Исследование показывает, что 85% компаний тестируют AI-агентов, но только 5% доводят проекты до реального внедрения, сталкиваясь с трудностями в контроле и надежности.
Enterprise AI-индустрия переживает парадоксальный момент. С одной стороны — беспрецедентный всплеск активности: 85% компаний пилотируют AI-агентов, платформы оркестрации консолидируются, а бюджеты на агентные инфраструктуры растут двузначными темпами. С другой — суровая реальность: лишь 5% проектов доходят до реального продакшена, большинство развёрнутых «агентов» оказываются обычными чат-ботами, а финансовый контроль над их работой — скорее исключение, чем правило.
Главное препятствие, как выяснилось на VB Transform 2026, не в качестве самих моделей и не в отсутствии платформ. Проблема — в разрыве между амбициями оркестрации и инженерной дисциплиной. Компании уже выбрали вендоров (Anthropic лидирует с 40%), уже вложились в тулинг и безопасность (25% инвестиций), уже выстроили гибридные плоскости управления (51% к 2026 году). Но надёжность агентов в боевых условиях всё ещё подводит, а реальный контроль над токенами и затратами остаётся реактивным. Индустрия строит оркестрационный слой для агентов, которых пока почти нет — и это не противоречие, а дорожная карта.
Как Amazon, Meta и Cohere предлагают решать эту проблему — и почему финансовый контроль оказался самым слабым звеном во всей цепочке? Разбираемся в финальной части нашего материала.
Разрыв между амбициями и реальностью: большинство «агентов» остаются чат-ботами
Цифры выглядят впечатляюще: 85% компаний пилотируют AI-агентов. Но как только доходит до настоящего дела, картина меняется. По данным Cisco, реальный запуск в продакшен удался лишь 5% организаций. VentureBeat в своем свежем исследовании Pulse Research называет это «ловушкой чат-ботов» — и это, пожалуй, самый честный диагноз индустрии прямо сейчас.
Суть проста и болезненна. 71% предприятий (72 из 101 опрошенных) признаются: четверть или меньше их развернутых «агентов» — это настоящие многошаговые оркестрированные рабочие процессы. Всё остальное — одношаговые обёртки вокруг чат-ботов. Их переименовали, навесили красивый интерфейс, но внутри — тот же самый single-prompt вопрос-ответ. И только 10% компаний смогли перешагнуть отметку в 50% по-настоящему оркестрированных агентов. Получается, амбиции далеко обгоняют возможности, и ии автоматизация проектирование и запуск агентных систем пока остаются мечтой, а не повседневной реальностью.
Разрыв особенно заметен в среднем бизнесе. Среди компаний с численностью до 2 500 сотрудников 77% сообщают, что у них менее четверти агентов работают в многошаговом режиме. У крупных организаций этот показатель ниже — 62%, но всё равно удручающе высок. Чем меньше компания, тем сильнее соблазн назвать чат-бота агентом и успокоиться. Платформы, бюджеты и архитектура контроля уже выстроены, а вот наполнение — те самые оркестрированные воркфлоу — только предстоит создать. И это не столько противоречие, сколько дорожная карта: предприятия уже решили, как будут строить агентов, но пока не построили почти ни одного.
Платформы оркестрации: лидеры, факторы выбора и гибридный контроль
Если с реальным положением дел всё печально — большинство «агентов» до сих пор не умеют делать ничего сложнее одного запроса, — то с выбором платформы для оркестрации предприятия, напротив, определились чётко. И здесь есть явный лидер.
В свежем исследовании VentureBeat Pulse Research (101 респондент от 100+ сотрудников) выяснилось, что Anthropic Claude стала основной платформой для 40% опрошенных. Это вдвое больше, чем у Microsoft (18%) и OpenAI (13%). Google и Amazon замыкают топ-5, а открытые фреймворки вроде LangChain/LangGraph и самописные решения — в однозначных процентах. Рынок консолидируется вокруг «тяжеловесных» моделей, и вот почему.
Решающий фактор выбора — «гравитация модели». 21% респондентов прямо указали, что берут платформу из-за нативной интеграции с передовой базовой моделью. Ии автоматизация проектирование и запуск агентных систем пока держится на том, что компании хотят получить лучшее качество «из коробки». На втором месте — гибкость и простота разработки (по 17%), а замыкают тройку безопасность и совокупная стоимость владения. То есть сначала выбирают мозг, а уже потом — инструменты для его обвязки.
Но как понять, что платформа работает? Главный критерий успеха — надёжность выполнения задач (32%) и управление многошаговыми рабочими процессами (28%). Только 17% ставят во главу угла продуктивность разработчиков, и лишь 9% — пользовательский опыт. Это внутренняя история: оркестрация должна просто и стабильно тащить агента через цепочку действий, а не радовать интерфейсом.
И вот тут вскрывается любопытный разрыв между нынешним положением и планами на будущее. К концу 2026 года 51% предприятий ожидают гибридную плоскость управления — часть контроля остаётся у провайдера, часть забирают себе. И только 6% готовы полностью отдать бразды правления поставщику услуг. Почему такой перекос? Ответ прост: 35% опрошенных назвали блокировку поставщика главным страхом, если контроль уйдёт к провайдеру. Ещё 28% боятся ограничений безопасности и прав доступа, 21% — негибкости при смене моделей и инструментов. Заметим, что ещё в апреле–мае лидировали опасения по безопасности, а блокировка была лишь второй. За пару месяцев приоритеты сместились: похоже, рынок осознал, что привязанность к единому вендору опаснее, чем недонастроенные пермишены.
Инвестиции в оркестрацию уже распределены соответственно. 34% респондентов планируют увеличить траты на инструменты рабочих процессов (workflow tooling) — это прямой ответ на приоритет надёжности и многошаговости. На втором месте безопасность и управление разрешениями (25%), на третьем — масштабирование инфраструктуры (20%). Мониторинг и отладка почему-то в хвосте с 11% — пока компании скорее строят, чем наблюдают.
Стратегические планы на ближайшие 12 месяцев почти поровну делятся между тремя направлениями: 25% будут создавать собственный слой контроля поверх платформы, 24% — стандартизироваться на одном фреймворке, а 23% — наконец переводить агентов из песочницы в промышленную эксплуатацию. Вместе эти цифры рисуют портрет зрелого подхода: предприятия не доверяют ни одному провайдеру полностью, но и не хотят изобретать велосипед. Они берут готовую платформу (чаще всего Claude) и оборачивают её в собственные правила, чтобы при необходимости легко перепрыгнуть на другого вендора.
Гибридная архитектура — не просто модное слово. Это и есть та самая «плоскость управления», которую большинство выстраивает уже сейчас. Meta в лице вице-президента по инфраструктуре Барака Ягура прямо заявила: «У нас есть, может быть, 20 месяцев, чтобы перестроить всю инфраструктуру для мира, где люди и агенты совместно творят в масштабе». А Cohere на сцене VB Transform настаивает, что суверенитет — это контроль над всем стеком: от GPU до систем маршрутизации запросов и фреймворков. «Используйте правильную модель для конкретной задачи» — вот их рецепт, который позволяет не гонять каждую транзакцию через самый мощный (и дорогой) frontier-движок.
Получается, что платформенная часть уже созрела: есть лидер, есть чёткие критерии выбора, есть понимание, как распределять риски и инвестиции. Осталось только, чтобы сами агенты научились делать то, ради чего всё затевалось — надёжно выполнять многошаговые сценарии. И вот тут начинается самое интересное.
Надёжность агентов: четыре измерения и провалы в продакшене
Брайан Силверторн, директор по автономии AGI в Amazon, вышел на сцену VB Transform 2026 с неудобной правдой: индустрия застряла не на уровне моделей, а на уровне доверия. «У агентов есть проблема с математикой», — буквально сказал он, имея в виду разрыв между 85% пилотов и 5% реальных запусков, который вскрыла статистика Cisco. Чтобы разобраться, почему умнейшие алгоритмы рассыпаются в боевых условиях, Силверторн предложил разложить надежность на четыре четких измерения — и позаимствовал эту рамку у Принстона. Первое — согласованность (consistency): делает ли агент одно и то же при одинаковых входах? Второе — устойчивость (robustness): не ломается ли он при малейшем изменении окружения? Третье — предсказуемость (predictability): можно ли заранее понять, что он сделает? И четвертое — безопасность (safety): не навредит ли он? «Эта рамка распутывает разные факторы, которые я вижу спутанными почти в каждой оценке, которую когда-либо видел», — пояснил Силверторн. Проблема не умозрительная. Он привел показательный пример: заказчик развернул агента для выделения серийных номеров со скриншотов в рамках тестирования ПО. Два месяца все работало идеально. А потом агент начал время от времени читать не те цифры. Выяснилось: визуальный энкодер модели вел себя по-разному в зависимости от того, где именно на экране расположен номер — а незаметное для человека обновление софта незаметно сместило координаты. Человек бы даже не заметил, а агент сломался. «Дело не только в моделях, — резюмировал Силверторн. — Модели должны становиться лучше, мы над этим работаем. Но командам нужно измерять свои измерения вариативности и подгонять строгость измерений под stakes приложения». В Amazon нашли неожиданный способ справляться с этой неопределенностью. В AGI-лаборатории агентов называют… стажерами. Буквально: «Я попрошу своего стажера поговорить с твоим стажером». Шутка, за которой стоит серьезная философия управления. Агенты, как и стажеры, могут выдать гениальный результат или spectacular derailment. И управлять ими нужно не столько софтверными скиллами, сколько менеджерскими: спрашивать «что может пойти не так?», добавлять механизмы отката и сознательно решать, какой риск вы готовы принять. «Вы можете спросить стажера: „Эй, что ты можешь сделать не так? Как ты можешь смягчить негативные последствия?“», — говорит Силверторн. В лаборатории Amazon сознательно принимают, что агент иногда запустит не тот эксперимент — ради скорости исследований. Некоторые агенты уже работают круглосуточно, выполняя собственные высокоуровневые исследовательские планы. С полной автономией, впрочем, все сложно. Силверторн был откровенен: самоулучшающийся AI — «это громкий термин». Amazon использует AI для улучшения моделей постоянно, но полностью автономное самоулучшение — далекая перспектива. Основной фокус сегодня — на использовании компьютера (computer use). Например, один заказчик из сферы грузоперевозок уже автоматизировал сбор гарантийных требований через браузер, склеивая разнородные системы с помощью компьютерного зрения. При этом Силверторн подчеркнул: ни один будущий агент не будет полагаться только на computer use — он будет работать вместе с MCP, API и другими инструментами, чтобы закрывать сквозные сценарии. Для согласования возможностей агента с допустимым уровнем риска применяется техника LLM-as-judge — когда одна большая языковая модель оценивает выход другой. Это лишь одна из стратегий, но, по словам Силверторна, вместе с другими подходами она помогает выстроить мост между впечатляющей демонстрацией и промышленной надежностью. И здесь самое время вспомнить, что многие команды до сих пор используют для сборки агентов связку npm install g anthropic ai claude code — то есть просто ставят готовый инструмент и надеются, что он сам разберется. А потом удивляются, когда в продуктиве происходит сбой, который не выловили никакие внутренние тесты.Суверенитет и контроль данных: Cohere и полный стек
Пока одни компании мучаются с «ловушкой чат-ботов» и выбирают между Anthropic и OpenAI, другие уже присматриваются к архитектуре, где контроль над данными и инфраструктурой не передаётся вендору по умолчанию. Cohere, канадский стартап, который последние пару лет методично выстраивает репутацию «enterprise-first» платформы, выкатил на сцену VB Transform 2026 вице-президента по разработке продуктов Рашада Алао. Бывший инженер по ответственному ИИ из Google и Meta говорил прямо: суверенитет в мире агентов — это не про open-source лицензию и не про файрвол. «Важно иметь очень жёсткий контроль над тем, где находятся данные, жёсткий контроль над ИИ», — сказал Алао, уточнив, что операции должны проходить в юрисдикциях, которые организация понимает или контролирует напрямую. И это не просто про дата-центр и права доступа. Речь идёт о полном стеке: начиная с GPU и приватного облака, проходя через системы управления, которые маршрутизируют запросы между моделями, и заканчивая коннекторами, поисковыми инструментами и фреймворками агентов, которые работают с корпоративными данными. «Вы хотите иметь контроль над всем стеком», — подчеркнул Алао. Вопрос ценообразования тут встаёт ребром. Обычная логика: если токены дешевеют, то локальный инференс теряет смысл. Алао парировал: совокупное потребление растёт экспоненциально, потому что агенты больше не делают один запрос — они рассуждают, вызывают инструменты, ищут внутренние системы и делают несколько шагов, прежде чем вернуть ответ. «Ваше использование токенов растёт экспоненциально, потому что вы имеете дело со всё более сложными агентными сценариями», — объяснил он. В таких воркфлоу уходит «много обработки, размышлений, взаимодействия с инструментами». И тут Cohere сознательно отходит от мейнстрима: «Если весь способ взимания платы с клиентов — за использование токенов, вы хотите максимизировать потребление токенов. Мы не продаём наши модели и платформу таким образом». Вместо этого Cohere помогает предприятиям решать самые сложные задачи приватно и безопасно, сокращая излишнее использование модели. Рецепт простой и прагматичный: «Используйте правильную модель для конкретной задачи». Вместо того чтобы гонять каждый запрос через самый мощный frontier-движок, предприятия должны маршрутизировать работу в зависимости от требуемого интеллекта и регуляторной нагрузки. Алао привёл пример канадского банка, который использует локальные модели Cohere для высокорегулируемых нагрузок, а менее чувствительные задачи, требующие большего интеллекта, отправляет через платформу North к более крупным frontier-моделям. «Маршрутизация моделей может стать суперполезной», — резюмировал он. Поиск в этой парадигме перестаёт быть простым ретривером текста в контекстное окно. «Сегодня современный уровень — мультимодальный поиск. Это не только текстовая модальность», — сказал Алао. Поиск по документам, изображениям и другим формам информации становится «неотъемлемым компонентом агентного рабочего процесса». Модель сама решает, когда и как использовать поиск — как любой другой инструмент. Уровень управления, который Cohere встраивает в платформу, даёт клиентам возможность направлять трафик к подходящим моделям, «разрывая ту блокировку поставщика, которая беспокоит многих наших клиентов». Это прямой ответ на тот самый страх, который выявило исследование VentureBeat: 35% предприятий боятся блокировки вендора превыше всего. Cohere подкрепляет слова и железом. Модель North Mini Code, выпущенная в прошлом месяце с открытым исходным кодом, работает на одном NVIDIA H100 и нацелена на агентную инженерию: работа в терминале, ревью кода, использование инструментов. А Command A+ — модель смеси экспертов на 218 миллиардов параметров (всего 25 миллиардов активны на каждом шаге генерации) — выпущена под лицензией Apache 2.0. Это даёт предприятиям максимальную свободу: разворачивай где хочешь, модифицируй как хочешь. Алао, отвечая на вопрос из зала, признал, что крупные frontier-модели могут немного лучше справляться с самыми сложными задачами. Но для 80% случаев North Mini Code оказывается на порядок эффективнее и дешевле. И это, пожалуй, главная мысль всего раздела: суверенитет — это не про героическое сопротивление хайтек-гигантам, а про трезвый расчёт и гибридную архитектуру, где каждый уровень контроля остаётся в руках заказчика.Инфраструктурная трансформация для агентов: опыт Meta
Масштаб проблемы, которую мы только что обсудили на примере оркестрации и надёжности, выходит далеко за рамки одной компании. Meta, владеющая, пожалуй, самой массовой пользовательской базой на планете, столкнулась с этим лицом к лицу раньше остальных. Вице-президент Meta по инфраструктуре Барак Ягур вышел на сцену VB Transform 2026 с пугающими цифрами: запросы от AI-агентов к системам компании выросли в 30 раз за одно полугодие. Он тут же привёл глобальный контекст: по данным Imperva, автоматизированный трафик в прошлом году впервые превысил человеческий — 51% всего интернет-трафика. И растёт он в восемь раз быстрее, чем трафик от живых людей. «Что произойдёт с инфраструктурой, которую мы годами строили, когда основными потребителями станут не люди, а агенты? — спросил Ягур зал. — Это мир, в который мы вступаем». Он перечислил три фундаментальных допущения, которые в этой новой реальности ломаются разом. Первое — ёмкость. Раньше один инженер генерировал одну единицу нагрузки. Теперь один инженер порождает десять агентов, каждый из которых плодит суб-агентов. «Организация из тысячи человек может в одночасье создать нагрузку в 100 тысяч пользователей», — констатировал Ягур. Второе допущение — идентичность. Агент не вписывается ни в одну из существующих категорий контроля доступа: это не человек, у него нет бейджа, это не развёрнутый сервис, но он принимает самостоятельные решения. Третье — скорость. GitHub Copilot пишет 46% кода среднего пользователя, но это не делает конвейер быстрее. «Код пишется за секунды, но ваш CI/CD не ускоряется от того, что автором стала машина», — заметил Ягур. Meta не может просто заблокировать агентский трафик — это было бы равносильно самоубийству. Выход — сделать инфраструктуру «агент-осведомлённой». Компания построила доверенные среды данных (trusted data environments) — пространства, где агент может свободно исследовать данные, но каждый его выход трассируется до источника и проверяется. Чувствительные поля маскируются до того, как агент до них доберётся, а каждый запрос на доступ оценивается в реальном времени: что именно агент пытается достать, зачем и разрешено ли ему это. «Разведка широкая, публикация узкая», — сформулировал Ягур. Он добавил, что без такого управления «автономность — это просто хаос». Глубокая проблема, впрочем, не только в контроле, но и в данных, которые потребляют reasoning-модели. «Рассуждение — это голодно», — сказал Ягур. Если старым моделям хватало разреженных сводок, то модели рассуждения требуют полную поведенческую историю — каждое взаимодействие на каждой поверхности. В ответ Meta переводит ranking-пайплайны с пакетного ETL на реальное время: когда модель рассуждает о намерении пользователя прямо сейчас, ждать 24 часа бессмысленно. Одновременно хранилище становится «схемо-осведомлённым» — вместо непрозрачных бинарных блобов оно понимает, что именно лежит внутри, и вытягивает только нужные колонки и временные диапазоны, прекращая голод GPU из-за лишней пересылки данных. Целевые индикаторы, к которым идёт Meta, звучат фантастически: 500 миллионов запросов в секунду и петабайт пропускной способности в секунду на чтение тренировочных данных. Логическим следствием этой инфраструктурной революции станет изменение самих рекомендательных систем. 42% пользователей Instagram, по словам Ягура, заявили, что хотят фундаментально изменить алгоритм — не подкрутить одну сессию, а переопределить всю логику. Meta отвечает полностью диалоговыми рекомендациями: вы говорите системе, чего хотите больше, и она рассуждает о вашем намерении, а не просто подбирает ключевые слова. Один и тот же запрос «футбол» вернёт разные результаты для фаната хайлайтов и для спортсмена, ищущего тренировочные схемы — потому что система «поймёт», кто именно спрашивает. Своё выступление Ягур завершил фразой, которая уже разошлась на цитаты: «Мы потратили 20 лет на создание инфраструктуры для людей. У нас есть, может быть, 20 месяцев, чтобы перестроить её для мира, где люди и агенты совместно создают контент в масштабе. Окно открыто, но оно не будет открытым долго». И именно поэтому ии автоматизация проектирование и запуск агентных систем становятся не просто модным словом, а единственным способом не вылететь из этого окна.Финансовый контроль и мониторинг: реальность отстаёт от амбиций
Финансовый контроль и мониторинг — ещё одна зона, где амбиции разошлись с реальностью. Пока одни предприятия уже строят сложные оркестрационные слои, другие даже не могут вовремя остановить вышедший из-под контроля агент. Исследование VentureBeat показало: 27% компаний не имеют возможности в реальном времени прервать неконтролируемого агента до того, как прилетит счёт. Они узнают о перерасходе только из логов постфактум. Ещё 32% полностью полагаются на встроенные лимиты и троттлинг своей платформы — но эта защита ровно настолько хороша, насколько хороши инструменты провайдера, а значит, привязывает к нему ещё сильнее.
Те, кто решил проблему инженерно, в меньшинстве. 23% строят собственные шлюзы, а 19% используют кросс-модельную маршрутизацию для арбитража затрат, перебрасывая задачи на более дешёвые модели, когда можно сэкономить. Именно эти компании относятся к контролю токенов как к детерминированной инженерной задаче, а не как к доверительному управлению. Стоит отметить, что среди предприятий с числом сотрудников до 2500 лет реактивный контроль расходов встречается у 34% — примерно каждый третий. В крупных организациях — уже только 20%. То есть малый и средний бизнес одновременно и отстаёт в зрелости агентов, и хуже контролирует бюджеты.
Парадоксально, но инвестиции в системы мониторинга и отладки составляют всего 11% от планируемых затрат на оркестрацию. Компании тратят гораздо больше на инструментарий для рабочих процессов (34%) и безопасность (25%), а на наблюдение — почти в три раза меньше. Финансовый контроль в целом отстаёт: агенты уже выходят в продакшен быстрее, чем строятся механизмы контроля затрат. Для инвесторов, отслеживающих динамику рынка через архив investing.com, это сигнал: пока лидеры вроде Cohere Inc (акции которой активно обсуждаются на портале) делают ставку на прозрачное ценообразование и локальное развёртывание, большинство игроков всё ещё пытаются догнать уходящий поезд, не пристегнув ремни.
Разрыв между амбициями и реальностью — пожалуй, самый честный диагноз, который можно поставить сегодняшней enterprise-AI-индустрии. Платформы выбраны, бюджеты расписаны, архитектура контроля уже проектируется как гибридная — но агенты, ради которых всё затевалось, пока что не умеют надёжно выполнять многошаговые задачи, а счёт за их работу может прилететь в любой момент. 20 месяцев, о которых говорит Meta — не гипербола, а срок годности текущей инфраструктуры. Кто успеет перестроить её для мира, где агенты плодятся быстрее, чем люди успевают их контролировать, тот и будет диктовать правила на следующем витке. А для тех, кто следит за рынком через архив investing.com, акции Cohere Inc — возможно, один из барометров того, насколько серьёзно индустрия готова засучить рукава.