ИИ-агенты распространяются быстрее, чем почти любой корпоративный софт до них. Gartner прогнозирует, что к концу 2026 года 40% корпоративных приложений будут работать со специализированными ИИ-агентами, тогда как в 2025 году таких было меньше 5%. Та же компания ожидает, что к концу 2027 года будет закрыто больше 40% проектов с ИИ-агентами.
Оба прогноза могут сбыться одновременно. Запустить агента легко, а удержать его полезным внутри реальной работы трудно. В этом разборе собраны четыре причины, по которым агенты ломаются в продакшне: что говорят открытые данные о каждой и что делают иначе команды, у которых агенты доходят до продакшна.
Цифры за этим разрывом
В глобальном опросе McKinsey 2025 года, где ответили почти 2000 человек, 23% сказали, что их компания уже масштабирует систему ИИ-агентов хотя бы в одном подразделении, и ещё 39% начали экспериментировать с агентами. Но ни в одной отдельной функции бизнеса доля тех, кто масштабирует агентов, не превышает 10%. Внедрение широкое, глубина пока малая.
Gartner называет три причины будущих закрытий: растущие затраты, неясная ценность для бизнеса и слабый контроль рисков. Ещё компания оценивает, что из тысяч поставщиков ИИ-агентов настоящих примерно 130, а перекраску обычных чат-ботов и средств автоматизации под агентов называет «agent washing». Подробнее в статьях о внедрении и закрытиях и о трёх вопросах поставщику до покупки агента.
Причина 1: у агента нет измеримой задачи
Многие пилоты начинаются с возможности («давайте попробуем агента»), а не с процесса, к которому привязано число. Без исходной точки, например минут на одно обращение, доли ошибок или стоимости одной выполненной задачи, проект не может показать пользу. Когда затраты растут, такой проект закрывают первым.
Наше прочтение трёх причин Gartner: у них один корень, агента не привязали к результату, за который кто-то отвечает. Лекарство скучное. Выберите один процесс, измерьте его до появления агента и измерьте снова после.
Причина 2: агент забывает
Языковая модель ничего не помнит между вызовами. Каждый ответ строится только из того текста, который в этот момент лежит в её контекстном окне. Если в понедельник пользователь поправил агента, а система не сохранила эту поправку и не вернула её агенту, во вторник агент начнёт без неё.
Поэтому память агента является инженерным решением, а не свойством модели: хранилище прошлых событий и поправок, правила, что оставлять и что выбрасывать, и способ вовремя достать нужный кусок. Без такого слоя каждая поправка остаётся разовой, а каждая ошибка может вернуться.
Interested in implementing similar AI solutions? Discover how PATech Labs can help your business leverage cutting-edge artificial intelligence.
Learn About Our ServicesПричина 3: агент видит не тот контекст
Больше контекста не значит лучше. В исследовании «Lost in the Middle» учёных из Стэнфорда, Беркли и Samaya AI модели чаще всего справлялись лучше, когда нужные сведения стояли в начале или в конце длинного текста, и заметно хуже, когда они оказывались в середине. В техническом отчёте Chroma проверили 18 моделей: чем длиннее входной текст, тем менее надёжно они работают. Инженеры Anthropic пишут, что контекст нужно считать ограниченным ресурсом, отдача от которого убывает.
Внутри компании главная беда часто выше по цепочке: устаревшие документы, противоречащие друг другу версии и права доступа, которых агент не видит. Всё, что агент нашёл, он считает правдой, поэтому данные должны быть свежими, непротиворечивыми и разрешёнными этому пользователю в момент поиска.
Причина 4: агент становится точкой атаки
Агента, который читает почту, ходит по сайтам или вызывает другие программы, можно увести в сторону инструкциями, спрятанными в этом контенте. Центр стандартов и инноваций в ИИ при NIST описывает перехват агента как разновидность непрямой prompt injection: злоумышленник прячет вредные инструкции в данных, которые прочитает агент, и агент совершает непредусмотренные вредные действия. В профиле NIST по генеративному ИИ prompt injection тоже названа среди рисков информационной безопасности таких систем.
Рынок уже реагирует. Стартап по безопасности Straiker привлёк 64 млн долларов в раунде A в июне 2026 года, а его собственная исследовательская группа сообщает, что 91% успешных атак на офисных агентов закончились тихой утечкой данных. Это цифра компании из её собственных тестов, а не независимое исследование. В декабре 2025 года проект OWASP GenAI Security опубликовал Top 10 для агентных приложений, список самых опасных рисков для агентных систем, прошедший экспертную проверку. Подробнее в статье о раунде Straiker.
Что делают иначе команды, у которых агенты работают
- Начинают с одного процесса, у которого есть исходная точка: минуты на обращение, доля ошибок или стоимость выполненной задачи.
- Ставят человека там, где агент тратит деньги, меняет записи или впервые говорит с клиентом.
- Сохраняют поправки и результаты, чтобы следующая сессия начиналась с них.
- Проверяют свежесть данных и права доступа в момент, когда агент достаёт данные, а не только при загрузке документов.
- До запуска тестируют агента так, как его атаковал бы злоумышленник, а после запуска проверяют каждый запрос.
- Считают стоимость одной выполненной задачи, а не число запущенных агентов.
Этот список является нашим выводом из источников выше и из собственных внедрений, а не опубликованным стандартом.
Что это значит для малого и среднего бизнеса
Те же четыре причины работают при любом размере компании, а маленькая команда ощущает каждую быстрее: у неё нет отдела, который разгребёт последствия. Хорошая новость в том, что узкий агент с одной задачей, короткой памятью о главном и человеком, который одобряет рискованные шаги, малому бизнесу доступен уже сейчас.
PATech Labs делает таких агентов, в том числе SkyAria Voice: он отвечает на звонки, записывает на приём и передаёт заявки человеку. Если хотите найти тот один процесс, где агент окупится, напишите нам.
Ограничения
Источники прочитаны 14 октября 2026 года; страницы Gartner и McKinsey прочитаны по архивным копиям, потому что сами сайты закрыты от автоматического чтения. Цифры Gartner являются прогнозами, а цифры McKinsey основаны на ответах участников опроса, а не на измерениях. Цифры Straiker получены в собственных тестах компании. Четыре причины сбоев являются нашей редакционной схемой, а не общепринятой классификацией. Это не юридическая и не профессиональная консультация по безопасности.