ИИ-агенты в 2025: почему 95% корпоративных проектов проваливаются — и как попасть в успешные 5%

У большинства компаний сегодня есть маленькое кладбище AI-проектов. Где-то в недрах Confluence лежат презентации «умного ассистента для сотрудников», «чат-бота для клиентов», «ИИ для анализа договоров» — все они когда-то выглядели многообещающе, но тихо умерли после пилота.

И это не ощущение, это статистика. Несмотря на десятки миллиардов долларов инвестиций в генеративный ИИ, 95% организаций не видят реальной отдачи от своих проектов. Исследование MIT Project NANDA показывает: только 5% интегрированных пилотов приносят миллионы прибыли, остальные не добираются до P&L вообще. Этот разрыв получил прямое название — GenAI Divide: часть компаний превращает ИИ в операционное преимущество, остальные — в дорогую игрушку.

Цифры, которые отрезвляют

На верхнем уровне все выглядит оптимистично. Более 80% организаций уже тестируют ChatGPT, Copilot и похожие инструменты, почти 40% говорят о внедрении. На презентациях это продается как «мы уже в AI».

Но как только речь заходит не о коробочных инструментах, а о кастомных enterprise-решениях, картинка резко меняется:

• 60% компаний что-то оценивали,
• только 20% дошли до пилота,
• и лишь 5% вывели решения в продакшн.

При этом рынок AI-агентов растет как на дрожжах: с $5.32 млрд в 2025 году до прогнозируемых $42.7 млрд к 2030-му (CAGR 41.5%). Уже 79% организаций так или иначе используют AI-агентов, а 90% планируют увеличивать использование.

У тех, кто сумел пересечь разрыв, картинка совсем другая:

• средний ROI — 171% (в США — 192%),
• конверсия растет в 4–7 раз,
• операционные расходы падают до −80%.

То есть вопрос уже не «работает ли ИИ?». Работает.
Вопрос другой: почему он работает у меньшинства — и не работает почти ни у кого больше?

Главная проблема: learning gap, а не «слабые модели»

MIT называет ключевой барьер learning gap — разрыв в обучении. Большинство корпоративных GenAI-систем не запоминают обратную связь, не накапливают знания и не улучшаются со временем. Они каждый раз отвечают как будто видят задачу впервые.

Отсюда — любопытный парадокс. Те же профессионалы, которые с удовольствием пользуются ChatGPT для личных задач, скептически относятся к корпоративным ИИ-инструментам.

• 70% охотно поручают ИИ простые дела (черновики писем, базовый анализ),
• но 90% выбирают людей для сложных задач.

Причина проста. ChatGPT хорош как «одноразовый мозговой штурм»: 

• Открыл,
• написал промпт,
• получил черновик,
• закрыл вкладку.

Но он не помнит, как именно ваша команда правит договоры, какие риски важны именно для вас, как ваши менеджеры реально общаются с клиентами. Как точно сказал один корпоративный юрист: ‍

Для первых черновиков — супер. Но для критичной работы мне нужна система, которая учится на наших кейсах, а не начинает каждый раз с нуля.

В топ-барьерах масштабирования ИИ-пилотов первое место занимает нежелание сотрудников реально пользоваться инструментами, второе — качество вывода. И проблема тут не в «слабых LLM», а в том, что им не дали память, контекст и механизм обучения на реальных процессах. Далее по списку — плохой UX, слабая поддержка руководства и классический ад change management.

Почему внедрения проваливаются — и что делают те самые 5%

Данные MIT показывают еще одну важную закономерность:

• если компании делают всё сами, до продакшна доезжают 33% проектов,
• если работают с внешними партнёрами, deployment достигается в 67% случаев.

У купленных решений вдвое выше реальное использование сотрудниками. Не потому что внешние умнее, а потому что они заточены под будущее масштабирование, а не под красивый пилот.

Вторая проблема — распределение бюджета. Около 50% расходов на GenAI летит в продажи и маркетинг — демо, витрины, презентации. При этом наибольший ROI приносит автоматизация back-office:

• сокращение BPO на $2–10M в год,
• −30% расходов на агентства,
• экономия $1M на внешних проверках рисков.

Конкретный пример — виртуальный ассистент Air India, который автоматически обрабатывает 97% из более чем 4 миллионов запросов клиентов, экономя миллионы на поддержке. Не презентация для совета директоров, а рутинная, но масштабная операционная работа.

Вывод: проваливаются не «проекты на ИИ», а подход «сделаем демку, потом разберемся». Успешны те, кто изначально строит обучающиеся системы, встроенные в реальные workflow.

Эра агентного ИИ: системы, которые реально учатся

Решение GenAI Divide — в переходе от «чата с моделью» к agentic AI — системам, где память и обучение встроены в архитектуру.

Вместо схемы «дай полный контекст — получи ответ», агентные системы:

• держат постоянную память,
• учатся на взаимодействиях,
• могут автономно координировать сложные процессы и цепочки инструментов.

Уже сейчас экспериментальные агенты:

• закрывают весь цикл обслуживания клиента end-to-end,
• мониторят и одобряют рутинные финансовые транзакции,
• ведут sales pipeline, отслеживая всю историю взаимодействий по каналам.

Под это выстраивается и инфраструктура:

• Model Context Protocol (MCP) от Anthropic,
• Agent-to-Agent (A2A) от Google,
• NANDA от MIT.

MCP стандартизирует, как приложения отдают структурированные данные и инструменты в LLM.
A2A описывает, как агенты общаются друг с другом, делятся состоянием и координируют шаги.

На практике это складывается так: один агент через MCP собирает данные из внутренних систем, другой через A2A берет результат и запускает следующий шаг. Получается Agentic Web — слой координации поверх ваших существующих систем, вместо монолитного «суперприложения».

Рынок под это уже выстраивается: по разным оценкам, рынок AI-агентов вырастет с $5.4B в 2024 до $50.31B–$105.6B к 2030–2034. И к концу 2026 года 40% enterprise-приложений будут включать task-specific AI-агентов.

Окно возможностей: 18 месяцев, которые решат всё

MIT довольно жестко формулирует: следующие 18 месяцев определят, на какой стороне разрыва окажется компания. Сейчас предприятия активно фиксируют отношения с вендорами и платформами — и чем больше система учится на ваших данных, тем дороже переключение.

CIO одной финансовой компании с выручкой $5B сформулировал это так:‍

Мы тестируем пять GenAI-решений. Выиграет то, которое лучше остальных научится именно нашим процессам. Как только мы вложили месяцы в обучение системы понимать наши workflow, менять её становится почти нереально»

То есть каждая неделя без стратегии по агентному ИИ — это не просто «упущенные возможности», это растущий технологический и организационный долг.

Directual: платформа для ИИ-агентов, которая не ломается при росте

На этом фоне становится критичным выбор платформы. Нужен инструмент, который позволит быстро запускать агентов, но при этом не потребует миграции, когда пилот внезапно выстрелит.

Здесь на сцену выходит Directual — full-stack no-code платформа, которая изначально спроектирована не «для прототипчиков», а для роста. Многие no-code решения упираются в потолок при первых же серьезных нагрузках. Directual построен наоборот — от продакшн-нагрузок вниз, к MVP.

Что важно для AI-агентов и есть в Directual уже сегодня:

• Встроенная AI-инфраструктура: векторная БД, embeddings, RAG-пайплайны и агенты — из коробки.
• Full-stack подход: backend и frontend на одной платформе. API-builder (REST, GraphQL, webhooks) и автогенерация Swagger.
• Scenarios-движок: универсальный workflow engine, который переваривает тысячи событий в реальном времени или по расписанию.
• Масштабируемость: NoSQL-БД для миллионов записей, векторная БД для семантического поиска на боевых нагрузках.
• Гибкость развертывания: SaaS, private cloud или полностью on-premise — в зависимости от требований безопасности и регуляторики.

Ключевая идея проста: вам не нужно менять платформу, когда ваш первый агент внезапно «взлетит». Directual растет вместе с продуктом — от пилота до агентной экосистемы.

Как войти в те самые 5%: конкретные шаги

MIT довольно чётко описывает стратегию для тех, кто хочет перейти на «правильную сторону» GenAI Divide. Если перевести это с консалтингового на человеческий язык, получается такой чек-лист:

1. Хватит инвестировать в статичные чат-интерфейсы. Любая система, которая каждый раз «забывает» прошлый опыт, обречена.
2. Работайте с вендорами, у которых в дизайне заложены память и обучение. Не покупайте «красивый бот», покупайте систему, которая учится на ваших данных и фидбэке.
3. Встраивайте ИИ в реальные workflow, а не в демо-сценарии. Пусть агент закрывает конкретный кусок процесса end-to-end, а не просто «подсказывает».
4. Начинайте с узких, но дорогих задач. Не «умный ассистент для всех», а, например, агент для проверки рисков в договорах или поддержки клиентов для одного сегмента.
5. Выбирайте платформу, которая выдержит рост. От первого пилота до тысяч агентов в разных бизнес-направлениях — без болезненной миграции.

GenAI Divide — не приговор. Это всего лишь следствие архитектурных решений и качества исполнения. Но окно возможностей уже ограничено по времени: те, кто сейчас строит системы с памятью, обучением и автономностью, закрепляют позиции, которые потом будет очень сложно выбить.

Готовы создать своего первого AI-агента?
Мы в Directual сделали бесплатный курс по AI-агентам, чтобы сократить ваш путь от идеи до работающей системы:

Без кода, но с реальной логикой, интеграциями и памятью. То есть с тем, что отличает 5% успешных проектов от всех остальных.

Окно открыто. Вопрос только в том, зайдет ли в него ваша компания — или ограничится еще одной красивой демкой.