Агенты, которые не окупились: чему учат провалы agentic AI

После бума вокруг автономных агентов в 2024–2025 годах наступила фаза отрезвления. Крупные вендоры продолжают выпускать релизы — от OpenAI с функцией Operator и режимом agent mode до Anthropic с Claude, умеющим управлять компьютером через Computer Use, — но по другую сторону, в компаниях-заказчиках, копится список свернутых пилотов. Публичных подтверждённых кейсов с цифрами пока мало, и это само по себе показательно: провалы agentic-проектов чаще замалчивают, чем разбирают. Ниже — что известно достоверно и какие закономерности из этого следуют.

Что вообще пошло не так

Слово «провал» здесь означает не то, что агент не запустился. Он запускался, что-то делал и даже показывал демо. Проблемы начинались при переводе в постоянную эксплуатацию, где важны предсказуемость, стоимость и ответственность за ошибку.

Один из немногих публично задокументированных сигналов — исследование MIT Media Lab «The GenAI Divide: State of AI in Business 2025», в котором утверждается, что подавляющее большинство корпоративных генеративных пилотов не принесли измеримого эффекта на прибыль. Цифру из этого отчёта (около 95% пилотов без отдачи) активно цитировали крупные издания летом 2025 года; относиться к ней стоит как к оценке конкретного исследования, а не как к universal truth. Но направление она задаёт верно: разрыв между демо и продакшеном оказался шире, чем ждали.

Отдельная линия — репутационные истории вокруг стартапов, продававших «AI-агента», за которым по факту стояли люди. Такие случаи били не по технологии, а по доверию к самой категории: покупатель переставал верить слову «автономный».

Три типовые точки отказа

• Накопление ошибок. Агент выполняет цепочку из десятков шагов. Даже при точности 95% на шаг вероятность довести до конца цепочку из 20 действий падает примерно до 36%. Для чат-бота это терпимо, для агента, оформляющего возврат или меняющего запись в CRM, — нет.
• Стоимость токенов. Автономный цикл «подумал — сходил в инструмент — прочитал результат — подумал снова» съедает контекстное окно¹ и деньги. Один запрос пользователя может обернуться десятками обращений к модели. На пилоте с сотней запросов это незаметно, на потоке в тысячи — статья расходов, которую никто не заложил.
• Непонятно, кто отвечает. Когда агент совершает ошибку с последствиями — списывает не ту сумму, отправляет письмо не тому клиенту, — в компании нет ни процедуры отката, ни назначенного владельца процесса. Юридически и организационно agentic-системы попали в вакуум.

Демо агента показывает, что он может сделать. Продакшен проверяет, что он делает без присмотра тысячу раз подряд. Между этими двумя состояниями пропасть, и именно в ней сгорели первые бюджеты.

Как это выглядит у основных игроков

Важно различать: сами инструменты работают и развиваются. Провалы — это чаще про то, как их внедряли, а не про то, что они бесполезны. Ниже — сравнение публично доступных агентных возможностей крупных вендоров на конец 2025 года. Точные цены и лимиты сверяйте на официальных страницах: они меняются каждые несколько месяцев.

Общий знаменатель: все вендоры за 2025 год сместили риторику от «полностью автономного агента» к «агенту под контролем человека» с точками подтверждения. Это и есть первый практический урок рынка.

Кому agentic AI пригодится, а кому — пока нет

Где это работает уже сейчас

• Разработка ПО. Агенты, которые пишут, запускают и правят код в замкнутом цикле с тестами, дают проверяемый результат: тест либо прошёл, либо нет. Ошибка ловится автоматически, откат дешёвый.
• Черновая обработка данных. Разметка, извлечение полей из документов, первичная сортировка обращений — там, где человек всё равно проверяет итог.
• Внутренние исследования. Сбор и суммирование информации из множества источников, где цена ошибки — потраченное время, а не деньги клиента.

Где пока лучше не ставить агента в одиночку

• Операции с деньгами и юридическими последствиями без обязательного подтверждения человеком.
• Общение от лица компании с клиентами по спорным вопросам — возвраты, претензии, компенсации.
• Процессы, где нет ни логирования каждого шага, ни быстрого отката изменений.

Уроки, которые уже можно применять

1. Считать стоимость на тысячу запросов, а не на демо. Заложите бюджет токенов на реальный поток и умножьте на число шагов в цепочке.
2. Мерить не «вау», а метрику процесса. Сколько задач агент закрывает без вмешательства человека и сколько денег или часов это экономит по сравнению с текущим способом.
3. Ставить точки подтверждения на всё необратимое. Человек в контуре — не признак незрелости, а проектное решение.
4. Логировать каждый шаг и уметь откатывать. Без этого агент в продакшене — источник неуправляемого риска.
5. Начинать с узкого сценария. Один процесс, измеримый результат, потом расширение. «Агент, который делает всё» — самый частый способ потратить бюджет впустую.

Первая волна провалов не закрыла тему agentic AI, а очистила её от рекламной пены. Технология осталась, завышенные ожидания ушли. Компании, которые извлекут уроки из чужих сожжённых пилотов, окажутся в выигрыше перед теми, кто повторит их за свой счёт.

¹ Контекстное окно — максимальный объём текста (запрос, история диалога, результаты работы инструментов), который модель удерживает и учитывает при генерации ответа. Измеряется в токенах; чем больше цикл действий агента, тем быстрее окно заполняется.