Большинство компаний приобрели ИИ. Гораздо меньшее число научилось использовать его в масштабах всего предприятия. Именно этот разрыв, а не технология, мешает перспективным инициативам приносить реальную пользу на уровне бизнеса.
Согласно Gartner research published in September 2026, только 22% организаций успешно масштабировали ИИ в нескольких бизнес-подразделениях или внедрили подход, в котором ИИ стоит на первом месте, даже несмотря на то, что 85% руководителей функциональных направлений планировали увеличить расходы на ИИ в 2026 году. Проблема выходит за рамки возможностей самих моделей. На практике панели мониторинга горят зеленым цветом, в то время как отчет о прибылях и убытках остается без изменений, а агенты, успешно проходящие любые тесты, дают сбои в рабочей среде.
Разница заключается в операционной модели: кто отвечает за результат, какой ценности ожидают от внедрения и как готовность, риски и возможности повторного использования определяют инвестиции. One European fintech's AI assistant handled two-thirds of its customer service chats в первый же месяц, однако позже генеральный директор компании признал, что стоимость оказалась «слишком доминирующим фактором оценки». На мой взгляд, это иллюстрирует, как ИИ-ассистент может эффективно работать в масштабе, в то время как окружающая его операционная модель не справляется с задачей балансировки экономии средств и качества обслуживания.
Где амбиции в сфере ИИ сталкиваются с реальностью
В масштабах всей отрасли я наблюдаю три повторяющиеся проблемы, рушащие любые планы: ценность, контроль и масштабируемость. Ни одна из них не проявляется во время демонстраций.
Ценность теряется, когда команды измеряют активность, а не результаты. Зеленые панели мониторинга, закрытые тикеты и «живые» агенты могут существовать параллельно с отсутствием финансовой выгоды, особенно если сохраняются старые регламенты согласования и очереди для исключений. Именно поэтому бизнес-результат с назначенным ответственным лицом, оцениваемый экспертами, должен стать частью критериев для запуска ИИ в рабочую среду.
Контроль — это вторая область. Системы защиты необходимы, но если они спроектированы исключительно как запреты, они блокируют полезную работу или топят ее в согласованиях. Права на принятие решений имеют не меньшее значение: когда ИИ, устаревшие правила и люди принимают решения по одному и тому же вопросу, никто не несет ответственности за результат. Высокий процент успешного прохождения тестов может скрывать сбои при обработке реальных пользовательских формулировок, когда жестко закодированные правила переопределяют интерпретацию модели. Мое правило: системы отвечают за факты и ограничения; ИИ отвечает за вынесение суждений в их рамках.
Затем возникают ограничения масштабирования. Корпоративные данные могут отказывать незаметно, а ИИ превращает эти ошибки в действия. Квоты шлюзов, тайм-ауты и затраты часто определяют результаты еще до того, как это сделает таблица лидеров моделей: более крупная модель не обязательно покажет себя лучше, если тайм-ауты и лимиты были настроены под меньшую. Наведите порядок в базовой инфраструктуре, прежде чем сравнивать модели.
Управление важнее автономии
Первоочередная задача — связать ИИ с ценностью посредством четких критериев оценки и выпуска. Рассматривайте оценку как управляемый продукт с фиксированной планкем качества и закрепленным оценщиком на базе ИИ, а не как цели, которые постоянно меняются в ходе разработки. Меняющиеся цели — это то, из-за чего агенты начинают вести себя непредсказуемо.
Такой фундамент делает автономию безопасной. Я представляю это как лестницу автономии: помощь, рекомендация, действие с одобрения, действие в рамках ограничений. Агенты поднимаются на одну ступень за раз для каждого отдельного решения, и только тогда, когда существуют элементы контроля для этой ступени. Автономию нужно заслужить, а не просто установить.
Управление должно обеспечивать безопасное выполнение полезной работы. Если каждое рутинное действие ждет человека, преимущества скорости работы агентов исчезают. Точно так же отмена контроля без надежной оценки создает риски, которые проявляются только после развертывания системы.
Проектирование таких границ на раннем этапе обходится гораздо дешевле, чем изменение требований после того, как агенты приступили к работе.
Перепроектируйте задачу, включая роль человека
Разработка программного обеспечения показывает, как меняется сама суть работы. Раньше разработчики искали информацию на Stack Overflow, находили примеры и писали код вручную. Сегодня ИИ-ассистент по программированию может генерировать тысячи строк за считанные минуты.
Узкое место сместилось с написания кода на его оценку. Рецензент на базе ИИ может помочь, но он также способен упустить недостатки. Людям по-прежнему необходим опыт, чтобы подвергать сомнению то, что создают оба агента.
Я видел это на собственном опыте. Однажды ИИ-агент предложил гораздо более масштабные изменения, чем требовалось для задачи. Когда я поставил под сомнение его план и предложил более простой путь, он пересмотрел подход, и предполагаемые затраты труда резко снизились.
Это и есть перепроектирование задач на практике: агенты генерируют контент, люди задают стандарты, оспаривают план и принимают решение об остановке работы. Потенциал контроля необходимо планировать так же, как и любые другие мощности. В противном случае более высокая скорость генерации просто создаст растущую очередь задач для проверки людьми.
Постройте фундамент, затем масштабируйте
У каждого предприятия свои архитектуры, данные и ограничения, однако порядок сборки остается неизменным: кейс ценности и его владелец, затем данные и оценка, затем ИИ-магистраль из шлюзов, квот, средств наблюдаемости и контроля затрат, и только после этого — более широкая автономия. Ограничения платформы следует понимать до развертывания, а не обнаруживать их путем переделки.
Чтобы определить, что сдерживает вашу программу, оцените ее по критериям проблем, рушащих планы; самый низкий балл и станет вашим пределом. Слабые показатели по ценности означают, что увеличивать расходы преждевременно. Слабые показатели по контролю означают, что расширять автономию преждевременно. Слабые показатели по надзору означают, что большее количество агентов только замедлит вашу работу. В HCLTech мы прорабатываем эти вопросы рука об руку с техническими командами на их реальной инфраструктуре.
В ноябре этого года более 6500 директоров по информационной безопасности и лидеров индустрии соберутся на мероприятии Gartner IT Symposium/Xpo™ 2026 в Барселоне, чтобы обсудить приоритеты, формирующие будущее корпоративных технологий. Я с нетерпением жду возможности внести свой вклад в эту дискуссию, рассмотрев восемь ключевых проблем, регулярно возникающих в корпоративных ИИ-программах, и поделившись тем, как организации могут определить, что мешает им достичь измеримой бизнес-ценности.
Один вопрос, который стоит задать своей команде: если бы в следующем квартале агенты выполняли в десять раз больше работы, кто бы ее проверял и кто смог бы сказать «стоп»? ИИ теперь является частью фундамента. Операционная модель — это то, что вы строите поверх него.
Присоединяйтесь к моему выступлению «HCLTech: Создание ИИ-предприятия — операционная модель для ИИ в масштабе» в понедельник, 9 ноября, в 15:35 по центральноевропейскому времени.
Зарегистрируйтесь на сессию или узнайте больше о HCLTech на конференции Gartner IT Symposium/Xpo™ 2026.
