Продолжение. Начало здесь

С какими вызовами сталкиваются российские интеграторы, внедряя у заказчиков агентные ИИ-системы, и как удаётся справляться с возникающими трудностями?

Ошибка резидента

Основные препятствия на пути внедрения ИИ-агентов Денис Романов, директор центра развития ИИ-продуктов ИТ-экосистемы «Лукоморье», разделяет на технические и организационные: «Из наших проектов видно, что нехватка качественного „железа“ часто не является узким местом: большинство решений работают на GPU-серверах класса A100/H100, которые доступны в крупных дата-центрах или у облачных провайдеров. Ключевые барьеры лежат в других плоскостях:

  • Данные: „мусор на входе — мусор на выходе“. Качество моделей напрямую зависит от чистоты, структурированности и релевантности датасетов.
  • Интеграция: legacy-системы (CRM, ERP) часто не имеют API или имеют нестабильные интерфейсы. Агенты нуждаются в структурированной обратной связи.
  • Кадры: рост нагрузки на senior-архитекторов, перегрузка ревью кода, замедление разработки.
  • Безопасность: риски утечек, галлюцинаций, несанкционированных действий агентов. Требуются дополнительные слои контроля».

erid:

Платформа управления ИИ-агентами «Око»: новый подход к решению бизнес-задач

«Око» — платформа ИТ-экосистемы «Лукоморье» для создания, управления и промышленной эксплуатации многоагентных ИИ-систем. Платформа позволяет компаниям выстроить полный цикл работы с искусственным интеллектом: от проектирования сценариев и настройки взаимодействия агентов до безопасного развертывания, масштабирования и сопровождения корпоративных ИИ-решений.

«Око» представляет собой корпоративную платформу для проектирования, запуска и масштабирования многоагентных ИИ-систем. Решение охватывает весь жизненный цикл автоматизации: от визуального проектирования и тестирования сценария до его публикации, промышленного выполнения, мониторинга и последующего развития.

Платформа объединяет в едином рабочем процессе ИИ-модели, корпоративные знания и интеграции с внешними информационными системами. В ее основе лежит визуальная оркестрация рабочих процессов, которая позволяет проектировать сложные сценарии взаимодействия ИИ-агентов с использованием условий, циклов, параллельного выполнения задач и точек передачи управления человеку. Такой подход делает работу искусственного интеллекта прозрачной, управляемой и воспроизводимой, что особенно важно для корпоративных процессов, где необходим контроль каждого этапа выполнения.

Для эффективной работы корпоративных ИИ-систем недостаточно только языковой модели — ей необходим доступ к актуальной внутренней информации компании. Поэтому в платформу встроены механизмы Retrieval-Augmented Generation (RAG), позволяющие автоматически формировать и поддерживать корпоративную базу знаний.

После загрузки документов «Око» самостоятельно разбивает информацию на смысловые фрагменты, формирует векторный индекс, настраивает поиск по знаниям и автоматически обновляет данные при изменении исходных источников. Благодаря этому ИИ-агенты используют актуальную корпоративную информацию при подготовке ответов и принятии решений без необходимости вручную поддерживать базу знаний.

По своему классу «Око» сопоставима с такими зарубежными платформами, как Amazon Bedrock AgentCore и Microsoft Copilot Studio, при этом ориентирована на задачи корпоративного внедрения и интеграцию в существующую ИТ-инфраструктуру российских компаний.

Реклама ООО «РТК ИТ Плюс», ИНН: 7751210607

«Поскольку наша основная профильная деятельность не связана с системной интеграцией, — оговаривается Марина Соловьева, директор по региональным продажам ВТТ, — мы не можем дать ответ на данный вопрос с позиции практики и компетентно: было бы некорректно говорить о том, чего мы не делаем своими руками. Однако можем предположить, что заказчики могут быть либо недостаточно информированы о реальных возможностях и ограничениях агентных систем, либо наоборот, читая информацию о постоянных утечках данных, сбоях или взломах, начинают испытывать страх перед внедрением у себя именно агентных ИИ-систем. Мы ещё не привыкли доверять машине все бизнес-процессы; это не только технический, но и ментальный барьер. Возможно, это не так уж и плохо».

По мнению Ивана Хрулева, ведущего менеджера продукта Astra Automation «Группы Астра», главная проблема заключается в том, что ИИ может ошибаться: «Если предоставить агенту прямой доступ к CLI или API инфраструктуры, любая такая ошибка потенциально превращается в реальное изменение работающей системы. Поэтому мы считаем, что ИИ должен отвечать за интерпретацию задачи и выбор необходимых действий, а их непосредственное выполнение должно оставаться за специализированной платформой автоматизации».

Проблема, на взгляд Ильи Измайлова, управляющего директора холдинга «Экспанта», в том, что сами нейросети зачастую готовы к работе лучше, чем предприятия — к их внедрению: «Производственные данные разрозненны, процессы не всегда формализованы, а сотрудники порой по-разному понимают, как должен выглядеть правильный результат. Поэтому работа „Экспанты“ начинается не с выбора языковой модели, а с оценки данных, процессов и потенциального экономического эффекта. Иногда правильное решение — сначала наладить обычную автоматизацию, а иногда — честно сказать заказчику, что внедрение ИИ пока преждевременно».

По справедливому замечанию Ивана Жирова, директора по организационному развитию PROWAY, порой инициатор сам не до конца понимает, какой именно конечный результат намеревается получить за счёт внедрения ИИ: «Очень часто встречается ситуация, когда ИИ-инструменты пытаются встроить в процесс, который к этому не готов. Есть показатель „уровень зрелости процесса“, и использование ИИ возможно только для зрелых процессов: стандартизированных и измеряемых. Чтобы рассчитать ROI (Return on Investment), надо иметь цифры, а не ощущения. Плюс необходимо, чтобы документы были „машиночитаемы“, — иначе ИИ не сможет работать с ними. Поэтому нулевой шаг перед любым внедрением — формирование продуманной „базы знаний“, включающей навигацию, описание процесса, конечную цель, критерии результата, иерархию доверия, алгоритмы самопроверки и обучения, а также человека и даже группы людей, которые будут поддерживать эту „базу знаний“ в актуальном состоянии. Это поможет избежать большинства трудностей на этапе внедрения».

«Сейчас ИИ-агентов нередко собирают на скорую руку, — считает Никита Пушнов, технический директор Nord Clan. — Сделать работающий прототип действительно стало гораздо проще. Но между таким агентом и системой, которой можно доверить реальный бизнес-процесс, большая разница: это становится особенно заметно, когда агенту нужно работать с корпоративными данными, взаимодействовать с несколькими системами и выполнять операции без постоянного участия человека. Основная сложность внедрения ИИ-агентов у российских заказчиков — далеко не качество самой языковой модели. Гораздо чаще проблемы возникают на уровне корпоративной инфраструктуры: разрозненные информационные системы, недостаточно структурированные данные, отсутствие качественных API и строгие требования к информационной безопасности. Отдельный вызов — контролируемость действий агента. Если ИИ не просто отвечает на вопросы, а получает возможность изменять данные в ERP, CRM или других системах, цена ошибки существенно возрастает. Поэтому мы считаем правильным начинать с ограниченных сценариев, вводить разграничение прав, журналирование действий, контроль качества результатов и обязательное подтверждение критических операций. Такой подход позволяет постепенно увеличивать автономность без неконтролируемого роста рисков».

Главную сложность Дмитрий Хомутов, генеральный директор Ideco, тоже видит в подключении агента к реальному процессу: «В российских проектах добавляются требования к развёртыванию on-premises, защите персональных и конфиденциальных данных, отсутствия трансграничной передачи данных, совместимости с отечественным стеком и предсказуемой работе при ограниченном выборе инфраструктуры. Отдельный класс рисков — prompt injection, избыточные полномочия, утечка через инструменты агента и отсутствие специальных наложенных средств защиты для этих задач. Рабочий подход — начинать не с „универсального цифрового сотрудника“, а с одного процесса, у которого есть владелец, понятные входы и измеримая стоимость ошибки».

Александр Шукевич, директор по развитию бизнеса ООО «Хайстекс», рассматривает вызовы агентного ИИ со стороны вендора, который работает с рынком через партнёров, и видит несколько типичных барьеров: «Первый — данные и регулирование. Из-за требований к локализации и защите персональных данных многие сценарии нельзя построить на зарубежных облачных моделях. Приходится комбинировать российские и открытые модели в периметре заказчика или в российском облаке. В итоге получается „зоопарк“ моделей с разными интерфейсами, ценами и качеством. Второй — безопасность. Агент с доступом к CRM, почте или ERP несёт новый класс рисков: утечки, промпт-инъекции, непредусмотренные действия. Служба ИБ нередко останавливает проект ещё на пилоте. Третий — экономика. Пилот выглядит впечатляюще, но на вопрос финансового директора „сколько это стоит и что дало бизнесу“ ответить нечем, и до промышленной эксплуатации проект не доходит. Справляться помогает дисциплина. Начинать стоит с процесса, где результат измерим, и с первого дня закладывать единую точку доступа к моделям с бюджетами, журналированием и ограничениями. Такой ответ и нужен финансовому директору, чтобы проект вышел из пилота. Для интегратора это ещё и новая модель работы: не „внедрить и уйти“, а сопровождать ИИ-агенты в эксплуатации».

Увольнений не будет?

Аналитики Gartner уверяют, что к 2028 году стоимость ИИ-инференса для одного агентного рабочего процесса вырастет более чем впятеро. В этой связи нет ли у наших экспертов ощущения, что исходный настрой «ИИ всех заменит, персонал удастся сократить и на этом сэкономить» у заказчиков пропадает — и что те всё чаще рассматривают ИИ-агенты лишь как один из инструментов оптимизации своих бизнес-процессов?

«Честно говоря, — замечает Марина Соловьева, — у меня ощущение прямо противоположное: что настрой „внедрить ИИ с целью всех уволить“, наоборот, усиливается. Но я не считаю это эффективным и правильным ожиданием; более того —полагаю такой подход вредным для бизнеса. Массовые увольнения под лозунгом „ИИ сделает лучше и дешевле“ — это короткая стратегия, которая быстро исчерпает себя. Компания теряет не только людей, но и накопленные компетенции, связи и способность к нестандартным решениям, а заодно и мотивацию работать у тех, кто остался. На мой взгляд, правильнее относиться к ИИ как к помощнику, который сокращает рутинные и шаблонные задачи. А освободившееся время сотрудников нужно не уничтожать путём их увольнения, а направлять на задачи развития бизнеса, работу со стратегией, работу с клиентами, улучшение продуктов. Нужно использовать ИИ-агентов, как усилителя человеческих возможностей, а не как их замену. То есть моё отношение к ИИ — именно как к одному из инструментов оптимизации бизнес-процессов».

Денис Романов признаёт реальность экономического эффекта от внедрения ИИ-агентов, но указывает на его неравномерность: «Клиентский сервис — наиболее прозрачная экономия. Успешная обработка 40% запросов без оператора обеспечит замещение на ФОТ, создавая чистую экономию ежегодно. В производстве прогнозирование технического обслуживания и координация логистических процессов снижают операционные затраты. Siemens Industrial AI Agents позволяют управлять производственными процессами автономно. Типичные сроки окупаемости:

  • Для малых и средних проектов: 6–12 месяцев.
  • Для крупных корпоративных внедрений (мультисистемные агенты): 18–24 месяца.
  • Затраты на внедрение увеличиваются с ростом сложности проекта:
    • Малый бизнес: ~12,5 млн руб. CAPEX + 0,5–4 млн руб./год OPEX.
    • Крупный бизнес: от 350 млн руб. CAPEX + 200 млн руб./год OPEX.

Однако важно помнить: более 80% компаний не видят существенного влияния на прибыль после пилотов (McKinsey, 2025). Эффект наступает только при комплексном подходе: ИИ-агенты должны быть интегрированы в бизнес-процессы, сопровождаться обучением сотрудников и мерами по управлению рисками».

Иван Жиров констатирует: «Радикальные идеи про сокращение штата за счёт внедрения агентов не оправдались. Все слышали про громкие кейсы, когда крупным компаниям приходилось возвращать сокращённых сотрудников обратно. Отсюда пришло осознание, что ИИ — это ещё один инструмент. И оценивать его следует так же:

  1. Применимость инструмента. Есть процессы, где ИИ уместен и может повысить эффективность, а где-то пока ещё нет. Не известно, что будет дальше, ведь все очень стремительно развивается. Ещё 12 месяцев назад я слышал, что ИИ способен только дописывать функции за программистом, сейчас ИИ пишет приложения. К примеру, обновления приложения Claude Code пишет Claude Code.
  2. Экономическая целесообразность, она же окупаемость инвестиций. Раз ИИ инструмент — логично говорить в этих терминах: какой финансовый результат процесса достигается с ИИ-агентом и без него.

Ну и наработку когнитивных стратегий никто не отменял: без этого не понять, что там этот ИИ написал, почему и зачем. Когда-то, в начале „компьютеризации“, преимуществом было „уверенный пользователь ПК и Microsoft Office“, сейчас преимущество — „уверенно управляю ИИ-агентами“».

Не склонен рассматривать ИИ-агентов исключительно как инструмент сокращения персонала и Никита Пушнов: «Первоначальные ожидания рынка действительно были во многом завышены: казалось, что достаточно подключить языковую модель, и значительная часть сотрудников станут не нужны. Но экономика сложнее. Помимо стоимости инференса необходимо учитывать интеграции, инфраструктуру, информационную безопасность, сопровождение, мониторинг и контроль качества. При этом рост стоимости отдельного агентного процесса не обязательно означает снижение его экономической эффективности. Важнее оценивать стоимость успешно выполненной бизнес-операции и получаемый результат. По нашим наблюдениям за запросами заказчиков, акцент постепенно смещается от идеи замены сотрудников к повышению производительности существующих команд».

Как подчёркивает Мила Рябова, руководитель департамента маркетинга TERA IT DISTRIBUTOR, СМИ и профильные каналы уже обошли десятки историй, когда компании на волне эйфории массово сокращали программистов, копирайтеров или специалистов поддержки — а спустя полгода были вынуждены спешно нанимать людей обратно: «Оказалось, что „железный мозг“ сам по себе не вывозит реальные бизнес-процессы. Задача ИИ — не сократить штат, а кратно повысить производительность труда специалистов; не заменить 5 штатных юристов роботом, а дать им инструмент, с которым они смогут качественно вычитывать 50 сложных договоров в день вместо 5, исключив человеческий фактор и ошибки из-за банальной усталости. ИИ превращается из „заменителя людей“ в рабочий прикладной инструмент. Я сама активно использую нейросети в работе и в личных задачах, но отношусь к ним приземлённо. Искусственный интеллект — это технология, как садовая лопата или калькулятор в смартфоне. Он призван облегчать нам жизнь и снимать рутину, но принимает решения, сажает деревья и делает покупки человек».

«Прогноз Gartner отражает интересную ситуацию, — замечает Илья Измайлов. — Стоимость отдельных вычислений снижается, но сами ИИ-агенты становятся сложнее, потребляют больше ресурсов и в итоге обходятся бизнесу дороже. Однако пятикратный рост затрат — не неизбежность, а скорее следствие неэффективной архитектуры: там, где одни пытаются поручить всё дорогой нейросети, другие комбинируют небольшие модели, математические алгоритмы и традиционную автоматизацию, добиваясь сопоставимого результата за меньшие деньги. Особенно в промышленности уже становится очевидно, что задача ИИ — не заменить инженера или технолога, а повысить эффективность его решений, и оценивать такие системы нужно не по числу сокращённых сотрудников, а по снижению простоев, производственных потерь и себестоимости».

Сдвиг в сторону восприятия ИИ-агентов не как замены людям, а как их помощника, Александр Шукевич тоже считает заметным: «Цена одного токена снижается, но агент потребляет их на порядки больше, чем чат-бот. Тут и многошаговые рассуждения, и обращения к инструментам, и передача контекста на каждом шаге, и повторные попытки, и агенты, вызывающие других агентов. В результате стоимость задачи растёт — и к тому же плохо прогнозируется: одна и та же задача может обойтись в разы дороже из-за неудачной цепочки действий. В итоге управление затратами на ИИ становится отдельной дисциплиной. Простые запросы направляют на более дешёвые модели, контекст сжимают, командам и агентам ставят лимиты. Но главное — смотреть не на счёт за инференс, а на стоимость одного полезного результата для бизнеса».

Дмитрий Хомутов также соглашается с тем, что использование ИИ-агентов даёт преимущества только тогда, когда сопровождается изменением архитектуры самих бизнес-процессов: «Без этого ускорение одного или нескольких процессов в разы приведёт лишь к тому, что „узкое место“ просто переедет на другой этап, и общая производительность сделанной работы в компании не возрастёт, а то и снизится. Считать нужно не цену миллиона токенов, а стоимость корректно завершённой бизнес-операции. В неё входят интеграция, вычислительная инфраструктура, observability, безопасность, сопровождение и человеческая проверка исключений. Если агент экономит пять минут, но требует дорогой модели и регулярной перепроверки, экономика может не сойтись».

Окончание следует

Источник: