Среди 12 публично доступных российских продуктов готовых ИИ-агентов нет: рынок представлен платформами и ассистентами, а зрелые системы создают сами корпорации

Эксперты консалтинговой компании «Яков и Партнёры» проанализировали 30 ИИ-продуктов и 65 публично описанных примеров внедрения в России и мире. Исследование «ИИ-агенты: где хайп, где реальность» показало: только 7 из 18 международных решений (39%) соответствуют не менее пяти из шести критериев полноценного агента. Среди 12 публично доступных российских продуктов готовых ИИ-агентов не оказалось: четыре лидирующих решения являются платформами для самостоятельной сборки агентов, остальные восемь — специализированными ассистентами и чат-ботами.

«В реальных корпоративных внедрениях доля зрелых систем еще ниже. Из 43 международных кейсов только 10 (23%) достигли уровня L4–L5, то есть способны сквозным образом выполнять процесс с минимальным участием человека. Большинство решений находятся на уровне L3: они выполняют последовательность операций и обладают отдельными автономными функциями, но по-прежнему требуют существенного контроля со стороны сотрудника», — отметил Максим Болотских, партнер и глава практики ИИ и высоких технологий «Яков и Партнёры».

На российском рынке эксперты изучили 22 публичных кейса. Четыре из них соответствуют уровню L4, и все они созданы внутри крупных компаний: «Афанасий Иванов» в Т-Банке, «Маркус» в «Сбере», виртуальные разработчики Альфа-Банка и «Рубан» в «Северстали». Такая структура рынка не означает отставание: российские заказчики чаще требуют локального развертывания, работы с закрытыми данными, интеграции с унаследованными системами и соответствия нормативным требованиям, поэтому платформенный подход развивается быстрее коробочных SaaS-продуктов.

Агент или ассистент

В отчете предложены шесть операционных критериев агентности: агентный цикл, планирование, работа с инструментами, самокоррекция, память и автономное завершение задачи. Полноценным агентом считается решение, которое соответствует как минимум пяти из шести критериев. Дополнительно авторы используют пятиуровневую шкалу зрелости L1–L5 — от большой языковой модели и ИИ-ассистента до автономного агента и мультиагентной системы.

«Сегодня слово «агент» часто описывает не архитектуру продукта, а его маркетинговое позиционирование. Руководителю важно проверить, умеет ли система сама разбить цель на шаги, действовать во внешних системах, оценивать результат, исправлять ошибки и доводить задачу до конца. Если этих возможностей нет, компания покупает ассистента, но рассчитывает на сквозную автоматизацию — и завышает ожидания от бюджета и эффекта», — добавил Максим Болотских.

Порог полноценного агента прошли Claude Code, Devin, Codex от OpenAI, Operator от OpenAI, Cursor, Harvey и Manus. Еще три продукта признаны агентами с ограничениями, пять — ИИ-ассистентами; два решения являются агентными фреймворками, а одно — средством автоматизации рабочего процесса. По мнению авторов, число продуктов, названных агентами, само по себе не показывает зрелость компании: важнее автономность конкретного процесса и измеримый результат.

Массовое внедрение — минимальный эффект

Широкое распространение генеративного ИИ пока не превращается в столь же массовый финансовый эффект. Более 70% российских компаний используют генеративный ИИ хотя бы в одной бизнес-функции, а все 150 крупнейших организаций из выборки провели как минимум один пилот по ключевым ИИ-технологиям. При этом эффект свыше 5% EBITDA зафиксировали только 9% компаний. Впрочем, положительная динамика есть: доля организаций без подтвержденного эффекта за два года снизилась с 32% до 22%.

Эксперты объясняют этот разрыв «каскадом затухания»: технология может заметно ускорить отдельную задачу, но при переходе к реальному проекту и компании локальное улучшение упирается в согласования, тестирование, интеграции, унаследованные системы и неизменившиеся показатели эффективности.

«Проблема чаще находится не в модели, а вокруг нее. Если ускорить один этап и оставить прежними остальные звенья процесса, узкое место просто переместится. Поэтому внедрение должно начинаться не с покупки лицензии, а с выбора одного повторяемого сценария, назначения владельца со стороны бизнеса, фиксации исходной метрики и изменения КПЭ сотрудников вместе с процессом», — подчеркнула Марина Дорохова, директор практики ИИ и высоких технологий «Яков и Партнёры».

Российский рынок: платформы вместо готовых продуктов

Четыре наиболее зрелых публично доступных российских решения — Yandex AI Studio, GigaChat Enterprise от «Сбера», Agent Platform от Just AI и MWS AI Agents Platform от МТС — 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, отмечается в отчете.

«На западных рынках ИИ-агент во многих случаях можно купить как готовый продукт, а в России его чаще приходится собирать и встраивать в корпоративный контур. Это рациональная реакция на требования к данным, безопасности и интеграциям. Но такой путь требует архитектурного решения: локального развертывания, модульности и возможности менять модель или поставщика без полной перестройки системы», — пояснил Сергей Кобелев, ИИ-советник «Яков и Партнёры».

Сначала процесс, потом технология

Внутренние процессы компании рассматриваются как одна из основных стартовых зон для внедрения ИИ-агентов. В международной выборке 51% решений приходится на вспомогательные функции, еще 37% — на обслуживание клиентов, маркетинг и продажи.

В исследовании выделены три аспекта, влияющие на результаты внедрения. Первый — корректное определение типа решения: агент, ассистент или платформа. Второй — выбор масштаба пилотного проекта. Наиболее показательным считается тестирование в рамках одного повторяемого сценария, состоящего из 3–7 этапов, с заранее определенными владельцем, исходной метрикой, контрольной группой и источником финансового эффекта.

Третий аспект связан с оценкой экономики проекта. Частичная автоматизация обычно сокращает объем времени, затрачиваемого сотрудником на отдельные операции, однако не всегда приводит к прямому снижению расходов на персонал. Поэтому первоначальный эффект чаще выражается в росте производительности, пропускной способности, качества процессов или выручки.

Горизонт получения результатов превышает сроки, которые часто указываются поставщиками технологий. Первые 90 дней обычно связаны с проверкой гипотезы и оценкой готовности команды. Через 3–6 месяцев могут быть зафиксированы первые заметные результаты, через 6–12 месяцев — подтвержденный операционный эффект в рамках отдельного процесса. Устойчивое влияние на P&L, согласно исследованию, формируется в течение 1–2 лет, а заметный вклад портфеля проектов в EBITDA — в течение 3–5 лет.

Отдельный раздел посвящен организациям критической инфраструктуры. В июле 2026 года принят закон о поддержке развития технологий искусственного интеллекта: он вводит статусы суверенной и национальной моделей, а Правительство определит случаи, когда допускается применение исключительно таких моделей. Первые положения закона вступают в силу уже 1 сентября 2026 года, поэтому решение об архитектуре эксперты рекомендуют принимать сейчас: разворачивать системы в собственной или частной инфраструктуре, не привязываться к одной большой языковой модели или поставщику и строить модульную архитектуру.

В основе отчета — экспертная классификация публичной документации, корпоративных материалов и описаний кейсов по авторской методологии: оценены 18 международных и 12 российских продуктов, а также 43 международных и 22 российских внедрения.