Цифровая трансформация с прогнозом шока искусственного интеллекта: 40% проектов искусственного интеллекта не провалится-ваш агент в следующем?

Неудачная автоматизация: Жестокая правда о проектах по разработке ИИ

Цифровая трансформация годами обещала золотой век автоматизации и эффективности. В частности, агентов искусственного интеллекта называли цифровыми сотрудниками будущего, от которых ожидали снижения нагрузки на работников-людей и революционизации бизнес-процессов. Но реальность рисует иную картину: более трети проектов находятся на грани провала, и эйфория все чаще сменяется разочарованием. Это несоответствие между обещаниями и реальностью поднимает фундаментальные вопросы о фактической зрелости и практической пользе этой технологии.

Что такое агенты искусственного интеллекта и почему их считают революционными?

Искусственный интеллект принципиально отличается от традиционных инструментов автоматизации. В то время как классические программные решения, такие как Zapier или Make, работают по фиксированным правилам, агенты ИИ объединяют возможности восприятия, принятия решений и действий в автономную систему. Они могут, исходя из ситуации, решать, какое действие будет уместным следующим, вместо того чтобы всегда следовать одному и тому же шаблону.

Эти передовые компьютерные программы разработаны для автономной работы, принятия решений и выполнения действий без постоянного вмешательства человека. Они способны анализировать данные, учиться на собственном опыте и адаптироваться к меняющимся условиям. В отличие от более простых инструментов автоматизации, агенты искусственного интеллекта могут справляться со сложными задачами и адаптироваться к непредсказуемым ситуациям.

Сочетание, казалось бы, логичных выводов и реальных возможностей для действий считается проверенным путем к созданию более мощных и универсальных систем искусственного интеллекта. Агент больше не просто ищет информацию о продукте и дает рекомендации, но также перемещается по веб-сайту поставщика, заполняет формы и завершает покупку — исключительно на основе краткой инструкции и усвоенных процессов.

Подходит для:

• Агент ИИ в CRM: между обещанием и реальностью

Перспектива повышения производительности

Потенциальные преимущества использования ИИ-агентов для бизнеса на первый взгляд кажутся впечатляющими. Исследования действительно показывают положительные результаты: исследование Массачусетского технологического института и Стэнфордского университета, основанное на данных 5179 сотрудников службы поддержки клиентов, показало, что сотрудники, использующие ИИ-агента, были на 13,8% продуктивнее, чем те, кто не имел к нему доступа. Недавнее исследование даже показало, что ИИ-агенты могут повысить производительность команды на 60%.

Ожидается, что агенты на основе ИИ будут выполнять широкий спектр задач, от планирования встреч и бронирования поездок до исследований и составления отчетов. Они могут автоматизировать повторяющиеся и трудоемкие задачи, освобождая сотрудников для сосредоточения на стратегических и творческих проектах. Представьте себе агента на основе ИИ, который автоматически обрабатывает счета-фактуры, генерирует отчеты и планирует встречи, позволяя сотрудникам сосредоточиться на более сложных задачах, требующих человеческого опыта.

Применение этих технологий охватывает практически все сферы бизнеса. В сфере обслуживания клиентов агенты ИИ могут круглосуточно оказывать персонализированную поддержку, используя обработку естественного языка для обработки запросов клиентов и передавая проблемы операторам только в случае необходимости. В ИТ-поддержке они помогают в автоматизированном устранении неполадок, выявляя, анализируя и решая проблемы. В финансовых и страховых системах они могут обнаруживать и предотвращать мошеннические действия, анализируя закономерности и аномалии в данных.

Суровая реальность: почему агенты искусственного интеллекта терпят неудачу

Несмотря на многообещающие перспективы, реальность отрезвляет. Исследовательская компания Gartner прогнозирует, что более 40 процентов всех проектов по разработке ИИ-агентов, запланированных или уже используемых, будут прекращены к 2027 году. Этот прогноз основан на трех основных причинах: рост затрат, низкая окупаемость инвестиций для компаний и недостаточный контроль рисков.

Анушри Верма, старший директор-аналитик Gartner, объясняет ситуацию следующим образом: большинство проектов в области искусственного интеллекта на основе агентов в настоящее время находятся на ранней экспериментальной стадии или все еще являются концепциями, продиктованными ажиотажем и неправильно применяемыми. Многие пользователи ИИ до сих пор не понимают, насколько дорогими и сложными на самом деле являются агенты ИИ при масштабировании до целых предприятий.

Технические недостатки и проблемы с качеством

Основная проблема заключается в технической незрелости существующих систем. По данным аналитиков Gartner, только около 130 из более чем 1000 инструментов, обещающих возможности агентного ИИ, действительно выполняют эти обещания. Большинство обещаний относительно агентного ИИ не приносят существенной пользы или не обеспечивают возврата инвестиций, поскольку они недостаточно зрелы, чтобы автономно достигать сложных бизнес-целей или каждый раз детально следовать инструкциям.

Проблемы становятся особенно очевидными, когда агенты ИИ сталкиваются со сложными многоэтапными задачами. Тестирование от Salesforce показывает, что даже лучшие модели, такие как Gemini 2.5 Pro, достигают лишь 58-процентного успеха в простых задачах. В более длительных диалогах производительность резко падает до 35 процентов. Как только требуется несколько раундов разговора для сбора недостающей информации с помощью дополнительных вопросов, производительность значительно снижается.

Другой тест в финансовом секторе демонстрирует столь же неутешительные результаты: лучшая из протестированных моделей, o3 от OpenAI, показала точность всего 48,3% при средней стоимости ответа в 3,69 доллара. Хотя модели способны извлекать базовые данные из документов, они не обеспечивают глубокого финансового анализа, необходимого для того, чтобы действительно дополнить или заменить работу аналитиков.

Проблема экспоненциального роста вероятности ошибки

Особенно проблематичной характеристикой агентов ИИ является их склонность к накоплению ошибок. Стартап Patronus AI, помогающий компаниям оценивать и оптимизировать технологии ИИ, обнаружил, что у агента с частотой ошибок в один процент на каждом шаге до 100-го шага вероятность ошибки составляет 63 процента. Чем больше шагов требуется агенту для выполнения задачи, тем выше вероятность ошибки.

Эта математическая закономерность объясняет, почему, казалось бы, небольшие улучшения точности могут оказывать непропорциональное влияние на общую производительность. Ошибка на любом отдельном этапе может привести к провалу всей задачи. Чем больше этапов, тем выше вероятность того, что что-то пойдет не так до завершения.

Риски безопасности и новые векторы атак

Исследователи Microsoft выявили как минимум десять новых категорий сбоев в работе агентов ИИ, которые могут поставить под угрозу безопасность или защиту приложений или сред ИИ. К этим новым типам сбоев относятся компрометация агентов, проникновение в систему несанкционированных агентов или выдача себя за легитимные рабочие нагрузки ИИ агентами, управляемыми злоумышленниками.

Особую обеспокоенность вызывает феномен «отражения памяти». Исследователи Microsoft в ходе исследования продемонстрировали, что ИИ-агент, анализирующий электронные письма и выполняющий действия на основе их содержимого, может быть легко скомпрометирован, если он не защищен от подобных атак. Отправка электронного письма, содержащего команду, изменяющую базу знаний или память агента, приводит к непреднамеренным действиям, таким как пересылка сообщений по определенным темам злоумышленнику.

экономические проблемы

Резкий рост затрат на внедрение

Стоимость внедрения агентов искусственного интеллекта значительно варьируется в зависимости от масштаба и сложности проекта. Для малых предприятий, нуждающихся только в базовых решениях, простые планы внедрения ИИ обычно стоят от 0 до 30 долларов в месяц. Для средних компаний затраты на внедрение могут составлять от 50 000 до 300 000 долларов, в то время как крупные организации с общекорпоративными инициативами в области ИИ должны рассчитывать на инвестиции в размере от 500 000 до 5 миллионов долларов в первый год.

Однако реальные затраты выходят далеко за рамки первоначальных расходов на внедрение. Компаниям необходимо учитывать стоимость оборудования для специализированных серверов и кластеров графических процессоров, плату за лицензирование программного обеспечения, решения для хранения данных и ресурсы облачных вычислений. Кроме того, подготовка данных — зачастую наиболее трудоемкий аспект проектов в области ИИ — требует значительных инвестиций. Согласно исследованиям Gartner, организации обычно тратят от 20 000 до 500 000 долларов на первоначальную инфраструктуру ИИ, в зависимости от масштаба проекта.

Проблема неясной окупаемости инвестиций

Особенно проблематичным аспектом является сложность количественной оценки реальных преимуществ использования ИИ-агентов. В то время как традиционные решения по автоматизации часто обеспечивают очевидную экономию средств за счет сокращения штата или повышения эффективности, рентабельность инвестиций в ИИ-агентов измерить сложнее. Параметры измерения успеха необходимо скорректировать, поскольку рентабельность инвестиций нельзя определить напрямую.

Несмотря на оптимистичные ожидания — согласно опросу, 62% компаний ожидают возврата инвестиций (ROI) в размере более 100% от агентного ИИ — реальность часто оказывается несостоятельной. Многие пилотные проекты не переходят в производственную среду, потому что обещанная добавленная стоимость не реализуется или затраты на внедрение превышают ожидаемую экономию.

Агентский отмывание: маркетинговая проблема

Дополнительным фактором, усугубляющим путаницу, является так называемое «агентское отмывание». Многие поставщики переименовывают существующие технологии, такие как ИИ-помощники, роботизированная автоматизация процессов или чат-боты, выдавая их за якобы агентные решения, хотя зачастую им не хватает важнейших характеристик реальных агентов. По оценкам Gartner, из тысяч поставщиков только около 130 действительно предлагают подлинные агентные технологии искусственного интеллекта.

Такая практика приводит к нереалистичным ожиданиям среди компаний, которые считают, что внедряют зрелые агентные технологии, в то время как на самом деле получают лишь усовершенствованные инструменты автоматизации. Путаница между настоящими агентами ИИ и традиционными решениями для автоматизации вносит существенный вклад в высокий процент неудач.

Закупка B2B: цепочки поставок, торговля, рыночные площадки и поддержание AI Sourcing с помощью Accio.com-Image: xpert.digital

Подробнее об этом здесь:

• Найти продукты и B2B Insights с AI / консультацией и поддержкой

Конкретные проблемы на практике

Интеграция в существующие системы

Одной из самых больших практических проблем является интеграция агентов ИИ в существующие ИТ-инфраструктуры. Интеграция может представлять собой серьезную проблему, поскольку компаниям необходимо обеспечить бесшовную интеграцию агентов ИИ в существующую инфраструктуру. Эта интеграция часто требует значительных изменений в существующих системах и может привести к дорогостоящим сбоям в текущих бизнес-процессах.

Многие существующие корпоративные системы не были разработаны для взаимодействия с автономными агентами искусственного интеллекта. Необходимые интерфейсы API, форматы данных и протоколы безопасности часто требуют полной переработки. Эта техническая сложность приводит к увеличению сроков внедрения и затрат по сравнению с первоначальными ожиданиями.

Подходит для:

• Интеграция AI независимой и перекрестной платформы AI в масштабах источника для всех вопросов компании

Вопросы защиты данных и соблюдения нормативных требований

Использование агентов на основе искусственного интеллекта также поднимает вопросы о защите данных и соблюдении таких законов, как GDPR. Компании должны обеспечить защиту конфиденциальности своих клиентов и соблюдение применимых законов. Доступ агентов к конфиденциальным данным и их обработка значительно увеличивают риски для защиты данных.

Автономные системы искусственного интеллекта частично выходят из-под контроля человека, создавая новые уязвимости. В сетевых многоагентных системах могут возникать эмергентные эффекты, делающие их поведение непредсказуемым. Полностью автономные агенты могут действовать неожиданным образом, вызывая юридические и этические проблемы.

Организационное сопротивление

Часто недооцениваемым фактором является сопротивление внутри коллектива. Автоматизация с помощью ИИ-агентов может привести к изменениям на рабочем месте и сокращению рабочих мест. Компании должны подготовиться к этим изменениям и принять меры для поддержки своих сотрудников. Сотрудников необходимо убедить в преимуществах ИИ-агентов, чтобы они могли эффективно их использовать.

Для успешной реализации необходимы не только технические знания, но и управление изменениями, а также программы обучения. Без принятия и активной поддержки со стороны персонала даже технически сложные проекты потерпят неудачу из-за человеческого фактора.

Почему существующие подходы неэффективны

Сложность реальных бизнес-процессов

Многие агенты ИИ разработаны для работы в контролируемых условиях, но реальные бизнес-процессы гораздо сложнее и непредсказуемее. Системы, основанные на правилах, обладают определенной хрупкостью, то есть они могут давать сбои при столкновении с ситуациями, не предусмотренными их разработчиками. Многие рабочие процессы гораздо менее предсказуемы, характеризуются неожиданными поворотами и широким спектром возможных результатов.

Агенты искусственного интеллекта, хорошо зарекомендовавшие себя в контролируемых условиях тестирования, часто терпят неудачу, сталкиваясь со сложностью и непредсказуемостью реальной бизнес-среды. Они могут упускать из виду важную контекстную информацию или принимать неверные решения в условиях неопределенности.

Переоцененная автономия

Основная проблема заключается в переоценке реальной автономности современных агентов ИИ. Большинство так называемых автономных систем по-прежнему требуют значительного человеческого контроля и вмешательства. Агенты, действующие полностью автономно, балансируют на грани между полезностью и непредсказуемостью. Полная автономность кажется идеальной, пока агент не забронирует поездку не в тот город или не отправит неподтвержденное электронное письмо важному клиенту.

Современные модели ИИ не обладают необходимыми возможностями для самостоятельного достижения сложных бизнес-целей, а также не способны выполнять сложные инструкции в течение длительного времени. Это ограничение часто препятствует реализации обещанной автоматизации, и человеческий контроль по-прежнему необходим.

Успешные стратегии внедрения

Сосредоточьтесь на конкретных сценариях использования

Несмотря на многочисленные трудности, существуют и успешные примеры внедрения агентов ИИ. Ключ к успеху заключается в сосредоточении внимания на конкретных, четко определенных сценариях использования, а не в попытках создания универсальных решений. Успешные организации сосредоточились на приоритизации и адаптации сценариев использования. Лица, принимающие решения и стремящиеся использовать каждую возможность ИИ, скорее всего, допустят больше неудачных проектов.

Проверенный подход заключается в использовании агентов искусственного интеллекта для принятия решений, автоматизации рутинных процессов или обработки простых запросов. Эти ограниченные, четко определенные задачи обеспечивают более высокую вероятность успеха, чем попытка полностью автоматизировать сложные, неоднозначные бизнес-процессы.

Пошаговая реализация

Прагматичный подход заключается в поэтапном внедрении агентов искусственного интеллекта. Вместо того чтобы пытаться трансформировать целые бизнес-подразделения одновременно, компаниям следует начинать с более мелких, управляемых проектов. Небольшие компании могут минимизировать свои затраты, используя услуги телефонии на основе ИИ и готовые решения, требующие меньших первоначальных инвестиций, чем системы, разработанные на заказ.

Одним из примеров успешного поэтапного внедрения является страховая компания среднего размера, которая внедрила ИИ для обработки страховых случаев и обслуживания клиентов. Несмотря на первоначальные инвестиции в размере 425 000 долларов, система окупилась в течение 13 месяцев и принесла совокупную экономию и увеличение доходов на 1,2 миллиона долларов за три года.

Важность управления и управления рисками

Искусственный интеллект для принятия решений не является ни панацеей, ни непогрешимым средством. Его использование должно сочетаться с эффективным управлением и управлением рисками. Для принятия решений человеком по-прежнему необходимы достаточные знания, а также данные и экспертные знания в области ИИ.

Эффективная система управления должна включать четкие руководящие принципы мониторинга и контроля агентов ИИ. Это включает механизмы обнаружения и исправления ошибок, регулярные проверки производительности агентов и четкие пути эскалации в ситуациях, требующих вмешательства человека.

Перспективы на будущее: реалистичные ожидания

Долгосрочные тенденции, несмотря на краткосрочные неудачи

Несмотря на текущие трудности, Gartner прогнозирует, что ИИ-агенты будут играть значительную роль в долгосрочной перспективе. К 2028 году ожидается, что примерно 15 процентов всех повседневных решений на рабочем месте будут обрабатываться с помощью агентских инструментов — по сравнению с 0 процентами в 2024 году. Кроме того, прогнозируется, что к 2028 году 33 процента всех корпоративных программных решений будут включать ИИ-агентов, по сравнению с менее чем одним процентом в 2024 году.

Эти прогнозы позволяют предположить, что нынешние проблемы следует рассматривать как трудности роста еще молодой технологии. Основные концепции многообещающи, но их реализация должна созреть и адаптироваться к реалиям повседневной деловой деятельности.

Необходимость реалистичных оценок

Высокий процент неудач в проектах по внедрению ИИ-агентов не следует интерпретировать как общий провал технологии, а скорее как тревожный сигнал о нереалистичных ожиданиях и незрелых стратегиях реализации. Неудачные проекты не всегда должны посылать негативный сигнал руководителям. Важно отмечать неудачи в этой области, поскольку это способствует развитию культуры экспериментирования, независимо от того, дойдет ли идея до стадии производства.

Этот метод также может привести к итеративным экспериментам и лучшим результатам. Важно понимать, когда ИИ является подходящим инструментом, а когда нет, чтобы избежать траты времени на проигрышную раздачу.

Подходит для:

• Эта платформа на основе искусственного интеллекта объединяет 3 важнейшие области бизнеса: управление закупками, развитие бизнеса и аналитику

Стратегические рекомендации для компаний

Реалистичная постановка целей и управление ожиданиями

Компаниям следует подходить к своим инициативам по внедрению ИИ-агентов с реалистичными ожиданиями. Вместо того чтобы пытаться добиться революционных преобразований, им следует сосредоточиться на постепенных улучшениях. Чтобы раскрыть истинные преимущества ИИ-агентов, компаниям следует не только автоматизировать отдельные задачи, но и сосредоточиться на повышении производительности на уровне предприятия.

Хорошей отправной точкой является использование агентов искусственного интеллекта для решения конкретных, измеримых задач, имеющих очевидную коммерческую ценность. Цель должна заключаться в максимизации этой коммерческой ценности — будь то за счет снижения затрат, повышения качества, увеличения скорости или улучшения масштабируемости.

Инвестиции в фундаментальные показатели

Прежде чем внедрять сложные системы искусственного интеллекта, компаниям следует убедиться в надежности основных принципов. Это включает в себя продуманную стратегию работы с данными, эффективное управление данными и надежную технологическую платформу. Низкое качество данных является причиной провала более 70 процентов проектов в области ИИ. Системы ИИ не смогут реализовать свой потенциал без высококачественных, релевантных и хорошо управляемых данных.

Развитие внутренней экспертизы

Для успешного внедрения агентов искусственного интеллекта требуются специальные навыки, которых многим организациям не хватает. Компаниям необходимо либо инвестировать в развитие внутренних возможностей в области ИИ, либо наладить стратегическое партнерство с опытными поставщиками. Развитие внутренних возможностей обычно обходится от 250 000 до 1 миллиона долларов для проектов среднего размера, включая найм специализированных разработчиков и приобретение инструментов разработки.

Поворотный момент для агентов искусственного интеллекта

Высокий процент неудач в проектах по созданию агентов искусственного интеллекта знаменует собой важный поворотный момент в развитии этой технологии. Первоначальная эйфория сменяется более реалистичной оценкой ее возможностей и ограничений. Однако это разочарование не обязательно является негативным — оно может привести к разработке более эффективных и продуманных стратегий внедрения.

Сама технология не является проблемой. Искусственный интеллект, безусловно, обладает потенциалом для улучшения бизнес-процессов и открытия новых возможностей. Проблема заключается в несоответствии между завышенными ожиданиями и современной технологической реальностью. Компании, которые рассматривают ИИ-агентов как панацею или пытаются достичь слишком многого слишком быстро, скорее всего, окажутся в числе тех 40 процентов, которым придется отказаться от своих проектов к 2027 году.

Для успешного использования ИИ-агентов необходим прагматичный, поэтапный подход, ориентированный на конкретные сценарии применения с очевидной бизнес-ценностью. Компании должны быть готовы инвестировать в необходимые основы – от качества данных до развития внутренних навыков. Самое важное – они должны понимать, что ИИ-агенты не заменяют продуманную бизнес-стратегию и надежные методы управления проектами.

В ближайшие годы станет ясно, какие компании извлекут уроки из текущих неудач и успешно интегрируют агентов искусственного интеллекта в свои бизнес-процессы. Победителями станут те, кто имеет реалистичные ожидания, действует методично и готов инвестировать в эту технологию на долгосрочную перспективу, а не полагаться на быстрые решения.

☑️ Поддержка МСП в разработке стратегии, консультировании, планировании и реализации.

☑ Создание или перестройка стратегии ИИ

☑️ Пионерское развитие бизнеса

Konrad Wolfenstein

Буду рад стать вашим личным консультантом.

Вы можете связаться со мной, заполнив контактную форму ниже, или просто позвонить мне по телефону +49 89 89 674 804 (Мюнхен) .

Я с нетерпением жду нашего совместного проекта.

Xpert.Digital — это промышленный центр с упором на цифровизацию, машиностроение, логистику/внутреннюю логистику и фотоэлектрическую энергетику.

С помощью нашего решения для развития бизнеса на 360° мы поддерживаем известные компании, начиная с нового бизнеса и заканчивая послепродажным обслуживанием.

Аналитика рынка, маркетинг, автоматизация маркетинга, разработка контента, PR, почтовые кампании, персонализированные социальные сети и привлечение потенциальных клиентов являются частью наших цифровых инструментов.

Дополнительную информацию можно узнать на сайте: www.xpert.digital - www.xpert.solar - www.xpert.plus