Почему проекты Agentic AI застревают в масштабе и что предприятиям нужно исправить сначала

Agentic AI быстро становится критическим элементом всех предприятий. Бизнесы включают пилотные проекты в свои операции, демонстрационные среды впечатляют руководство, и дорожные карты переписываются вокруг автономных рабочих процессов ИИ.

Но для многих из этих проектов что-то ломается между контролируемой демонстрацией и производственной установкой. Проект застревает, развертывания растягиваются с месяцев до лет, и команды, ответственные за доставку, остаются объяснять, почему агент, который работал идеально в тестировании, ведет себя непредсказуемо в реальном мире.

Почти в каждом случае ответ не в модели самой по себе, а в данных, оркестровочном слое, кадровом составе и устаревшей инфраструктуре, которую большинство предприятий никогда не успели модернизировать, прежде чем построить интеллектуальные агенты на ее основе. Пока эти основы не будут устранены, агентный ИИ будет продолжать производить демонстрации, которые впечатляют, и развертывания, которые разочаровывают.

Среда POC – это ловушка

Большинство предприятий оценивают модели. Гораздо меньше оценивают поведение агентов от начала до конца. Модель может быть очень точной, и агент, построенный на ее основе, все равно может сильно провалиться. Это потому, что агенты связывают вызовы инструментов последовательно, и один плохой шаг производит неправильный ответ, который следующий шаг рассматривает как правильный вход, усугубляя ошибку вниз по потоку, прежде чем кто-либо заметит.

Среда доказательства концепции предназначена для сокрытия этого. Входные данные контролируются, объем узкий, и кто-то наблюдает за выходом. Ни один из этих условий не существует в производстве. Агент, который хорошо сработал в тестировании, теперь обрабатывает неоднозначные инструкции, сталкивается с ошибками разрешения и принимает последовательные решения на основе данных, которые никогда не тестируются. Команда, которая построила его, обнаруживает, что оценочные кадры, предназначенные для производительности модели, не говорят, правильно ли агент эскалировал, обрабатывал крайние случаи или знал, когда остановиться.

Согласно отчету McKinsey’s State of AI 2025, 88% организаций сейчас используют ИИ хотя бы в одной бизнес-функции, но только около одной трети успешно масштабируют его на все предприятие. Этот разрыв между принятием и масштабированием начинается с того, как предприятия определяют и оценивают свои пилотные проекты. Команды, которые успешно масштабируют, рассматривают анализ режима отказа как требование к проектированию. До развертывания они создают каталог того, как агент ожидается провалиться, и каков ответ, когда это происходит. Это звучит очевидно. Очень немногие предприятия на самом деле делают это.

Мусорные данные, мусорные агенты

Предприятия продолжают спрашивать, почему их агенты работают хуже в производстве. Ответ почти всегда возвращается к данным. Данные были никогда не готовы. Источники были фрагментированы по десяткам систем, построенных в разное время для разных целей. Определения были несовместимы по бизнес-единицам. Не было семантического слоя. Не было единого источника правды. Там были только годы накопленных долгов данных, которые никто не ставил в приоритет, потому что старые системы работали достаточно хорошо.

Этот долг не исчезает, когда вы строите агент на его основе. Он становится реальностью агента. Агент, ориентирующийся в фрагментированных источниках данных, не рассуждает над связной картиной бизнеса. Он делает все возможное с тем, что может найти, примиряет противоречия на лету и производит выходы, которые выглядят правдоподобно, пока кто-то, кто знает бизнес, не посмотрит внимательно. Агент не сломан. Данные, которые были переданы ему, были сломаны до начала проекта.

Дрейф данных и концептуальный дрейф делают это хуже со временем. Когда реальное распределение входных данных смещается от того, на котором была обучена модель, агент не выдает ошибку. Он продолжает работать и начинает генерировать неправильные выходы, уверенно и в масштабе. Без MLOps или AIOps конвейера, построенного в слой оркестровки агента, нет механизма, чтобы поймать это, прежде чем ущерб усугубится. Агент, который работал приемлемо при запуске, тихо ухудшается в течение недель, прежде чем кто-либо свяжет качество выхода с проблемой данных, которая была там с самого начала.

Модернизация данных и модернизация ИИ часто рассматриваются как параллельные потоки работы, последовательно независимые и финансируемые отдельно. Они не параллельны. Вы не можете построить достоверный агент на основе сломанной архитектуры данных. Последовательность имеет огромное значение, и пропуск слоя данных, чтобы двигаться быстрее на слое ИИ, является одной из наиболее распространенных и дорогих ошибок, которые совершают предприятия.

Неправильный приборный панель дает кому-то неправильное число. Неправильное действие агента может запустить процесс вниз по потоку, прежде чем кто-то заметит, утверждая счет, который не должен был быть утвержден, маршрутизируя флаг соответствия неправильно или корректируя цену вне ее предназначенного диапазона. Агентные системы нуждаются в специально построенной наблюдаемости, а не в переработанных приборных панелях из общего мониторинга приложений.

Преимущество единой платформы данных

Предприятия, которые перешли на единую платформу данных, прежде чем начать свои программы агентного ИИ, масштабируются быстрее, чем те, которые не сделали этого. Когда Lakehouse, хранилище данных, семантическая модель и конвейеры все живут в одной среде, как они делают в Microsoft Fabric, агенты имеют одну последовательную поверхность для запроса. Это удаляет целый класс отказа, который возникает из-за агентов, отскакивающих между системами с разными схемами, разными циклами обновления и разными определениями одного и того же бизнес-метрики.

Это почему платформы, которые предприятия выбирают для унификации данных, имеют так много значения для их результатов агентного ИИ. Единый подход Microsoft Fabric объединяет Lakehouse, хранилище данных, семантическую модель и конвейеры в одной среде, давая предприятиям, ориентированным на Microsoft (MSFT ), структурное преимущество при переходе от экспериментов к реальному операционному использованию.

Databricks доставляет тот же принцип через архитектуру Lakehouse и Unity Catalog, давая командам данных и ИИ унифицированный слой управления по структурированным и неструктурированным данным с интеграцией MLflow для отслеживания поведения модели в производстве. Подход Snowflake использует его Cortex AI и его плотную связь между облаком данных и выводом ИИ, позволяя предприятиям запускать рабочие нагрузки агентов直接 против управляемых, живых данных без задержки и рисков согласованности, которые возникают при перемещении данных между системами.

Каждая из этих платформ представляет собой разный путь к одному и тому же результату. Слой данных, который является связным, наблюдаемым и достоверным enough, чтобы поддержать принятие решений агентом в масштабе. Правильный выбор зависит от существующего стека предприятия. Что не является необязательным, так это принятие этого выбора и обязательство по нему, прежде чем построить слой агента на его основе. Что отделяет команды, которые делают прогресс, от тех, кто все еще застрял в пилотных проектах, не то, какую платформу они выбрали, а то, что они исправили слой данных сначала.

Управление до, а не после

Управление, построенное после факта, не является управлением вовсе. Когда агент имеет власть принятия решений вниз по потоку и ограничители добавляются шесть месяцев после развертывания, предприятие уже накопило шесть месяцев неаудированных решений. Траектория аудита должна быть разработана до запуска агента, а не ретрофит после первого инцидента.

То же самое принцип применяется к безопасности ИИ, контролю доступа на основе ролей и определению разрешений. Агент без надлежащим образом определенных разрешений может получить доступ к данным, к которым он не должен, выполнить действия вне его предназначенной границы или стать активной поверхностью атаки. Это риски, которые необходимо устранить на этапе разработки, а не обнаружить на рассмотрении развертывания.

Если управление не встроено до того, как построены конвейеры обучения, неправильные или враждебные данные могут войти в процесс обучения незамеченными. Модель, обученная на компрометированных данных, работает хорошо на бенчмарках, но дрейфует в производстве, именно тот вид тихого отказа, который является наиболее опасным, когда решения агента несут реальные бизнес-последствия.

Акт ИИ ЕС и растущие нормативные кадры вокруг подотчетности ИИ делают это труднее игнорировать, и предприятия, которые не построили управление в свои архитектуры агентов, накапливают экспозицию соответствия, которая будет стоить значительно больше, чтобы развернуть позже.

От пилота к производству: что это действительно требует

Предприятия, которые закрывают производственный разрыв, являются теми, которые исправляют слой данных, прежде чем построить слой агента. Они встраивают управление в проектирование, а не после того, как ущерб был нанесен. Они строят наблюдаемость в архитектуру оркестровки и запускают управление изменениями параллельно с технической поставкой. Они рассматривают анализ режима отказа как важное требование к проектированию.

Исследование Deloitte’s enterprise AI показывает, что доступ работников к ИИ увеличился на 50% в 2025 году, и доля компаний, запускающих более 40% своих проектов ИИ в полную производство, должна удвоиться в течение следующих шести месяцев. Предприятия, которые выигрывают сейчас, не являются теми, у которых есть наиболее продвинутые модели. Они являются теми, кто построил операционную инфраструктуру для запуска ИИ надежно и сделал это, прежде чем построил агенты.

Каждое предприятие, которое все еще запускает несвязанные пилотные проекты, должно сосредоточиться на обеспечении того, чтобы инвестиции в модели и интерфейсы были пропорциональны инвестициям в готовность данных и архитектуру управления, которые определят, смогут ли эти агенты когда-либо выйти из демонстрационной среды. Это то место, где многие предприятия не оправдывают ожиданий.

Пока это не изменится, многие проекты агентного ИИ, в которые компании вложили ресурсы и надеялись получить результат, умрут на виноградных лозах.