AI-агенты для бизнеса: почему модель — не главное
Большинство корпоративных AI-проектов заканчиваются неудачей не из-за слабости модели, а из-за провала на этапе внедрения. Именно об этом говорил CEO NTT DATA AIVista Братин Саха на конференции VB Transform 2026: проблема не в выборе между GPT-5.5, Opus 4.8 или Fable 5, а в том, что происходит вокруг модели.
Это принципиальный сдвиг в логике AI-инвестиций. Компании тратят бюджеты на подписки, лицензии и эксперименты с моделями, тогда как реальная ценность создаётся на уровне системы, которую выстраивают вокруг этой модели.
Почему передовые модели не работают «из коробки»
Саха привёл конкретный пример из страховой отрасли: обработка претензионных форм. Формы содержат рукописные записи, множество чекбоксов и нестандартные поля. Даже самые мощные frontier-модели дают на таких задачах точность ниже производственного минимума.
Причина не в том, что модели плохи в целом. Причина в том, что регулируемые отраслевые процессы требуют специфического контекста: данных компании, логики конкретного рабочего процесса и неформализованных знаний сотрудников, которые никогда не попали ни в один регламент.
Саха называет это «племенными знаниями» (tribal knowledge). Это накопленный практический опыт команды — то, как на самом деле выполняется работа, а не то, как она описана в инструкции. Именно эти знания определяют, правильно ли агент принимает решения в пограничных случаях.
По словам Сахи, наибольший эффект даёт специализация всей AI-системы, а не только базовой модели. Система включает три компонента: захват контекста компании в форме, пригодной для AI; ансамбль моделей, который удерживает стоимость в разумных пределах; специализированные защитные барьеры (guardrails), которые отслеживают ошибки модели и инициируют повтор.
Что на самом деле решает успех AI-внедрения
Саха прямо назвал три условия успеха в регулируемых отраслях: технологии, доменная экспертиза и управление изменениями. При этом он подчеркнул: технологии не являются узким местом.
Провал большинства AI-проектов в производстве объясняется не дефицитом вычислительных мощностей, а тремя другими факторами: слабой интеграцией в существующие процессы, отсутствием отраслевой специализации и размытой ответственностью за результат.
Именно поэтому подход NTT DATA AIVista строится на прямом взаимодействии AI-специалистов с людьми, которые выполняют работу. «Мы идём и спрашиваем у сотрудников, как они на самом деле делают свою работу», — объяснил Саха. Эта экспертиза затем кодируется в агента.
Практическое следствие для бизнеса: ROI от AI определяется не тем, какую модель вы выбрали, а тем, насколько точно вы описали и передали агенту реальный рабочий процесс вместе с его исключениями и неформальными правилами.
- Захват контекста компании и перевод его в формат, понятный AI
- Ансамбль моделей для баланса точности и стоимости
- Специализированные guardrails, а не универсальные фильтры
- Управление изменениями как самостоятельная дисциплина внедрения
- Итерационный переход: сначала встраивание в процесс, затем его переосмысление
Саха описал типичную траекторию внедрения как двухэтапную. Первый этап — встраивание AI в существующий рабочий процесс без его разрушения. Это снижает сопротивление изменениям: клиенты, эксплуатирующие критически важные системы, не допустят радикальной перестройки в режиме реального времени. Второй этап — переосмысление самого процесса, и именно здесь, по словам Сахи, находится наибольший потенциал отдачи.
Важен также вопрос архитектурной гибкости. Саха указал на преимущество подхода, при котором интеллект сосредоточен в окружающей системе, а не в самой модели. Это позволяет заменять модели по мере развития рынка: использовать открытые модели там, где цена ошибки невысока, и резервировать мощные frontier-модели для задач, где «последние несколько процентов точности имеют значение».
Применительно к масштабированию: часть платформы — генерация guardrails и нейросимволические модели — масштабируется между клиентами. Захват же уникальных знаний каждой организации остаётся индивидуальным. Это означает, что универсального «коробочного» решения для регулируемых отраслей не существует, и компании, рассчитывающие на быстрое развёртывание без кастомизации, столкнутся с теми же проблемами точности.
Для руководителей, принимающих решения об AI-бюджете, это меняет структуру приоритетов. Инвестиции только в подписку на модель оставляют большую часть потенциальной отдачи нереализованной. Реальная ценность создаётся на пересечении технологии, отраслевой экспертизы и дисциплины управления изменениями — причём все три компонента должны присутствовать одновременно.
Практический вывод: прежде чем выбирать AI-модель или платформу, проведите аудит своих рабочих процессов — зафиксируйте не только формальные регламенты, но и неписаные правила, которыми руководствуются опытные сотрудники; именно эти данные определят, станет ли AI-агент рабочим инструментом или дорогостоящим экспериментом.