Коротко
Многие корпоративные пилоты AI-агентов застревают до продакшна, потому что внедрение пропускает этапы. Гайд описывает пять этапов: от одного узкого процесса до расширения автономии, когда агент доказал надежность.
AI-агенты доходят до продакшна, когда их внедряют поэтапно: один узкий процесс, доказанная польза, затем расширение. Gartner ожидает, что к 2028 году агентный AI будет в 33% корпоративных приложений против менее чем 1% в 2024. Но, по данным McKinsey State of AI 2025, агентную систему масштабирует лишь около четверти организаций, а значимый эффект AI на прибыль видят 6%.
Провал идет по знакомой дуге. Команда делает демо: агент пересказывает документы, разбирает почту или готовит черновики отчетов. На чистых входных данных и перед доброжелательной аудиторией он работает, и руководство просит раскатить его широко. Затем агент встречает грязные данные, неоднозначные инструкции, редкие случаи и пользователей, которые ведут себя неожиданно. Он выдумывает ответы, выходит за свои полномочия или молча ломается, и проект откладывают.
Модели для этого достаточно сильны. Разрыв в дисциплине внедрения: агента выпускают как обычный софт, по схеме разработка, тест, выпуск. Агент толкует входные данные и совершает действия с последствиями, поэтому ему нужны узкие права, продуманный контроль и постоянная оценка. Автономию он зарабатывает доказанной надежностью.
Выберите первый сценарий и жестко очертите его границы: что агенту можно, что нельзя и в каком случае задача уходит человеку.
Подберите модель, оркестрацию и интеграции с инструментами под сценарий, взвесив возможности, стоимость, задержку и место хранения данных.
Постройте слой ограничений, который держит агента в его полномочиях: проверку входа, белый список действий, фильтр вывода и журнал аудита.
Спроектируйте согласования, триггеры эскалации и обратную связь так, чтобы контроль оставался у людей и агент сохранял скорость, ради которой его строили.
Отслеживайте качество, стоимость и эскалации, чтобы агент со временем улучшался и получал больше автономии по фактам.
Выбор первого сценария важнее всех остальных решений. Хороший сценарий повторяется, у него понятные входы и выходы, редкая ошибка не приводит к серьезному ущербу, а исходный уровень можно измерить. Обычно подходят классификация документов, разбор почты, поиск по внутренней базе знаний и черновики отчетов.
Границы важны так же, как выбор. Дайте агенту минимальный набор действий для одного процесса. Агент, который разбирает обращения в поддержку, не видит биллинг. Агент, который готовит отчеты, не может их отправить. Узкие границы ограничивают ущерб при сбое и делают оценку управляемой, а расширить их можно, когда агент докажет надежность.
Модель выбирают по тому, что нужно задаче. Агенту для пересказа документов нужно длинное контекстное окно, и он может подождать с ответом. Агенту маршрутизации в реальном времени нужна низкая задержка, и он работает с короткими входами. На масштабе стоимость растет: агент, который обрабатывает тысячи запросов в день на избыточной модели, выставляет большой счет за API.
Слой оркестрации требует того же внимания. n8n, LangGraph и CrewAI по-разному балансируют простоту и гибкость. Начните с самой простой работающей схемы, линейного процесса с явными вызовами инструментов, и переходите к нескольким агентам, только когда один не справляется. Каждую интеграцию сверяйте с OWASP Top 10 for LLM Applications, особенно риск инъекций через входы инструментов.
Ограничения закладывают в архитектуру с самого начала. Агенту в продакшне нужны четыре слоя. Проверка входа пропускает только корректные запросы из его области. Белый список действий называет API, данные и действия, которые агенту разрешены, и по умолчанию блокирует остальное. Фильтр вывода ловит выдуманное, утечки персональных данных и ответы вне ожидаемых пределов до того, как их кто-то увидит.
Четвертый слой: журнал аудита каждого решения, вызова инструмента и результата. В регулируемых отраслях без него нельзя, остальным он тоже нужен. Когда агент сделает что-то неожиданное, а это случится, журнал покажет, в чем причина: в промпте, в данных или в модели. Без него отладка превращается в догадки.
В enterprise человек в контуре работает по умолчанию, а полная автономия приходит позже. Практический вопрос в том, где поставить точки согласования. В каждом процессе агента их нужно минимум две: перед любым действием с внешними последствиями, например отправкой письма, изменением базы или вызовом API, и перед любым результатом, который увидят люди вне команды.
Задача проектирования в скорости. Агент, которому для каждого шага нужно ручное одобрение, становится дорогим автодополнением. Поэтому согласования делят на уровни. Действия с низким риском, в которых агент уверен, выполняются сами и пишутся в журнал. Действия со средним риском выполняются с уведомлением, и человек может их отменить. Действия с высоким риском ждут явного одобрения. По мере того как агент доказывает надежность, действия переходят от одобрения к уведомлению и к полной автономии.
Агенту нужны другие измерения, чем обычному софту. Кроме аптайма и задержки отслеживайте долю завершенных задач, качество результатов, частоту эскалаций, то, как часто пользователи правят агента, и стоимость задачи. Вместе они показывают, окупается ли агент и где он ошибается. Труднее всего с качеством: автоматические проверки ловят явные сбои и пропускают гладкое, но неверное резюме.
Сочетайте автоматическую оценку с регулярной проверкой выборки людьми. Эксперты в предметной области оценивают случайный набор результатов, сначала каждую неделю, потом реже, и их оценки определяют правки промптов, ограничений и границ. Заложите эту оценку в бюджет как постоянную статью. Без финансирования качество после запуска тихо падает.
Это зависит от границ сценария, состояния данных и уже действующих правил управления. Определение границ, прототип на рабочих данных, ограничения и согласования, контролируемый запуск требуют времени, и ни один этап нельзя безопасно пропустить. Дольше всех идут команды, которые сразу запускают агента с широкими возможностями. Мы оцениваем сроки после того, как посмотрим на процесс и системы, которых он касается.
Главных риска три: несанкционированный доступ к информации, решения, которые нельзя проверить, и нарушение требований регулятора. Агент с широким доступом к API может раскрыть данные клиентов или решить что-то по данным, которых не должен видеть, поэтому каждое решение нужно записывать и уметь объяснить регулятору. OWASP Top 10 for LLM Applications относит prompt injection и небезопасную обработку вывода к критическим рискам. Защита строится на белом списке действий, полном журнале аудита, фильтрации персональных данных в ответах и одобрении человеком каждого действия, которое касается клиента.
Это зависит от сценария и от опыта команды с агентами. В первом внедрении партнер, который уже запускал агентов в продакшне, приносит проверенные схемы ограничений, методы оценки и знание того, как агенты ломаются. Часто партнер ведет первое внедрение, а внутренняя команда строит вместе с ним, затем внутренняя команда ведет следующие с консультациями партнера. Компетенция остается внутри компании.
Решайте по фактам за фиксированный период оценки. Заранее задайте пороги для доли завершенных задач, правок пользователей, критических сбоев (действий, которые пришлось откатить или которые задели бизнес) и стоимости задачи. Когда все четыре выполнены, расширьте границы на один шаг, один новый тип действия или один новый источник данных, и начните период оценки заново. Никогда не расширяйте несколько направлений сразу.
Затраты делятся на четыре группы: вызовы модели через API, инфраструктура и оркестрация, мониторинг и оценка, контроль со стороны людей. Пропорции зависят от нагрузки, выбора модели и того, сколько проверки требует процесс. Частая ошибка: выбрать самую мощную модель на рынке. Сначала проверьте самую компактную модель, которая проходит планку качества, и переходите к более крупной, только когда оценка это показывает.
Демо агента работает на чистых входных данных перед доброжелательной аудиторией. Агент, на которого опирается бизнес, держится на узких границах, ограничениях, точках согласования и оценке, которая не прекращается. opengate проектирует, разрабатывает и запускает агентов внутри ваших систем с теми же правами, что у владельцев процесса. Начните с одного процесса, а мы измерим, что он дает.
