Governance AI-агентов: где бизнес отстал от своих же стандартов
Пять параллельных исследований VentureBeat Research, проведённых в июне 2026 года среди 573 квалифицированных респондентов, зафиксировали одну и ту же закономерность: предприятия развернули AI-агентов раньше, чем создали инструменты управления ими, и сделали это осознанно. Теперь те же компании тратят бюджеты на то, чтобы догнать собственные стандарты безопасности и контроля.
Исследование охватило пять уровней управления агентами: идентификация, оценка качества, телеметрия затрат, контекстный слой и оркестрация. По каждому из этих уровней от 57 до 68% предприятий планируют сменить вендора или добавить нового в течение 12 месяцев. Примерно треть намерена сделать это уже в ближайшем квартале. Ни на одном уровне нет закрепившегося лидера: сегодняшние настройки по умолчанию — это встроенные инструменты крупных AI-платформ, которые компании уже используют.
Что на самом деле развёрнуто под названием «агент»
Первый и наиболее фундаментальный вывод касается самого определения агента. 71% предприятий сообщили, что четверть или меньше их «агентов» реально способны выполнять многошаговые задачи самостоятельно. Только 10% опрошенных заявили, что настоящие агенты составляют большинство из того, что они запустили. При этом 81% респондентов участвуют в принятии решений о закупке AI в своих компаниях, то есть это не случайные наблюдатели.
Разница между чатботом и полноценным агентом имеет прямые операционные последствия. Чатбот, который отвечает на один запрос и требует, чтобы человек читал каждый ответ, не нуждается ни в одном из пяти уровней контроля, описанных в исследовании. Настоящий многошаговый агент, действующий самостоятельно, требует всех пяти. Проблема в том, что большинство предприятий не могут чётко сказать, что именно они развернули.
Пять уязвимых точек, которые уже дают сбои
Каждый из пяти уровней управления демонстрирует конкретные признаки несоответствия между тем, что развёрнуто, и тем, что необходимо для безопасной работы.
Идентификация и безопасность. 69% компаний позволяют хотя бы части своих агентов использовать общие учётные данные — несколько агентов работают под одним API-ключом или сервисным аккаунтом. Среди организаций, допускающих совместное использование учётных данных, инциденты безопасности или близкие к ним ситуации зафиксированы в 63,5% случаев. Там, где у каждого агента есть собственная ограниченная идентичность, этот показатель составил 40,9%.
Оценка качества. Две трети предприятий уже допускают или активно движутся к тому, чтобы агент мог самостоятельно вносить изменения в производственные системы на основе автоматизированных оценок без участия человека. При этом только 5% полностью доверяют этим оценкам. За последний год у половины предприятий агент прошёл внутренние тесты, а затем вызвал сбой на стороне клиента.
Затраты на инфраструктуру. Более восьми из десяти предприятий, использующих собственные GPU, сообщили о загрузке на уровне 50% и ниже. Только 44% строго отслеживают, во что им обходится AI-вычисление и какой возврат оно приносит. Компании приобретают инфраструктуру быстрее, чем учатся её измерять.
Контекстный слой. 57% предприятий за последние шесть месяцев столкнулись с ситуацией, когда агент уверенно давал неверный ответ из-за отсутствующего или противоречивого бизнес-контекста: неверные метрики, устаревшие определения, недостающие документы. В большинстве случаев это происходило не один раз.
Оркестрация. Именно здесь намерение переключиться наиболее высокое: 68% планируют принять, добавить или заменить платформы в течение 12 месяцев, 34% — уже в текущем квартале.
Эти пять уязвимостей взаимосвязаны. Агент с неправильными учётными данными, работающий на устаревших данных, оцениваемый метриками, которым никто не доверяет, и потребляющий неотслеживаемые вычислительные ресурсы, создаёт накопленный операционный риск, который трудно локализовать после инцидента.
Что означает это исследование для управленческих решений
Исследование задаёт конкретный порядок действий. Прежде чем масштабировать количество агентов, необходимо разобраться с тем, что уже развёрнуто. Это означает инвентаризацию: какие из существующих «агентов» реально выполняют многошаговые задачи без участия человека, а какие являются чатботами с расширенным интерфейсом.
Для агентов, которые действительно работают автономно, последовательность приоритетов, следующая из данных исследования, выглядит так:
- Назначить каждому агенту собственную ограниченную идентичность, начиная с тех, кто взаимодействует с производственными системами.
- Проверить оценки качества не на внутренних бенчмарках, а на реальных производственных результатах, прежде чем убирать человека из цикла проверки.
- Зафиксировать метрики и определения, из которых агенты отвечают, до того как масштабировать самих агентов.
- Настроить учёт стоимости каждой рабочей нагрузки на GPU — загрузка оборудования на уровне 50% при отсутствии контроля затрат означает непрогнозируемые расходы.
Высокое намерение сменить вендора во всех пяти категориях говорит о том, что рынок инструментов управления агентами активно формируется. Компании, которые сейчас выстраивают внутренние стандарты контроля, окажутся в более выгодной позиции при выборе специализированных решений, поскольку смогут оценивать их по конкретным требованиям, а не по общим обещаниям.
Практический вывод: прежде чем расширять портфель AI-агентов, проведите внутренний аудит уже развёрнутых решений — отделите настоящих автономных агентов от чатботов, проверьте, у каждого ли агента есть собственные учётные данные, и убедитесь, что у вас есть хотя бы базовый учёт стоимости каждой агентной рабочей нагрузки.