Компании все активнее инвестируют в ИИ-агентов, рассчитывая на снижение затрат и повышение эффективности, однако далеко не все проекты доходят до полноценного внедрения. Несмотря на ощутимые экономические эффекты, бизнес сталкивается с проблемами интеграции и нехваткой зрелых кейсов.
За последние три года компании заметно увеличили инвестиции во внедрение ИИ-агентов: малый бизнес потратил на такие проекты в среднем от 5 до 15 млн рублей, средний — порядка 30–60 млн, крупные игроки — 200–300 млн, а расходы корпораций превышают отметку в 950 млн рублей, по данным Axenix и исследовательского центра в сфере ИИ МГУ имени М. В. Ломоносова.
Финансовая модель подобных проектов делится на капитальные и операционные затраты. В первую категорию входят расходы на разработку решений, их интеграцию, закупку лицензий и оборудования, тогда как операционные затраты связаны с поддержкой, обслуживанием и регулярными обновлениями систем. Среди наиболее ощутимых результатов внедрения ИИ-агентов эксперты выделяют сокращение расходов на персонал, ускорение выполнения задач и снижение количества ошибок. В отдельных подразделениях экономия фонда оплаты труда может достигать 40–50%, а за счет повышения качества процессов компании способны дополнительно экономить до четверти затрат.
Структура бюджета при внедрении ИИ складывается из трех ключевых элементов: вычислительной инфраструктуры, включая серверы с графическими ускорителями, затрат на специалистов и расходов на подготовку данных. Наиболее ресурсоемкой частью эксперты называют именно работу с данными — их обработку и адаптацию моделей под специфику конкретного бизнеса.
Наибольший спрос на внедрение ИИ сегодня наблюдается в финсекторе, ретейле и электронной коммерции: особенно востребованы решения для оценки рисков и проверки документов, управления ассортиментом и автоматизации первой линии клиентской поддержки.
Однако внедрение ИИ-агентов оправдано не во всех случаях. Эксперты отмечают, что для их эффективности должны соблюдаться несколько условий: наличие большого объема повторяющихся задач, качественные и структурированные данные, а также готовность компании пересматривать существующие бизнес-процессы, а не просто автоматизировать их в текущем виде. Если же процессы редки, нестандартизированы, а данные низкого качества, то более разумным шагом становится точечная автоматизация отдельных операций.
Несмотря на текущие сложности, эксперты ожидают, что со временем стоимость разработки ИИ-агентов будет снижаться по мере накопления опыта и стандартизации подходов. Дополнительным фактором удешевления становятся сами инструменты автоматизации разработки, включая кодирующие ИИ-системы. Интерес к подобным решениям продолжит расти вне зависимости от размера бизнеса, хотя пока рынок не может похвастаться большим количеством публичных успешных кейсов. Компании по-прежнему осторожно относятся к предоставлению таким системам доступа к критически важным данным и операционным контурам, поскольку остаются нерешенными вопросы ответственности за их действия.
Показательно, что лишь 7–10% пилотных проектов, запущенных крупными технологическими компаниями в 2025 году и связанных с внедрением LLM, чат-ботов и ИИ-агентов, доходят до полноценной эксплуатации. Большинство инициатив либо остаются на стадии тестирования, либо трансформируются, либо закрываются. Основной причиной такого результата становится слабая интеграция решений в реальные бизнес-процессы: часто системы не связаны с CRM, ERP и другими корпоративными платформами. Кроме того, компании нередко инициируют проекты ради публичного эффекта, а не для решения конкретных прикладных задач, что также снижает их шансы на успешное внедрение. MSI Cubi Z AI 8M: от переговорки до фронт-офиса Государство хочет знать раньше. К чему ведет централизация уведомлений об инцидентах Почему ручной разбор запароленных архивов путь к катастрофе и что с этим делать
Источник: www.it-world.ru