Исследование
Аналитики консалтинговой компании «Яков и Партнеры» изучили 30 ИИ-продуктов и 65 задокументированных в открытом доступе примеров их внедрения в России и мире. Результаты исследования «ИИ-агенты: где хайп, где реальность» оказались показательными: лишь 7 из 18 проанализированных международных решений (39%) соответствуют минимум пяти из шести признаков полноценного ИИ-агента. Среди 12 доступных публично российских продуктов готовых агентов не нашлось вовсе: четыре наиболее развитых решения представляют собой платформы для самостоятельной сборки агентов, а остальные восемь относятся к категории специализированных ассистентов и чат-ботов.
«В реальных корпоративных внедрениях доля зрелых систем еще ниже. Из 43 международных кейсов только 10 (23%) достигли уровня L4–L5, то есть способны сквозным образом выполнять процесс с минимальным участием человека. Большинство решений находятся на уровне L3: они выполняют последовательность операций и обладают отдельными автономными функциями, но по-прежнему требуют существенного контроля со стороны сотрудника», — сказал Максим Болотских, партнер и глава практики ИИ и высоких технологий «Яков и Партнеры».
В российском сегменте эксперты рассмотрели 22 публично известных кейса внедрения. До уровня L4 дотянули лишь четыре из них, причем все они были созданы внутри крупных компаний для собственных нужд. По мнению аналитиков, такая структура рынка вовсе не свидетельствует об отставании отечественных разработчиков: российские заказчики значительно чаще, чем зарубежные, настаивают на локальном развертывании систем, работе с закрытыми данными, интеграции с уже существующей (унаследованной) ИТ-инфраструктурой и строгом соответствии регуляторным требованиям — именно поэтому платформенный подход к созданию агентов развивается здесь быстрее, чем готовые коробочные SaaS-решения.
В своем отчете исследователи предлагают шесть операционных признаков, по которым можно определить настоящую агентность решения: наличие агентного цикла, способность к планированию, умение работать с внешними инструментами, механизм самокоррекции, наличие памяти и способность автономно доводить задачу до завершения. Полноценным агентом эксперты предлагают считать только те решения, которые соответствуют как минимум пяти из этих шести критериев. Дополнительно в исследовании используется пятиуровневая шкала зрелости — от L1 до L5, охватывающая диапазон от простой большой языковой модели и ИИ-ассистента до полностью автономного агента и мультиагентной системы.
«Сегодня слово «агент» часто описывает не архитектуру продукта, а его маркетинговое позиционирование. Руководителю важно проверить, умеет ли система сама разбить цель на шаги, действовать во внешних системах, оценивать результат, исправлять ошибки и доводить задачу до конца. Если этих возможностей нет, компания покупает ассистента, но рассчитывает на сквозную автоматизацию — и завышает ожидания от бюджета и эффекта», — сказал Максим Болотских.
По итогам оценки статус полноценного агента получили Claude Code, Devin, Codex от OpenAI, Operator от OpenAI, Cursor, Harvey и Manus. Еще три продукта были отнесены к категории агентов с ограничениями, пять признаны обычными ИИ-ассистентами, два оказались агентными фреймворками, а один — инструментом для автоматизации рабочих процессов. Авторы исследования подчеркивают: сам факт того, что продукт называют агентом, ничего не говорит о реальной зрелости технологии — куда важнее уровень автономности конкретного бизнес-процесса и наличие измеримого результата от его внедрения.
Широкое распространение генеративного искусственного интеллекта пока не трансформируется в сопоставимый по масштабу финансовый результат. Более 70% российских компаний уже используют генеративный ИИ хотя бы в одной из бизнес-функций, а все 150 крупнейших организаций, вошедших в выборку исследования, провели как минимум один пилотный проект с применением ключевых ИИ-технологий. При этом эффект свыше 5% от EBITDA зафиксировали лишь 9% компаний. Впрочем, положительная динамика все же прослеживается: доля организаций, не получивших подтвержденного эффекта, за два года сократилась с 32% до 22%.
Такой разрыв между масштабом внедрения и реальной отдачей эксперты объясняют явлением, которое они называют «каскадом затухания»: технология действительно способна заметно ускорить выполнение отдельной задачи, однако при переходе к полноценному проекту в масштабах всей компании локальное улучшение упирается в бюрократические согласования, необходимость тестирования, интеграцию с другими системами, унаследованную инфраструктуру и неизменные показатели эффективности остальных звеньев процесса.
«Проблема чаще находится не в модели, а вокруг нее. Если ускорить один этап и оставить прежними остальные звенья процесса, узкое место просто переместится. Поэтому внедрение должно начинаться не с покупки лицензии, а с выбора одного повторяемого сценария, назначения владельца со стороны бизнеса, фиксации исходной метрики и изменения КПЭ сотрудников вместе с процессом», — сказала Марина Дорохова, директор практики ИИ и высоких технологий «Яков и Партнеры».
Четыре наиболее зрелых из публично доступных российских продуктов — Yandex AI Studio, GigaChat Enterprise от «Сбера», Agent Platform от Just AI и MWS AI Agents Platform от МТС — по своей сути являются именно платформами для сборки агентов, а не готовыми агентами как таковыми. Они соответствуют большинству архитектурных критериев зрелости, однако конечное решение под конкретный бизнес-процесс клиенту приходится создавать самостоятельно, опираясь на возможности платформы. Остальные продукты из российской выборки, согласно отчету, относятся к категории ассистентов, юридических помощников и диалоговых систем.
«На западных рынках ИИ-агент во многих случаях можно купить как готовый продукт, а в России его чаще приходится собирать и встраивать в корпоративный контур. Это рациональная реакция на требования к данным, безопасности и интеграциям. Но такой путь требует архитектурного решения: локального развертывания, модульности и возможности менять модель или поставщика без полной перестройки системы», — сказал Сергей Кобелев, ИИ-советник «Яков и Партнеры».
Внутренние процессы компании эксперты рассматривают как одну из наиболее перспективных стартовых точек для внедрения ИИ-агентов. Согласно международной выборке, 51% решений приходится именно на вспомогательные функции бизнеса, а еще 37% — на обслуживание клиентов, маркетинг и продажи.
В исследовании выделяются три ключевых фактора, напрямую влияющих на результативность внедрения. Первый — корректное определение самого типа решения: является ли оно полноценным агентом, обычным ассистентом или платформой для последующей сборки. Второй — правильный выбор масштаба пилотного проекта: наиболее показательным вариантом эксперты называют тестирование в рамках одного повторяемого сценария из 3–7 этапов, с заранее определенным ответственным за проект, зафиксированной исходной метрикой, контрольной группой и понятным источником финансового эффекта.
Третий фактор связан с корректной оценкой экономики проекта. Частичная автоматизация процесса, как правило, сокращает объем времени, которое сотрудник тратит на отдельные операции, однако далеко не всегда приводит к прямому снижению расходов на персонал. Поэтому первоначальный эффект чаще всего проявляется не в сокращении затрат, а в росте производительности, увеличении пропускной способности, повышении качества процессов или росте выручки компании.
Горизонт получения ощутимых результатов от внедрения ИИ-агентов, согласно исследованию, зачастую превышает сроки, которые традиционно указывают поставщики технологий в своих презентациях. Первые 90 дней после старта проекта обычно уходят на проверку исходной гипотезы и оценку реальной готовности команды к изменениям. Через 3–6 месяцев можно рассчитывать на первые заметные результаты, а через 6–12 месяцев — на подтвержденный операционный эффект в рамках отдельно взятого процесса. Устойчивое влияние на финансовые показатели компании (P&L) формируется, по оценке авторов исследования, в течение 1–2 лет, а заметный вклад целого портфеля ИИ-проектов в EBITDA становится ощутим лишь спустя 3–5 лет.
Отдельное внимание в отчете уделено организациям, относящимся к критической информационной инфраструктуре. В июле 2026 года был принят закон о поддержке развития технологий искусственного интеллекта, вводящий понятия суверенной и национальной модели, — при этом правительство определит случаи, когда допустимо применение исключительно таких моделей. Первые положения закона начинают действовать уже с 1 сентября 2026 года, поэтому решение об архитектуре ИИ-систем эксперты рекомендуют принимать уже сейчас: разворачивать решения в собственной или частной инфраструктуре, не привязываться к единственной большой языковой модели или конкретному поставщику и заранее выстраивать модульную архитектуру системы.
В основу отчета легла экспертная классификация публичной документации, корпоративных материалов и описаний внедренческих кейсов по авторской методологии аналитиков: в общей сложности были оценены 18 международных и 12 российских продуктов, а также 43 международных и 22 российских кейса практического внедрения.