Готовых ИИ-агентов не оказалось ни в одном из 12 публично доступных российских продуктов на базе нейросетей. Четыре лидирующих решения являются платформами для самостоятельной сборки агентов, остальные восемь - специализированными ассистентами и чат-ботами. На это указывает исследование компании «Яков и Партнёры».
Хайп или реальность?
Консалтинговая компания «Яков и Партнёры» представила результаты исследования «ИИ-агенты: где хайп, где реальность». В рамках исследования было изучено 30 продуктов, основанных на искусственном интеллекте, а также 65 публично описанных примеров внедрения в России и мире. Для оценки «агентности» исследователи выделили шесть операционных признаков: цикл функционирования, способность к планированию, взаимодействие с инструментами, самокоррекция, наличие памяти и самостоятельное завершение задач.
Система считается полноценным агентом, если соответствует не менее пяти из шести критериев. Кроме того, была разработана пятиуровневая шкала зрелости (L-L5), охватывающая спектр от простых больших языковых моделей до сложных мультиагентных систем.
По мнению партнера и главы практики ИИ и высоких технологий консалтинговой компании «Яков и Партнёры» Максима Болотских, сегодня слово «агент» часто описывает не архитектуру продукта, а его маркетинговое позиционирование. Он подчеркнул, что для руководителей критически важно удостовериться в способности системы самостоятельно декомпозировать цели, оперировать во внешних средах, проводить оценку итогов, устранять ошибки и доводить работу до конца. Отсутствие этих функций, по его словам, приводит к завышенным ожиданиям от покупки «ассистента» с расчётом на полную автоматизацию.
Анализ показал, что лишь 39% (7 из 18) изученных международных решений соответствуют критериям полноценного агента. Среди 12 российских продуктов, доступных публично, полноценных ИИ-агентов не выявлено. Четыре наиболее продвинутых решения представляют собой платформы для самостоятельной разработки агентов, а остальные восемь являются узкоспециализированными ассистентами и чат-ботами.
Доля зрелых систем
Максим Болотских уточнил, что в реальных корпоративных проектах доля зрелых систем ещё ниже. Из 43 международных кейсов только 10 (23%) достигли уровней L4–L5, что означает способность выполнять сквозные процессы с минимальным вмешательством человека. Большинство систем находятся на уровне L3, выполняя последовательности операций и обладая некоторыми автономными функциями, но требуя значительного контроля со стороны персонала.
На российском рынке было изучено 22 публичных кейса, четыре из которых достигли уровня L4. Все они разработаны крупными компаниями: «Афанасий Иванов» в Т-Банке, «Маркус» в «Сбере», виртуальные разработчики Альфа-Банка и «Рубан» в «Северстали». Исследователи полагают, что такая структура рынка не свидетельствует об отставании России. Местные заказчики чаще ориентированы на локальное развёртывание, работу с конфиденциальными данными, интеграцию с устаревшими системами и соответствие нормативным требованиям, что стимулирует развитие платформенных решений в ущерб готовым SaaS-продуктам.
Среди продуктов, прошедших порог полноценного агента, упомянуты Claude Code, Devin, Codex от OpenAI, Operator от OpenAI, Cursor, Harvey и Manus. Ещё три решения признаны агентами с ограничениями, пять - ИИ-ассистентами, два - фреймворками для агентов, а одно - инструментом автоматизации рабочего процесса.
Авторы исследования подчёркивают, что само по себе количество продуктов, названных агентами, не отражает зрелость компании; важнее автономность конкретного процесса и измеримые результаты.
Генеративная составляющая
Несмотря на широкое распространение генеративного ИИ, его финансовый эффект пока не столь масштабен. Более 70% российских компаний применяют генеративный ИИ в одной или нескольких бизнес-функциях, а все 150 крупнейших организаций из выборки провели как минимум один пилотный проект. При этом эффект свыше 5% EBITDA зафиксировали лишь 9% компаний. Тем не менее, наблюдается положительная динамика: доля компаний без подтверждённого эффекта за два года снизилась с 32% до 22%.
Директор практики ИИ и высоких технологий компании Марина Дорохова считает, что проблемы чаще возникают не в самой модели ИИ, а в сопутствующих процессах. Ускорение одного этапа при сохранении остальных звеньев приводит лишь к смещению «узкого места». Поэтому внедрение следует начинать с выбора повторяемого сценария, назначения ответственного со стороны бизнеса, фиксации исходных метрик и корректировки KPI сотрудников в соответствии с изменениями процессов.
По оценкам компании «Яков и Партнёры», в число наиболее зрелых публично доступных российских решений вошли четыре - Yandex AI Studio, GigaChat Enterprise от «Сбера», Agent Platform от Just AI и MWS AI Agents Platform от МТС, и все они являются платформами для сборки агентов. «Они соответствуют большинству архитектурных критериев, однако клиент должен самостоятельно создать на их основе решение под собственный процесс. Остальные продукты из российской выборки относятся к ассистентам, юридическим помощникам и диалоговым системам», - отмечают авторы исследования.
В этой связи, по словам ИИ-советника «Яков и Партнёры» Сергея Кобелева, на западных рынках ИИ-агента во многих случаях можно купить как готовый продукт, а в России его чаще приходится собирать и встраивать в корпоративный контур. Это обусловлено требованиями к данным, безопасности и интеграциям. Но такой путь требует архитектурного решения: локального развертывания, модульности и возможности менять модель или поставщика без полной перестройки системы.
Фото: Шедеврум.