Российские компании переходят от единичных пилотных проектов к промышленному внедрению ИИ-агентов. По данным Cloud.ru и Высшей школы бизнеса НИУ ВШЭ, представленного на конференции GoCloud 2026, крупные компании в среднем тратят на запуск проектов с агентными системами 10–50 млн рублей.
Инвестиции включают капитальные затраты (CAPEX) и операционные (OPEX). К CAPEX относятся расходы на вычислительную инфраструктуру (GPU-кластеры, серверы), разработку или закупку платформенных решений и интеграцию с существующими корпоративными системами. OPEX — это затраты на поддержку и дообучение моделей, мониторинг, оплату облачных сервисов и содержание команды.
Объём инвестиций зависит от размера компании. В крупных технологических компаниях (бигтех) он может превышать сотни миллионов рублей. Средняя сумма по рынку — 10–50 млн рублей.
Сроки окупаемости проектов различаются:
- Простые сценарии автоматизации с готовыми решениями — менее 12 месяцев;
- Средние проекты с донастройкой и интеграцией — 12–24 месяца;
- Крупные инфраструктурные инициативы по созданию собственных платформ и моделей — более 24 месяцев, в отдельных случаях 5–7 лет.
Успешность внедрения и масштабирования ИИ-агентов зависит от качества данных для обучения и способности агентов взаимодействовать с существующими корпоративными системами (CRM, ERP, базами данных).
В секторах с хорошо структурированными, унифицированными и централизованными данными (финансы, ИТ) уровень автоматизации достигает 60–90 % операций. В отраслях с фрагментированными и неструктурированными данными (медицина, производство) эффективность заметно ниже. В среднем ИИ-агенты сокращают время выполнения задач на 40–50 %.
Согласно международному исследованию Cloudera (опрос 1484 ИТ-руководителей в 14 странах), 96% организаций планируют расширить использование ИИ-агентов в течение ближайших 12 месяцев, а около половины — масштабировать их на уровень всей компании.
Уровень автономности российских ИИ-агентов зависит от критичности процессов. В финансовом секторе и производстве, где высока цена ошибки, преобладают агенты с низкой автономностью (уровни 0–1), выполняющие 1–4 простых действия под постоянным контролем человека. В телекоме и банках чаще применяются агенты с высокой автономностью (уровни 3–4), способные самостоятельно вести диалог с мошенниками или обрабатывать заявки.
На основе анализа успешных кейсов авторы исследования выделили несколько ключевых факторов для масштабирования и окупаемости проектов с ИИ-агентами.
«Основной барьер для внедрения ИИ-агентов не технологический, а скорее организационный. Множество компаний имеют разрозненные базы данных, у них нет культуры управления изменениями, четкой связки между ИИ-инициативами и бизнес-целями. Поэтому ИИ-проекты часто остаются в пилоте и не масштабируются. Этот тип барьера сейчас критичнее, чем алгоритмы или инфраструктура. ИИ-решения могут эффективно работать только в среде, которая к этому готова: с доступом к актуальным данным, прозрачными процессами и готовностью команды делегировать хотя бы часть решений», — сказал исполняющий обязанности генерального директора Cloud.ru Михаил Лобоцкий.
«Представленная модель зрелости обобщает текущий опыт по ИИ-агентам российских и зарубежных предприятий и предлагает стройную систему для оценки зрелости компании при их разработке и внедрении в бизнес», — отметил Евгений Зараменских руководитель департамента бизнес-информатики ВШБ ВШЭ.
