88% AI-проектов не достигают производства из-за неготовности данных и отсутствия экспертизы
17 октября 2026 г. · 2 мин чтения
Также опубликовано на Italiano
Исследование IDC и Lenovo показывает, что 88% AI-проектов, запущенных как доказательство концепции, не достигают производства. Основные причины, неясные цели, неготовность данных и отсутствие в-house экспертизы в области агентного AI. В результате возникает разрыв между командой, разрабатывающей агентов, и командой, эксплуатирующей их в бизнес-процессах.
Операционные команды, часто опытные в демонстрациях, сталкиваются с ошибками при использовании агентных систем без внешней помощи. Отсутствие операционных зазоров может привести к каскадным сбоям и бизнес-катастрофам, если агент выйдет за пределы разрешенного поведения.
Сергей Семенченко, технический директор Dedicatted, отмечает, что демо-среда всегда содержит очищенные данные и определенные входы и выходы без крайних случаев. В производственной среде ситуация непредсказуема. Каждый шаг должен включать логирование, трассировку, мониторинг и проверки для обеспечения готовности к сбоям.
Семенchenko приводит базовый чек-лист для производства: у каждого агента должен быть таймаут, а каждый шаг генерации вывода должен быть залоггирован для.traceability. Системы должны уметь самооценивать в production и решать, продолжать ли задачи или перепланировать их.
Он сравнивает агентные системы с микросервисной архитектурой, где у каждого агента своиpermissions, а не общие ключи доступа. Это предотвращает утечки данных и атаки через промпт-инъекции. Важно, чтобы агент имел доступ только к тем инструментам, которые необходимы для его задачи.
Для оркестрации нескольких агентов описывается механизм handoff: роутер собирает входные данные от пользователя, системы и платформы, и решает, к какому специализированному агенту передать задачу. Агенты могут специализироваться на документировании, анализе или работе с мультимедиа.
Финальный агент собирает выводы от всех инструментов и предыдущих агентов. Если последний шаг завершился с ошибкой, система либо повторяет попытку, либо помечает задачу как неудачную. Это обеспечивает четкое определение того, кто получает работу, и что состояние сохраняется на каждом этапе.
Если память агента повреждается (memory poisoning), используются guardrails: все данные проходят детерминированные проверки на валидность и.traceability к источникам.
Проект для CASSEN Testing Laboratories показал, что адаптация потока и агента-составителя отчетов позволила сделать итоговый отчет похожим на ручную работу химиков, что решило проблему с несоответствием стиля.
При миграции с AWS на Azure Zivian Health столкнулся с различиями в системах доступа. Использование cloud-agnostic инструментов для мониторинга и валидации каждого агента после переплатформинга proved essential. Необходима проверка с использованием набора данных, покрывающего все use cases.
Semenchenko заключает, что успешные проекты выходят за рамки pilot-режима и приносят ценность, как отмечено в опросе PwC: две трети AI-агентов повышают продуктивность. Однако риск бесконечных вызовов инструментов остается: агент может многократно пытаться использовать инструмент, считая, что выход неполный, пока не появится новая данные.