Что предприятия неправильно понимают об Agentic AI

Agentic AI стало одной из наиболее обсуждаемых технологий для предприятий в 2025 году, но реальные развертывания остаются редкими. Аналитики отметили, что хотя тысячи инструментов маркируются как “агенты”, большинство из них не обладают真正щей автономией. Обзор Gartner примерно 3 000 предложений агентов показал, что только 4% демонстрировали подлинное агентское поведение, в то время как оставшееся большинство были просто чат-ботами или сценарными автоматами. Это “агентское стирание” заставляет компании ошибочно принимать RPA, автоматизацию рабочих процессов или доступ к корпоративному ChatGPT за фактические агентские системы, которые преследуют цели, реагируют на новую информацию и работают с неструктурированными данными.

Неправильные представления: RPA, лицензии ChatGPT и ажиотаж

RPA vs. Agentic AI:

Традиционные инструменты RPA следуют статическим, предопределенным инструкциям. Agentic AI планирует действия на основе контекста и использует доступные инструменты, API и источники данных. Как отмечают IDC и другие исследования отрасли, RPA выполняет фиксированные правила, в то время как агенты адаптируются динамически. Многие рабочие процессы, продаваемые как “интеллектуальная автоматизация”, объединяющие чат-боты со скринингом экрана, неправильно выдаются за агентские системы.

Лицензии ChatGPT vs. развертывание AI:

Предприятия часто предполагают, что покупка мест для ChatGPT Enterprise или Copilot означает, что они “развернули AI”. В реальности это просто предоставляет сотрудникам интерфейс чата. Menlo Ventures сообщает, что менее 10% компаний реализовали AI за пределами общих инструментов чата, даже когда эксперименты сотрудников заставляют команды IT принять их. Интерфейс чат-бота фундаментально отличается от целеустремленного агента.

Переоценка поставщиков:

Стартапы и консалтинговые компании часто рекламируют “агентов” как решения для каждого бизнес-процесса. Исследования показывают, что 88% руководителей финансируют инициативы Agentic AI, но менее 2% этих проектов достигают масштаба производства. Gartner прогнозирует, что более 40% текущих инициатив Agentic AI будут отменены к 2027 году из-за недопроизводительности или неясных требований.

Что такое Agentic AI на самом деле

Agentic AI включает почти автономное принятие решений. Истинный агент получает цель, доступ к информации и инструментам, и определяет шаги, необходимые для достижения своей цели. В отличие от жестких рабочих процессов, агенты могут изменить направление, когда появляются новые переменные.

Современные фреймворки иллюстрируют, как экосистема эволюционирует. LangChain’s LangGraph предоставляет производственный runtime для агентов. DeepLearning.AI’s DSPy предлагает примитивы для планов, рабочих и инструментов. Платформы, такие как IBM’s crewAI и Microsoft’s AutoGen, подчеркивают рост в многоагентской оркестрации. Эти инструменты все еще находятся на ранней стадии, и большинство предприятий не имеют внутренней экспертизы, необходимой для эффективной работы с ними.

Возможности в регулируемых отраслях

Регулируемые секторы, такие как финансы, страхование и здравоохранение, являются неожиданно сильными кандидатами на агентскую автоматизацию. Эти отрасли полагаются на структурированные политики, документацию и аудиторские следы, что делает их идеальной средой для агентов, регулируемых правилами.

Финансы:

Инструменты AI и агентской автоматизации используются банками для оптимизации соблюдения требований, настройки и KYC/AML-процедур – автоматически проверяя документы, проводя риск и санкционный скрининг, и выделяя случаи для рассмотрения человеком. Согласно SS&C Blue Prism, это может существенно ускорить настройку: один банк увидел 49%-е снижение времени от открытия счета до начала торговли. Тем временем, по состоянию на 2025 год, растущая часть банков во всем мире развертывает или оценивает генеративный AI, опрос Temenos 2025 года показал, что 36% уже развертывают или находятся в процессе, и 39% оценивают. Опрос EY-Parthenon 2025 года сообщает, что 61% банков, использующих GenAI, уже наблюдают существенные выгоды. Анализы отрасли оценивают, что автоматизация на основе AI может принести выгоды в производительности в размере 30-50% в функциях соблюдения требований, операций и управления рисками.

Страхование:

Обработка претензий, страхование и обнаружение мошенничества хорошо подходят для агентских систем. Агент по претензиям может прочитать документы, извлечь детали политики, проверить требования и предложить следующие шаги. Исследования BCG показывают, что ранние принимающие достигли примерно 40% более быстрой обработки претензий и двузначных увеличений удовлетворенности клиентов. С регулированиями, такими как руководство NAIC по AI, страховщики могут встроить правила trực в оперативную логику агента. Анализ Menlo Ventures 2025 года показывает, что 92% страховщиков здравоохранения в США используют AI для тестирования соблюдения требований, проверок предвзятости и аудиторских задач.

Здравоохранение:

Организации здравоохранения обращаются к агентам для поддержки клинической документации, триажа, планирования и ранней стадии анализа под наблюдением клиницистов. Kaiser Permanente развернул генеративный AI в 40 больницах для документации, согласно Menlo Ventures, снижая административную нагрузку. Mayo Clinic инвестирует более 1 миллиарда долларов в стратегии автоматизации, поддержанные AI. Строгие требования к соблюдению требований часто приводят к более безопасным и аудиторским агентским системам.

На протяжении этих секторов хорошо определенные правила, такие как руководящие принципы страхования, кредитные политики и клинические протоколы, могут быть закодированы как ограничители, которые формируют поведение агентов.

Технические и управленческие проблемы

Предприятия сталкиваются с несколькими препятствиями при реализации агентских систем.

Сложность данных и интеграции:

Агентам нужен доступ к API, документам, базам данных и реальной информации. Команды должны индексировать большие объемы неструктурированных данных, настроить серверы Model Context Protocol и построить надежные интерфейсы инструментов. Эти задачи часто превышают текущие навыки IT.

Фрагментированное инструментирование:

Не существует стандартного фреймворка агентов. LangGraph, DSPy, AutoGen и подобные инструменты имеют компромиссы в отношении безопасности, гибкости и зрелости. Многие предприятия обращаются к консалтинговым фирмам или поставщикам “агента в коробке”, получая хрупкие или неполные решения.

Оценка и наблюдаемость:

Измерение точности агента, безопасности и дрейфа требует оценочных трубопроводов, тестирования сценариев и реального мониторинга. Без этих систем агенты могут принимать неправильные решения без обнаружения.

Безопасность и возникающие риски:

Автономия агента вводит новые риски. Анализ BCG подчеркивает каскадные ошибки, риски имитации между агентами и уязвимости в последовательностях вызова инструментов. Эти векторы атак особенно тревожны в финансах и здравоохранении, где воздействие данных или ошибки принятия решений имеют высокие последствия.

Пробелы в навыках:

Большинство инженеров предприятий понимают API и базы данных, но не имеют опыта работы с петлями агентов, инжинирингом подсказок или цепочками инструментов. Gartner отмечает, что многие руководители, финансирующие инициативы агентов, не полностью понимают, что квалифицируется как истинный агент, что способствует низким показателям успеха.

Создание агентских систем, готовых к предприятию

Эксперты рекомендуют несколько практик для организаций, строящих агентские рабочие процессы, особенно в средах с высокими ставками.

Архитектура, безопасная по умолчанию:

Определите пределы автономии, разрешения и аудиторские следы в начале. Предоставьте только необходимый доступ и встроите журналирование и механизмы безопасности в систему. BCG подчеркивает проектирование управления в ядре архитектуры.

Платформы, управляемые политикой:

Используйте платформы, которые интегрируются с существующими системами и обеспечивают соблюдение правил во время выполнения. Двигатели политики могут проверить вызовы инструментов против корпоративных стандартов перед выполнением, гарантируя повторяющееся и аудиторское поведение.

Мониторинг человека в цикле:

Критические шаги должны включать ручной обзор, особенно в регулируемых процессах. Панели и оповещения позволяют командам контролировать действия агентов в реальном времени и быстро эскалировать аномалии.

Робустное тестирование и обратная связь:

Предприятия должны запускать симуляции песочницы, обратные тесты и тесты сценариев перед развертыванием. Постоянная оценка может обнаружить дрейф, ошибки и отклонения от соблюдения требований. Обращение с агентами как с компонентами программного обеспечения с конвейерами CI/CD увеличивает надежность.

Фреймворки продолжают эволюционировать с функциями для памяти, авторизации и аудиторской проверки. В долгосрочной перспективе предприятия хотят единую платформу, где они определяют цели и политику, и система управляет подсказками, доступом к данным и рабочими процессами соблюдения требований.

Заключение

Agentic AI имеет значительный потенциал для трансформации сложных рабочих процессов в регулируемых отраслях. Реальный успех требует безопасной архитектуры, управления, основанного на политике, надзора человека и тщательного тестирования. Предприятия, которые подходят к Agentic AI как к ядру программной способности, а не к маркетинговому ярлыку, захватят значительную ценность, в то время как те, кто полагается на ажиотаж, рискуют застрять в пилотных проектах и растранжирить инвестиции.