инфраструктуру под возможности агентов — а не наоборот. Остальные продолжают пытаться вписать агентов в существующие рамки. И именно это превращает перспективный проект в бесконечный эксперимент.
Представим конкретный сценарий. ИИ-агент разбирает входящие запросы клиентов: сортирует, классифицирует, перенаправляет, отвечает на типовые сообщения. Звучит многообещающе. Но на практике этот агент мгновенно сталкивается с четырьмя барьерами.
Облачная среда компании не рассчитана на постоянную работу с большими языковыми моделями. Каждый ответ агента — это запрос к LLM, токены, GPU-циклы. В пилоте с ограниченным объемом это незаметно. При масштабировании на весь отдел расходы резко возрастают, а производительность начинает проседать. Обычные серверы здесь не помогут — нужно специализированное оборудование, заточенное под ИИ-нагрузки.
Они строились под человека: с паузами, с возможностью уточнить контекст, с пониманием того, что коллега сам разберется в нестандартной ситуации. Агент такой гибкостью не обладает. Там, где человек применяет суждение и видит общую картину, машина буксует. Не потому что плохо написана — просто процесс не предусматривал ее участия.
Чтобы ответить на обращение клиента, агент должен получить доступ к его данным, истории, статусу договора. Системы кибербезопасности привыкли работать с людьми: верифицировать, разграничивать, блокировать. Как идентифицировать агента? Как убедиться, что запрос пришел от авторизованной машины, а не от внешней угрозы? У большинства компаний нет четкого ответа — и либо открывают слишком широкий доступ, либо блокируют агента настолько, что он не может работать.
В финансовых услугах, здравоохранении, ритейле существуют жесткие регуляторные требования: верификация клиента, противодействие отмыванию денег, защита персональных данных. Механизмы контроля строились под людей, принимающих решения. Когда решение принимает алгоритм — кто несет ответственность? Это серьезный операционный риск, которым регулятор уже занимается вплотную.
Самое опасное заблуждение, с которым сталкиваются компании: «наш ИИ-проект не работает». Чаще всего ИИ работает — просто среда, в которой он функционирует, ограничивает его возможности настолько, что продемонстрировать реальный ROI невозможно. Это прямая дорога к закрытию проекта и выводу, что «ИИ не для нашего бизнеса». Чаще всего этот вывод ложный — ИИ справлялся, подвела инфраструктура. Представьте гонщика «Формулы-1» на грунтовой дороге: те же машина и пилот, но трасса принципиально другая.
Добавить ИИ «поверх» существующей системы — как плагин или новый модуль — не выйдет. Агентный ИИ меняет саму логику работы предприятия, и инфраструктура должна под это подстраиваться.
Компании, рассчитывающие на масштабирование ИИ-нагрузок, инвестируют в специализированное железо: GPU-кластеры под инференс и архитектуры, рассчитанные на непрерывный поток запросов от агентов. Это долгосрочная ставка — бюджетировать ее нужно соответственно.
Не «заменить человека агентом», а перепроектировать процесс под совместную работу человека и машины. Правило простое: сначала найдите задачи, в которых ИИ делает людей эффективнее, точнее, производительнее. Автоматизация ради автоматизации — тупиковая стратегия, а вот усиление людей с помощью ИИ — вполне рабочая.
Самый недооцененный элемент. Нужны фреймворки, способные верифицировать агентов так же надежно, как людей: разграничивать права доступа, мониторить активность машин, отслеживать нештатные действия агентов. И что не менее важно — регуляторные механизмы, учитывающие, что часть решений теперь принимается алгоритмически.
Это не первый раз, когда бизнес оказывается перед необходимостью перестроить технологический фундамент. Появление персональных компьютеров, интернет, облачные вычисления — каждая из этих волн требовала не адаптации старой инфраструктуры, а практически полной ее замены. Компании, которые вовремя перестроились, сформировали конкурентное преимущество на годы вперед. Те, кто пытался обойтись косметическим ремонтом, как правило, проигрывали в конкурентной гонке. Некоторые не пережили ее вовсе.
Агентный ИИ по глубине влияния на бизнес сопоставим с любой из этих волн — а возможно, и превосходит их. Он предъявляет те же требования: не «встроить» агентов в старую архитектуру, а перестроить ее под них.
Наибольшую отдачу от ИИ за ближайшие два-три года получат те, кто задал неудобный вопрос раньше других: готова ли наша инфраструктура к тому, что агент работает наравне с людьми? Если ответ пока «нет» — самое время начинать перестройку.