Полностью автономные ИИ-агенты в российской практике почти не встречаются, а успешность их внедрения прежде всего зависит от качества данных, интеграции с корпоративными ИТ-системами и наличия необходимых специалистов. К таким выводам пришли эксперты Высшей школы бизнеса НИУ ВШЭ совместно с Cloud.ru, разработав пятиуровневую модель оценки готовности компаний к промышленному использованию ИИ-агентов. Результаты исследования опубликованы в журнале НИУ ВШЭ «Бизнес-информатика».

К началу 2026 года ИИ-агенты перестали быть исключительно экспериментальными инструментами и всё чаще рассматриваются компаниями как одна из форм автоматизации бизнес-процессов. По данным «Сбер2B Аналитики», ИИ-ассистентов и ИИ-агентов уже используют 39% российских компаний. При этом переход от отдельных экспериментов к системному использованию технологии остаётся сложной задачей: компании далеко не всегда могут определить, в каких бизнес-процессах ИИ-агенты принесут наибольшую пользу, оценить экономический эффект и понять, насколько существующая ИТ-инфраструктура готова к работе с такими системами.

На основе 30 глубинных интервью с руководителями ИИ-направлений, техническими директорами и специалистами российских компаний, а также экспертной сессии с участием более 100 представителей организаций, уже использующих ИИ-агентов, была разработана модель пяти уровней зрелости бизнеса: начального, повторяемого, определённого, управляемого и оптимизируемого. Она учитывает четыре составляющие готовности: технологическую (инфраструктура и данные), организационную (процессы и экспертиза), управленческую (стратегия и финансирование) и культурную (готовность сотрудников работать с автономными системами).

Одним из главных факторов успеха оказалось качество данных. Для ИИ-агента важны четыре характеристики: доступность (если информация хранится в изолированных системах или требует ручной выгрузки, агент не сможет работать в реальном времени), актуальность (устаревшие сведения ведут к некорректным решениям), согласованность (если одна сущность описана в разных системах по-разному, агенту требуется дополнительная логика сопоставления) и интерпретируемость (данные должны быть пригодны для обработки моделью).

Особое значение имеют исторические данные: они позволяют агенту выявлять паттерны, сопоставлять текущие ситуации с прошлыми и формировать обоснованные действия. 81% респондентов из компаний, уже внедривших ИИ-агентов, оценили качество имеющихся данных как достаточное для промышленного использования. Компании с низким качеством данных, согласно результатам исследования, не смогли разработать ИИ-агента.

Практически все компании с успешным опытом внедрения оценили уровень интеграции с существующими корпоративными системами выше среднего. Ещё одним серьёзным ограничением стал дефицит специалистов: более 70% респондентов отметили, что их компании часто обращаются к внешним разработчикам. По мнению авторов, нехватка компетенций замедляет переход от пилотных проектов к промышленной эксплуатации.

Российский бизнес пока редко передаёт ИИ-агентам полную самостоятельность. 55% компаний используют агентов со средней степенью автономности, а доля агентов с высокой и полной автономностью составляет 33%. Более 80% респондентов сообщили, что в их организациях чётко определены ситуации, когда к принятию решения должен подключаться человек.

Внедрение ИИ-агентов часто требует изменения самих бизнес-процессов: 86% опрошенных адаптируют их по результатам внедрения технологии. Наибольший потенциал авторы видят в повторяемых операционных задачах, где нестандартные ситуации возникают редко.

При этом 40% организаций за последний год приходилось отключать отдельные функции ИИ-агентов или возвращаться к предыдущей версии из-за проблем с безопасностью, а 31% сталкивались с инцидентами, потребовавшими оперативной реакции.

«Сейчас для бизнеса ключевой вопрос уже не только в том, способен ли ИИ-агент выполнять ту или иную задачу, а в том, готова ли сама компания к его промышленному использованию», считает один из авторов исследования, руководитель департамента бизнес-информатики Высшей школы бизнеса НИУ ВШЭ Евгений Зараменских. По его словам, исследование показывает, что технологии по-прежнему требуют серьёзного контроля: почти треть компаний вручную отменяет от 5 до 10% действий ИИ-агентов. При этом в 37% организаций уже выделен специальный человек, отвечающий за вопросы масштабирования таких решений.

«Это доказывает, что успешное внедрение ИИ-агентов — не просто технологический проект. Оно требует изменений в процессах, инфраструктуре и самой системе управления», — отметил эксперт.

Авторы исследования подчёркивают, что экономический эффект от ИИ-агентов целесообразно оценивать прежде всего через повышение эффективности работы команд, а не только через прямое сокращение затрат. Разработанная модель может помочь компаниям определить текущий уровень готовности, выбрать необходимые процессы для дальнейшей проработки и сформировать дорожную карту внедрения ИИ-агентов.

Исследование выполнено в рамках НИР «Факторы адаптации и масштабирования автономных ИИ-агентов в корпоративных ИТ-процессах». В ходе работы было проведено 30 глубинных интервью с руководителями ИИ-направлений, техническими директорами и специалистами российских компаний, а также экспертная сессия с участием более 100 представителей организаций, где хотя бы один ИИ-агент уже используется в промышленной эксплуатации.