TAdviser: Рынок агентных ИИ-систем России. Обзор TAdviser

Слово «ИИ-агент» на российском рынке сегодня означает слишком разные вещи: для одних это любой чат-бот с доступом к базе знаний, для других — только система, способная самостоятельно спланировать и выполнить многошаговую задачу без участия человека. Из-за этого разрыва в определениях участники рынка расходятся не только в терминологии, но и в оценке его объема — иногда в разы, — а разговор о том, работают ли агенты на практике, каждый раз начинается с вопроса, что вообще считать агентом.

За спором о терминах стоит более практичный сдвиг: в 2026 году рынок ИИ-агентов явно смещается от демонстрации возможностей к вопросу, какой процесс агент реально закрывает и во сколько это обходится компании.

В новом обзоре TAdviser мы собрали оценки объема и динамики рынка, структуры спроса по отраслям и типовым сценариям, требования заказчиков к агентным решениям, мнения экспертов о зрелости российских продуктов и конкурентной среде, а также ключевые барьеры внедрения, актуальные технологические тренды и прогнозы участников рынка на 2027–2028 годы.

1 Объем и динамика российского рынка ИИ-агентов в 2025–2026 годах

Единая методика подсчета объема рынка ИИ-агентов в России пока не сложилась, и это главная причина, по которой оценки экспертов расходятся. Одни включают в периметр только универсальную агентную инфраструктуру и лицензии на LLM, другие добавляют услуги внедрения, заказную разработку и работу с корпоративными данными, третьи исключают инфраструктуру и GPU как отдельную статью.

Разброс усиливается и тем, что затраты на агентов часто не выделяются в бюджетах компаний отдельной строкой: агент внедряется в составе чат-бота, речевой аналитики или сервис-деска, и его стоимость растворяется в бюджете прикладного проекта.

Согласно оценке «Группы Астра», объем российского рынка ИИ-агентов в 2025 году составил 15–25 млрд рублей, или около 30% рынка ИИ-платформ. При этом исследование «Яков и Партнеры», опубликованное в июле 2026 года, указывает, что полноценными агентами можно считать только около 40% проанализированных на мировом рынке решений.

По оценке MWS AI, объем российского рынка ИИ-агентов по итогам 2025 года составил около 15 млрд рублей. В 2026 году компания ожидает роста объема российского рынка ИИ-ассистентов для корпоративных заказчиков до 30 млрд рублей.

Стоимость внедрения агентного решения в крупной компании остается существенной: она складывается из лицензий на модель или платформу, инфраструктуры, интеграций, подготовки данных, мониторинга и последующего сопровождения.

Практика внедрения участников рынка показывает, что большинство проектов пока находится на стадии концептуального проектирования или отладки после запуска, а завершенных историй с подтвержденным эффектом немного. Отдельный ИИ-агент редко закрывает значимую корпоративную задачу самостоятельно, для этого требуется система из нескольких агентов и связанных с ними процессов.

Массовое использование агентов вне пилотного контура тоже остается ограниченным: реальную автономную работу, выходящую за пределы формирования запросов к модели, пока освоила лишь небольшая часть компаний, тогда как основная масса организаций только рассматривает возможность внедрения.

Расхождение экспертных прогнозов в объемах не мешает единому пониманию направления движения рынка: дальнейшая динамика будет определяться не количеством новых моделей и пилотов, а долей проектов, которые дойдут до регулярной эксплуатации и будут оцениваться по качеству, безопасности и экономической эффективности.

2 Структура спроса: отрасли, категории заказчиков и наиболее востребованные сценарии

Спрос на ИИ-агентов формируется сочетанием нескольких условий: большим объемом однотипных, но не полностью одинаковых операций, оцифрованными процессами и понятной стоимостью времени сотрудника. Там, где эти условия совпадают, агенты внедряются быстрее и по объему, и по числу сценариев.

По этому признаку лидирующую группу отраслей формируют:

• банки и финансовый сектор;
• телеком;
• ритейл и электронная коммерция;
• страхование;
• промышленность и агропромышленный комплекс;
• государственный сектор и крупные государственные организации;
• энергетика и логистика.

Во вторую группу, менее насыщенную внедрениями, но при этом и более динамичную, входят медицина, недвижимость, энергосбыт и ЖКХ. Зрелость процессов там ниже, поэтому эффект на вложенный рубль часто выше, чем в отраслях-лидерах.

ИИ активно применяется в маркетинге, продажах, производстве и управлении персоналом, а технологии обработки текста используют уже более трети компаний.

Набор типовых задач, для которых компании чаще всего используют агентов, включает:

• первую линию поддержки клиентов и сотрудников;
• обработку договоров, счетов, претензий, первичных документов;
• работу с корпоративными базами знаний и поиск информации;
• внутренние сервисные функции — ИТ- и HR-хелпдески, юридические и операционные вопросы;
• поддержку продаж — квалификацию обращений, подготовку материалов для менеджера, заполнение CRM;
• закупки и работу с контрагентами, включая сверки;
• аналитику, подготовку сводок и отчетности;
• помощь разработчикам на разных этапах цикла разработки, включая ревью кода.

На первом этапе компании ставят агентов на поиск и обработку информации: работу с документами, ответы на типовые вопросы, помощь разработчикам. На следующем этапе агент переходит от подготовки информации к выполнению действий — проверяет данные, создает заявку, направляет ее на согласование, отслеживает статус. Именно такие сквозные сценарии дают наиболее заметный эффект, но пока встречаются реже, чем точечные внедрения на одном этапе.

Агентам в первую очередь передают операции, не требующие расширенных прав доступа и работы с чувствительными данными, — так проект проще согласовать со службами безопасности и комплаенса.

»Рынок расслоился и все покупают по-разному. Крупный enterprise с собственными ИИ-командами выбирает платформу-конструктор в своем контуре или строит ее самостоятельно: десятки сценариев под разные роли, песочница пилотов, чувствительные данные, независимость от одной команды разработки. Средний бизнес чаще берет готовых агентов под типовую задачу из облака — решает скорость: запуск за недели и оплата за использование. Но самый простой для потребления — ИИ-инструменты и встроенные агенты внутри уже используемой корпоративной системы: генеративные ответы внутри базы знаний, LLM-аналитика внутри речевой аналитики, ИИ-классификация в хелпдеске. Такой агент максимально приземлен на конкретные задачи — с доступом к данным, контексту клиента и интеграциям, он встроен в процесс, обладает навыками для решения задачи и потому дает ценность, — отмечает Александра Деханова, руководитель направления генеративного и диалогового ИИ Naumen.»

Вместе с платформой заказчики получают готовые бизнес-приложения, безопасность, единое журналирование, контроль доступа и управление затратами на модели. На горизонте трех лет владение обычно выходит дешевле, чем если покупать отдельного агента. Платформа выигрывает тем, что в будущем позволяет не допустить технического долга, обилия несовместимых точечных решений, требующих поддержки. Но в моменте она почти всегда дороже точечного решения, и это самая частая причина, по которой сделки не закрываются.

Заказчики, у которых недостаточно ресурсов для собственной разработки агентов, покупают их.

Готовые «коробочные» автономные агенты как самостоятельный продукт на рынке почти не встречаются. То, что продается под этим названием, обычно оказывается ассистентом поддержки или ботом для типовой функции, который все равно требует донастройки под процессы конкретной компании.

Заказная разработка с нуля сокращается и остается востребованной в основном там, где есть уникальные бизнес-процессы или жесткие требования регулятора, и все чаще она строится не с чистого листа, а поверх готовой платформы.

Одновременно усиливается тренд на внутреннюю разработку: удешевление написания кода с помощью ИИ-инструментов позволяет быстро собрать работающий прототип, который выглядит убедительно и заставляет отказаться от вендорского решения даже при сопоставимом или лучшем качестве последнего. Хотя при этом важно все же считать экономический эффект.

Отдельно усиливается спрос на инфраструктурный слой между заказчиком и моделями — единый шлюз доступа к разным LLM с маршрутизацией запросов, лимитами и политиками безопасности. Для части поставщиков этот инструмент уже обгоняет по спросу конструкторы агентов, поскольку закрывает практическую потребность бизнеса не наращивать зависимость от одной модели или одного вендора и управлять расходами на инференс централизованно.

Общий вектор — переход от покупки технологии к покупке результата. Заказчику нужен рост конверсии продаж, снижение стоимости обработки документов, быстрое принятие решений и сокращение затрат на определенную функцию. Бизнесу интересен работающий процесс, поэтому связка «платформа-внедрение-сопровождение» становится основным форматом.

Готовый агент хорошо подходит для понятной типовой задачи, но как только его требуется встроить в существующий процесс, возникают требования к интеграциям, правам доступа и логике работы. Поэтому на практике часто встречается комбинация «готовая платформа — настройка под конкретный процесс — интеграция с корпоративными системами». В отдельных случаях, особенно для специфических отраслевых задач, остается востребована заказная разработка.

3 Ключевые требования к агентным решениям

При обсуждении на уровне компании заказчики обычно называют на первом месте качество выполнения задач, далее следуют:

• безопасность и контроль действий агента — какие данные он видит, что может делать, кто и как это проверяет;
• возможность локального развертывания — особенно для чувствительных данных и регулируемых отраслей;
• интеграция с существующим ИТ-ландшафтом: 1С, СЭД, CRM, ERP, HR-системами, ITSM — без доступа к ним агент остается обычным чат-ботом;
• поддержка нескольких моделей — возможность менять или комбинировать LLM без пересборки сценария;
• стоимость владения.

Без прохождения службы информационной безопасности крупная компания решение просто не пропустит, поэтому этот фактор становится условием запуска проекта. В 2026 году Content AI провела большое исследование, посвященное применению больших языковых моделей в крупном бизнесе. По мнению респондентов, в числе которых ИТ- и ИБ-эксперты из финсектора, ритейла, ТЭК, телекома и нефтегаза, главным критерием выбора ИИ-агентов является возможность контроля над данными и информационная безопасность (59%). При нарушении этих требований сравнивать остальные критерии бессмысленно.

На втором месте по важности для крупного бизнеса, как показало исследование Content AI, находится ТСО (полная стоимость владения), возврат инвестиций и цена (35%). Просчет экономической эффективности становится важнейшим этапом перед запуском проектов. Также для 6% респондентов исследования была важна скорость запуска. На это влияет наличие готовых сценариев и простота настройки. Этот фактор часто упускают, когда демонстрацию проводит вендор. В дальнейшем же заказчику нужно самостоятельно тестировать, обновлять и сопровождать решение.

К основным метрикам оценки относятся стоимость успешно завершенной операции, время полного цикла, доля автоматического выполнения, число ошибок и возвратов, время ручной проверки. Заказчики также смотрят на доступность решения и его способность выдерживать пиковую нагрузку. Высвобожденное рабочее время само по себе не гарантирует прямую экономию денежных средств. В ряде процессов эффект проявляется в росте обрабатываемого объема при том же штате, сокращении очередей, соблюдении сроков и повышении качества обслуживания.

Готовые сценарии и простота настройки чаще важны для среднего бизнеса без собственной команды разработки и для быстрого запуска пилота. Крупные компании уделяют этому меньше внимания и сосредотачиваются на масштабировании и устойчивости решения к реальным процессам — сложным согласованиям, исключениям, разнородным источникам данных.

Качество агента оценивается на собственных документах, регламентах и нетиповых случаях заказчика. Например, как агент извлекает информацию из документов, какую долю обращений обрабатывает корректно, как ведет себя на исключениях. Агент должен стабильно решать задачу, использовать нужные источники, выполнять правильные действия, соблюдать ограничения и сообщать, если данных недостаточно.

В количественном выражении качество измеряется бизнес-метриками:

• временем цикла обработки;
• долей автоматизированных операций;
• числом ошибок;
• показателем ROI.

Отдельный фактор, который редко закладывают в требования заранее, — расходы на модели и их предсказуемость. Заказчику важно понимать, какие модели доступны на демо-стенде, в разработке и в продуктивном контуре, и с какой квотой по каждому подразделению. Без ограничений по квотам расходы становятся непредсказуемыми, и это тормозит масштабирование не хуже технических проблем.

Похожая логика касается выбора между облаком и изолированным контуром: для закрытого контура нужны локальные модели и GPU, то есть иной сайзинг и иная стоимость, которую нужно считать до пилота, а не после его запуска.

Часть экспертов описывает запрос корпоративного заказчика не как список требований, а как три обязательных слоя:

• единая точка входа сотрудников к языковым моделям и агентам в диалоговом режиме, с которой обычно начинаются внедрения;
• платформа для сборки агентов, включая шаблоны и low-code-конструктор, чтобы бизнес-подразделения могли собирать агентов под свои процессы самостоятельно;
• инфраструктурная обвязка, которая делает первые два слоя безопасными и управляемыми: локальное развертывание моделей для работы с конфиденциальными данными, легкие модели-фильтры для проверки запросов и ответов на утечки и нарушения политик, логирование, мониторинг качества и разграничение доступа. Без этого слоя первые два годятся только для демонстрации, а не для промышленной эксплуатации.

4 Переход от пилотов к промышленной эксплуатации и экономика проектов

Экспертные оценки того, на какой стадии находится рынок, заметно расходятся, но большинство участников сходится в одном: экспериментальный этап в целом пройден, промышленные внедрения уже существуют, а массовое масштабирование пока остается редкостью и характерно лишь для ограниченного круга наиболее зрелых компаний.

Классификация обращений, ответы по базе знаний, извлечение данных из документов уже тиражируются под нагрузкой, тогда как многошаговые и мультиагентные сценарии, где несколько агентов согласуют работу между собой, остаются экспериментом.

Доля пилотов, доходящих до промышленной эксплуатации, оценивается очень по-разному: от одного из двадцати до примерно семи из десяти, с промежуточными значениями в диапазоне 10–30%. Такой разброс сам по себе говорит о том, что единой методологии подсчета пока нет, а достоверной официальной статистики по рынку не существует. При этом почти все участники отмечают, что переход из пилота в промышленную эксплуатацию — самый узкий участок процесса, и именно там останавливается основная масса проектов.

Причины остановки в подавляющем большинстве случаев не связаны с качеством самой модели. На пилоте достаточно показать, что агент справляется с задачей на ограниченной и заранее подготовленной выборке. При переходе в промышленную эксплуатацию появляются требования, которые на этапе демонстрации не проверялись: подключение к рабочим корпоративным системам, прохождение информационной безопасности, распределение ответственности за нестандартные ситуации, работа с данными, которые на практике оказываются разрозненными и противоречивыми.

Отдельная группа причин связана с экономикой и организацией проекта. На стадии пилота считается стоимость эксперимента, а при переходе в эксплуатацию — уже полная стоимость владения с учетом интеграций, доработок, поддержки и инфраструктуры для работы в закрытом контуре, включая оборудование. Часто эти расходы заранее не закладываются, и оказывается, что экономический эффект либо не определен, либо не покрывает реальные затраты.

К этому добавляется отсутствие владельца бизнес-процесса и заранее зафиксированных метрик успеха: пилот нередко запускают энтузиасты внутри одного подразделения без встроенности в операционную модель компании, и проект теряет актуальность при смене приоритетов или спонсора.

Дополнительные ограничения связаны с санкциями и доступностью капитала. Российским компаниям сложнее получать часть технологий и инфраструктуры, а возможностей для финансирования новых технологических команд и проектов заметно меньше, чем на крупнейших мировых рынках. Это ограничивает и количество новых решений, и скорость их масштабирования. Поэтому дальнейший рост российского рынка ИИ будет зависеть от количества команд, которые умеют превращать возможности моделей в работающие бизнес-системы с измеримым экономическим эффектом.

Кроме того, барьером становятся недостаточная инфраструктура, дефицит и качество данных, проблемы интеграции и нормативные ограничения.

5 Зрелость российских решений и конкурентная среда

По мнению участников рынка, его зрелость сегодня неравномерна по классам задач и глубине автономности. У разных вендоров устойчиво в промышленном режиме работает довольно широкий и во многом однородный набор функций: поиск и ответы по корпоративным базам знаний, классификация и извлечение структурированных данных, диалоговые агенты первой линии поддержки, аналитика по обращениям и операциям, распознавание и обработка речи, помощники для разработчиков и т. д.

В Content AI считают, что массовых внедрений сквозных агентных процессов на российском рынке пока нет. Большую часть реализованных проектов составляют отдельные сценарии с ограниченной зоной ответственности, которые заказчики реализовали самостоятельно. А сквозная автоматизация процесса в масштабе компании встречается редко.

На основе проведенных экспериментов и пилотов в Content AI видят четкое подтверждение трех эффектов: сокращается время обработки, снижается объем ручных операций, растет доля задач, которые выполняются без участия сотрудника.

Российские продукты уже вполне способны работать в промышленном контуре, но преимущественно там, где задача хорошо определена и ее результат можно проверить.

»Ключевая развилка зрелости — встроен ли агент в контур данных и процессов компании через единую модель прав и ролей. Именно здесь у экосистемных платформ, где данные, workflow и агентный доступ (MCP) уже объединены на одном ядре, эффект от внедрения агента заметно выше и предсказуемее, чем при сборке решения из разрозненных точечных инструментов — это подтверждается и глобальной практикой. Для Naumen бенчмарками являются, к примеру, ServiceNow и Salesforce, которые открыто говорят, что без чистых данных нет интеллекта, только галлюцинации, — считает Игорь Кириченко, президент ГК Naumen.»

У нескольких российских вендоров есть полноценные среды для сборки и управления агентами, с локальным развертыванием и поддержкой разных моделей. С моделями сложнее: для простых задач отечественных решений вполне хватает, но на многошаговых цепочках они пока уступают мировым лидерам, поэтому в закрытых контурах часто ставят открытые модели.

Сценарии, в которых агент выполняет действия в смежных системах под контролем человека, уже приближаются к промышленному уровню, но длинные автономные цепочки без пошагового участия человека, восстановление после ошибок и работа с транзакциями сразу в нескольких системах остаются зоной, где до массовой промышленной эксплуатации доходит лишь небольшая часть решений.

По той же причине сложная многошаговая работа с большим числом источников и длинными циклами рассуждений хотя и перестала быть чистой демонстрацией и в отдельных случаях уже дает наибольший эффект, но пока не стала массовой практикой.

Разрыв с глобальными лидерами эксперты связывают не столько с функциональностью платформ, сколько с качеством базовых моделей на сложных цепочках и с инструментами оценки надежности агентов. Общее узкое место рынка смещается от базовых возможностей моделей к обвязке вокруг них — оркестрации нескольких агентов, воспроизводимости результатов, наблюдаемости и контролю действий и расходов.

Универсальный полностью автономный «цифровой сотрудник» на этом фоне остается скорее целевым образом отрасли, чем массовой практикой. Преобладающей моделью использования пока остаются гибридные схемы с заранее установленными границами самостоятельности агента и обязательным контролем со стороны человека.

Конкурентная среда выстраивается вокруг трех типов игроков рынка, у каждого из которых сформировалось собственное устойчивое преимущество. Крупные ИТ-экосистемы опираются на масштаб: собственные модели, облачную инфраструктуру и готовые каналы дистрибуции, что позволяет им предлагать заказчику полный технологический стек сразу — от модели до готовых прикладных агентов. Их обратная сторона для заказчика — привязка к одному поставщику, что для части компаний становится самостоятельным аргументом против выбора экосистемного решения.

Независимые платформы конкурируют прежде всего гибкостью: поддержкой разных моделей, возможностью локального и гибридного развертывания и более свободной интеграцией с уже существующим ИТ-ландшафтом заказчика, не создавая зависимости от одного вендора модели.

Нишевые разработчики держатся за счет глубокой отраслевой экспертизы и готовых сценариев в конкретных сферах — юриспруденции, закупках, медицине, HR, — но все чаще существуют не как самостоятельные продукты, а как модули поверх чужих платформ.

Открытые модели заметно выровняли доступ к самой технологии, поэтому конкуренция смещается с вопроса «у кого лучше модель» на вопрос «кто закрывает весь цикл вокруг нее». Модель в этой логике постепенно превращается в сырье, а борьба идет за контур вокруг нее и за доведение задачи до проверенного результата в реальной системе заказчика.

Важным ограничением для всех становится внутренняя команда заказчика. Ускоренная ИИ-инструментами разработка позволяет крупным корпорациям закрывать часть простых задач собственными силами, и внешняя платформа сохраняет ценность ровно настолько, насколько она оказывается быстрее и дешевле такой самостоятельной разработки. В результате намечается разделение труда: типовые и простые сценарии заказчики будут все чаще реализовывать сами, а внешним интеграторам и платформам останется конкуренция в сегменте сложных мультиагентных проектов с глубокими интеграциями, где внутренней команде не хватает опыта или ресурсов.

На практике границы между типами игроков все больше размываются: заказчик может взять платформенную инфраструктуру у одного поставщика, а отраслевого агента — у другого, комбинируя решения разных вендоров под собственную задачу. В этом контексте усиливается роль партнерств и альянсов между платформами, облачными провайдерами и интеграторами, которые вместе собирают гибридные решения под конкретных крупных заказчиков. Такие союзы эксперты называют признаком перехода рынка от точечных пилотов к промышленным экосистемам.

При этом рынок уже отвечает на запрос зрелыми коллаборациями: так, Data Sapience и Selectel подтвердили технологическую совместимость платформы Kolmogorov AI с инфраструктурой Selectel и вместе с GlowByte внедрили гибридную ИИ-платформу в ГК «Таврос». Партнерство Yandex B2B Tech и К2Тех объединяет программно-аппаратный комплекс ПАК-AI с предустановленной платформой Yandex AI Studio для безопасной работы с ИИ внутри корпоративного контура.

Растет и значение бренда с каналами дистрибуции: заказчик, столкнувшись с множеством внешне похожих предложений на рынке и обжегшись на низком качестве отдельных решений, чаще выбирает либо известного крупного поставщика, либо уходит в собственную разработку.

В компании Core AI считают, что рынок постепенно будет двигаться в сторону промежуточной модели. Полностью универсальный агент плохо знает конкретный бизнес, а полностью заказная разработка дорогая и долго окупается. Поэтому перспективнее выглядит готовая технологическая платформа с глубокой настройкой под конкретный бизнес-процесс. Базовые механизмы — работа с моделями, память, безопасность, интеграционный слой, аналитика, контроль действий — могут быть стандартными. Но бизнес-логика, методология, источники данных, права и критерии успешного результата должны конфигурироваться под конкретного заказчика.

6 Что сильнее всего тормозит внедрение агентов

Практически все эксперты называют главным препятствием не саму модель или ее качество, а состояние корпоративных данных и процессов вокруг них. Информация в компаниях распределена между множеством систем, содержит дубли и устаревшие версии, часть знаний существует только в головах сотрудников или в переписке, а регламенты и справочники в разных системах противоречат друг другу. Агент делает это несоответствие заметным почти сразу после подключения, и наведение порядка в данных на практике превращается в самостоятельную часть проекта внедрения, а не в подготовительный этап перед ним.

Вторая по значимости группа проблем связана с интеграциями и легаси-системами. У части унаследованных систем нет современных API вовсе, у другой части — существует лишь формально и не покрывает нужные операции, поэтому интеграцию нередко приходится собирать через выгрузки данных или роботизацию интерфейса. Чем больше в ландшафте компании исторических систем с собственными форматами и учетными политиками, тем выше становится объем работы по адаптерам и согласованию данных между ними.

Еще один проблемный вопрос — права доступа. Ролевая модель для агента нигде не была изначально предусмотрена, поэтому службы безопасности закономерно не готовы выдавать агенту широкие полномочия сразу, а согласование доступа к чувствительным данным и границ самостоятельности агента может занимать месяцы. Если каждое подразделение решает эту задачу самостоятельно и подключает агентов к своим системам независимо, компания получает набор точечных решений с разными контурами доступа, логирования и хранения данных, и выстроить сквозной аудит и прослеживаемость действий агентов через такие разрозненные контуры становится практически невозможно.

Организационные вопросы стоят не менее остро, чем технические. Нередко компания сначала выбирает модель или технологию и лишь затем начинает разбираться, какие данные ей вообще можно передать, хотя правильная последовательность обратная: сначала нужно понять, где данные находятся, в каком виде хранятся и пригодны ли они для работы агента в принципе.

Отдельно упоминается и проблема ответственности за ошибку агента в критичном процессе: даже когда агент справляется в большинстве случаев, вопрос о том, кто отвечает за редкую ошибку, остается организационным и не имеет технического решения.

Но сильнее всего внедрение тормозит, по общему мнению, отсутствие согласованного бизнес-процесса и явного владельца результата на стороне заказчика. Если процесс, исключения и логика согласований не формализованы, агент физически не может их корректно воспроизвести вне зависимости от количества выполненных интеграций.

Без четкой метрики, определенных полномочий агента и согласованной работы бизнеса, ИТ, владельцев данных и информационной безопасности пилот рискует надолго остаться демонстрацией возможностей платформы, а не подтверждением измеримого эффекта.

7 Тренды в разработке и развитии ИИ-агентов

Ключевой тренд — переход от одиночных агентов, отвечающих на отдельный запрос, к мультиагентным системам с длинными циклами рассуждений и к полноценному выполнению процессов вместо генерации ответов.

Модель планирует задачу, декомпозирует ее на шаги, обращается к десяткам источников и систем, проверяет и корректирует собственный результат, а при необходимости передает часть работы другому специализированному агенту. Сценарии, которые еще недавно были недостижимы — исследование рынка, подготовка сложного документа, разбор инцидента, — постепенно выходят из демонстрационного режима в промышленный контур.

Из этого базового сдвига можно выделить несколько связанных направлений:

• стандартизация протоколов подключения агента к данным и инструментам, прежде всего MCP, которая позволяет строить переиспользуемые коннекторы вместо заказной интеграции под каждый случай;
• оркестрация, при которой агенты-специалисты работают под управлением агента-координатора, а мультиагентные архитектуры дополняются планировщиками и исполнителями;
• рост требований к надежности и наблюдаемости — чем длиннее цепочка рассуждений, тем дороже обходится ошибка, допущенная на раннем шаге;
• развитие практик управления агентами по аналогии с управлением сотрудниками: доступы, полномочия, аудит действий, автоматическое тестирование и контроль качества после обновления модели.

Второй устойчивый тренд — мультимодельность и токеномика как вопрос архитектуры, а не только выбора одной лучшей модели. Разные шаги одной задачи все чаще уходят к моделям разной стоимости и мощности. Платформы и шлюзы маршрутизируют запросы между ними исходя из задачи, требуемого качества и стоимости, что снижает совокупную стоимость владения решением и одновременно избавляет заказчика от зависимости на одном вендоре моделей.

Третий тренд — AgentOps или LLMOps — отдельный инженерный слой вокруг агента: тестирование на наборах контрольных запросов, трассировка действий, контроль расходов и прав, ограничения и обязательное подтверждение человека на рискованных операциях. Этот слой смещает фокус разработки на надежность инструментов и качество контекста, который передается модели, и именно он превращает пилотный проект в устойчиво работающее промышленное решение.

Отдельно выделяется трансформация подхода к разработке программного обеспечения. Вместо ассистента, который генерирует код по частям, формируется полноценный конвейер из нескольких специализированных агентов: один собирает и уточняет требования, второй превращает их в спецификацию, третий пишет код, четвертый проверяет его, пятый прогоняет тесты, шестой готовит релиз.

Роли в командах при этом смещаются: разработчик становится скорее постановщиком задач и валидатором результата, тестировщик — супервайзером агентов тестирования, архитектор — специалистом, который задает данные и ограничения для работы агентов.

Узким местом остаются постановка требований на входе и приемка результата на выходе, и выигрыш от такого подхода появляется только тогда, когда проверка результата агента становится дешевле, чем выполнение задачи человеком с нуля.

Ценность в целом смещается от самой модели к накопленному контексту организации, ее данным и наработанным сценариям использования. Интеграция агентов с окружающими системами перестает быть второстепенной задачей: источники данных, CRM, документооборот и другие системы должны быть готовы отдавать агенту структурированный и актуальный контекст и выдерживать нагрузку, более высокую и менее предсказуемую по времени, чем от живого сотрудника.

Часть рынка разворачивается в сторону экономически обоснованных решений и стремится в первую очередь довести уже запущенные пилоты до продуктивной эксплуатации, а не запускать новые проекты ради самой технологии. Параллельно сами процессы компаний начинают перепроектировать заранее под возможности агентов, встраивать агентов в существующие процессы без изменений становится не выгодно.

8 Перспективы рынка в 2027–2028 годах

По прогнозам участников рынка, к 2027–2028 годам агенты перестанут быть отдельным проектом или демонстрацией возможностей и станут частью операционной модели и стандартного корпоративного софта. Компании начнут управлять уже не отдельными решениями, а десятками сценариев одновременно, а ИИ-агенты постепенно займут в корпоративных системах то же место, которое раньше занимали, например, BI-инструменты.

Одновременно ожидается заметное расслоение самого рынка: с одной стороны останется небольшое число лидеров в универсальных агентных платформах, с другой — агентный ИИ, встроенный внутрь прикладных систем и привычных инструментов вроде CRM, ERP и документооборота, так что сотруднику для работы с агентом уже не потребуется заходить в отдельный сервис.

»Прогноз аналитиков AHD дает ориентир: с 2025 по 2030 год рынок ПО ИИ в России будет расти с CAGR 30,5%, а сегмент платформ — тех самых «рельсов» для агентов — с CAGR 50%. У меня схожие ощущения, что уже к 2027–2028 годам инфраструктурная база для массового агентного внедрения в РФ будет качественно другой, чем сегодня, — считает Игорь Кириченко, президент ГК Naumen.»

Факторы, которые способны удержать рынок на уровне точечных внедрений, во многом повторяют текущие ограничения и не исчезают сами по себе с течением времени. В их числе — низкое качество и неготовность корпоративных данных, сложные и фрагментированные права доступа, унаследованная инфраструктура без современных API, стоимость закрытого контура и капитальных вложений в вычислительные мощности, а также отсутствие владельца процесса, согласованных метрик эффекта и готовности компании менять сам бизнес-процесс под работу с агентом.

К этому добавляется дефицит специалистов, которые умеют проектировать именно агентные процессы, а не только формулировать запросы к модели, и разрыв между тем, как быстро развиваются сами модели, и тем, как медленно компании успевают перестраивать вокруг них процессы.

Эксперты также отмечают, что если внедрение агентов будет продолжаться без профессиональной постановки задачи и без перестройки процессов, просто потому что это модно, значительная часть проектов так и останется на уровне красивых пилотов без измеримого экономического эффекта и без перехода к масштабированию.