88% AI pilotów nie trafia do produkcji
17 października 2026 · Czas czytania: 2 min
Dostępne również w Italiano, Русский, Português (Brasil)
Joint IDC i Lenovo przeprowadzają badanie, które wykazuje, że 88% projektów AI proof-of-concept nie osiąga produkcji z powodu niejasnych celów, nieprzygotowanej danych oraz braku wewnętrznej ekspertyzy agentowej sztucznej inteligencji. Badanie podkreśla, że często zespół odpowiedzialny za projektowanie i wdrażanie agentów nie może ich uruchomić w procesach biznesowych.
Błędy pojawiają się, gdy zespół operacyjny, zazwyczaj zaznajomiony z demonstracjami, używa systemu agentowego bez wsparcia zewnętrznego. Luki operacyjne mogą prowadzić do kaskadowych awarii i katastrof biznesowych, jeśli pojedynczy agent wykroczy poza dopuszczalne granice.
Serhii Semenchenko, CTO Dedicatted, podkreśla, że demo to czyste środowisko z przygotowanymi danymi i definicjami wejść oraz wyników. W produkcji dane są nieprzewidywalne, dlatego każdy krok wymaga logowania, śledzenia, zabezpieczeń i walidacji.
Semenchenko proponuje sprawdzenie gotowości agentowej AI poprzez zapewnienie timeoutów oraz rejestrowania wszystkich wyjść. Systemy powinny samodzielnie oceniać kontynuację zadań lub ich odroczenie.
Porównuje agentów do mikroserwisów, gdzie każdy agent ma własne uprawnienia i krótkotrwałe klucze dostępu do narzędzi, co zapobiega nieautoryzowanemu wywołaniu narzędzi i wyciekom danych.
Router agentów zbiera wejścia od użytkownika, systemu i platformy, decyduje o dalszych krokach i przydziela zadania specjalistycznym agentom, takim jak analiza czy przetwarzanie multimediów.
Ostateczny agent łączy wyniki wszystkich narzędzi i agentów, a w przypadku niepowodzenia nie wymyśla nowych danych, lecz retryuje lub oznacza failure.
W projekcie CASSEN Testing Laboratories agenci radzili sobie z długimi terminami raportów dzięki dostosowaniu przepływu i finalnego agenta, który zapewniał identyczny styl raportów jak ręczne opracowanie przez chemików.
Migrations agentowych AI, takie jak migracja Zivian Health z AWS do Azure, wymagają mapowania uprawnień, walidacji oraz narzędzi monitorujących niezależnych od platformy.
Semenchenko podkreśla, że sukces agentowego AI można ocenić poprzez porównanie wskaźników sukcesu, opóźnień i kosztów tokenów, co potwierdza badanie PwC: 66% agentów przynosi wartość i zwiększa produktywność.
Awaria agenta w nocy może prowadzić do nieplanowanych wywołań narzędzi, dlatego wprowadza się guardrails i kontrole pamięci, aby zapobiec memory poisoning i zapewnić integralność danych.