Эксперты Высшей школы бизнеса НИУ ВШЭ совместно с Cloud.ru разработали пятиуровневую модель, которая позволяет оценить готовность российских компаний к промышленному использованию ИИ-агентов. Исследование показало, что 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. Статья опубликована в журнале НИУ ВШЭ «Бизнес-информатика».
К началу 2026 года ИИ-агенты перестали быть исключительно экспериментальными инструментами и все чаще рассматриваются компаниями как одна из форм автоматизации бизнес-процессов. По данным «СберАналитики», ИИ-ассистентов и ИИ-агентов уже используют 39% российских компаний. При этом переход от отдельных экспериментов к системному использованию технологии остается сложной задачей. Компании далеко не всегда могут определить, в каких бизнес-процессах ИИ-агенты принесут наибольшую пользу, оценить экономический эффект их внедрения и понять, насколько существующая ИТ-инфраструктура готова к работе с такими системами.
Чтобы определить факторы успешного внедрения, сотрудники департамента бизнес-информатики ВШБ ВШЭ Евгений Зараменских, Михаил Комаров и генеральный директор Cloud.ru Михаил Лобоцкий провели 30 глубинных интервью с руководителями ИИ-направлений, техническими директорами и специалистами российских компаний. Также была организована экспертная сессия, на которой опросили более 100 представителей организаций, где хотя бы один ИИ-агент уже используется в промышленной эксплуатации.
На основе полученных эмпирических данных была разработана модель пяти уровней зрелости бизнеса: начального, повторяемого, определенного, управляемого и оптимизируемого. Она учитывает четыре составляющие готовности бизнеса: технологическую — инфраструктуру и данные, организационную — процессы и экспертизу, управленческую — стратегию и финансирование, а также культурную — готовность сотрудников работать с автономными системами.
Одним из главных факторов успеха оказалось качество данных. Для ИИ-агента важны несколько характеристик данных. Во-первых, данные должны быть доступны. Если необходимая информация хранится в изолированных системах, закрыта от внешнего доступа или требует ручной выгрузки, агент не сможет выполнять задачу в реальном времени. Во-вторых, данные должны быть актуальны. Агент, работающий с устаревшими сведениями о клиенте, заказе, состоянии оборудования или финансовой операции, может принять некорректное решение. В-третьих, данные должны быть согласованы. Если в разных системах одна и та же сущность описана по-разному, агенту потребуется дополнительная логика сопоставления. В-четвертых, данные должны быть интерпретируемы, то есть представлены в формате, пригодном для обработки моделью и инструментами агента.
Особое значение имеют исторические данные. Они позволяют агенту выявлять паттерны, сопоставлять текущие ситуации с прошлыми случаями, оценивать вероятность результата и формировать более обоснованные действия. Например, агент в ИТ-поддержке использует историю инцидентов для поиска похожих сбоев; финансовый агент анализирует прошлые транзакции и кредитные решения; логистический агент учитывает сезонность спроса и задержки поставок; медицинский агент сопоставляет текущее состояние пациента с предыдущими наблюдениями.
81% респондентов из компаний, уже внедривших ИИ-агентов, оценили качество имеющихся у них данных как достаточное для промышленного использования в ИИ-решениях. Компании с низким качеством данных, согласно результатам исследования, не смогли разработать ИИ-агента. Важна и интеграция с существующими корпоративными системами: практически все компании с успешным опытом внедрения оценили ее уровень выше среднего.
Еще одним серьезным ограничением, которое было выявлено в процессе выполнения исследования, стал дефицит специалистов. Более 70% респондентов отметили, что их компании часто обращаются к внешним разработчикам. По мнению авторов, нехватка компетенций замедляет переход от отдельных пилотных проектов к промышленной эксплуатации ИИ-агентов.
При этом российский бизнес пока редко передает таким системам полную самостоятельность. 55% компаний используют ИИ-агентов со средней степенью автономности, а доля агентов с высокой и полной автономностью составляет 33%. Более 80% респондентов сообщили, что в их организациях четко определены ситуации, когда к принятию решения должен подключаться человек.
Исследование также показало, что внедрение ИИ-агентов часто требует изменения самих бизнес-процессов: 86% опрошенных компаний адаптируют их по результатам внедрения технологии. Наибольший потенциал авторы видят в повторяемых операционных задачах, где нестандартные ситуации возникают редко.
Результаты опросов говорят о том, что 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. Исследование показывает, что технологии по-прежнему требуют серьезного 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 хорошо показывает, что успешное внедрение ИИ-агентов — не просто технологический проект. Оно требует изменений в процессах, инфраструктуре и самой системе управления», — отмечает Евгений Зараменских, один из авторов исследования, руководитель департамента бизнес-информатики Высшей школы бизнеса НИУ ВШЭ.
Авторы подчеркивают, 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 для ИИ-агента и сформировать дорожную карту внедрения ИИ-агентов.
Исследование выполнено в рамках НИР «Факторы адаптации и масштабирования автономных ИИ-агентов в корпоративных ИТ-процессах».