Несмотря на масштабные инвестиции и бурный рост внедрения генеративного ИИ, подавляющее большинство компаний по-прежнему не ощущают реального эффекта на прибыль. Новый отчет McKinsey «Seizing the agentic AI advantage» раскрывает, как переход от «вертикальных» и «горизонтальных» решений к полноценным автономным агентам может кардинально изменить бизнес‑модели и показатели эффективности.
Генеративный тупик: масштаб без отдачи
По данным глобального опроса McKinsey, свыше 78% компаний уже используют генеративный ИИ хотя бы в одном бизнес-направлении, однако более 80% респондентов не фиксируют «материального вклада» этой технологии в финансовые результаты.
Проблема кроется в доминировании «горизонтальных» кейсов — корпоративных чат- и копилотов, которые обеспечивают лишь разрозненное повышение производительности отдельных сотрудников.
В то же время «вертикальные» решения, ориентированные на конкретные процессы (от финансовых меморандумов до управления запасами), редко выходят за рамки пилотной фазы: только около 10% таких инициатив масштабируются и приносят ощутимый экономический эффект. В результате возможности GenAI, оцениваемые в дополнительные $2,6–4,4 трлн наряду с традиционными аналитическими инструментами, остаются нереализованными.
Архитектура агентного ИИ: mesh как основа доверия и гибкости
Ключ к выходу из парадокса — «agentic AI mesh»: новая архитектурная парадигма, где автономные агенты могут подключаться к любым LLM, инструментам и системам без глубоких кастомизаций. Такой mesh опирается на пять принципов: модулярность, распределенный интеллект, слоистое разделение функций, нейтральность по отношению к вендорам и управляемая автономия.
Параллельно с mesh меняются требования к самим моделям: агенты нуждаются в «низколатентных» LLM для мгновенного отклика, в тонкой настройке и контролируемости для работы в регламентированных индустриях, в «легких» моделях для edge‑устройств, в масштабируемых решениях для оркестрации сотен агентов и в специализированных моделях для embed‑окружений.
Текущие архитектуры, основанные на экосистеме API и UI‑ориентированных интерфейсах, должны трансформироваться в агент‑первичные: системы перестанут строиться вокруг экранов и форм, уступая место машиночитаемым интерфейсам и автономным сценариям исполнения.
От автоматизации к реинжинирингу процессов: убедительные кейсы
McKinsey приводит впечатляющие примеры того, как агенты уже меняют правила игры. В «цифровой фабрике» крупного банка, где модернизация восьмисот-компонентного мейнфрейма оценивалась в $600 млн, внедрение squad-агентов «документаторов», «кодировщиков», «рецензентов» и «тестировщиков» под надзором людей обеспечило ускорение разработки на 40–50 % и экономию 30–40 % по затратам.
В исследовательской компании, где 500 аналитиков ежедневно тратили силы на проверку и структуру данных, система многозадачных агентов выявляла аномалии, синтезировала внутренние и внешние сигналы и готовила инсайты, освобождая экспертов для стратегических задач. Потенциал повышения производительности превысил 60 %, а ожидаемая годовая экономия составила более $3 млн.
Розничный банк, традиционно требовавший 2–4 дня на подготовку кредитного меморандума, запустил proof-of-concept агентов, автоматизировавших сбор данных, генерацию разделов меморандума и выработку вопросов с оценкой уверенности. В результате потенциальный рост производительности варьировался от 20 % до 60 %, а скорость принятия решений увеличивалась на 30 %.
Кардинально меняются даже клиентские колл-центры: при простом внедрении агентов в существующий процесс можно сэкономить 20–40 % времени и сократить бэклог на 30–50 %, но только полный реинжиниринг — когда агенты сами обнаруживают инциденты и инициируют решения — обеспечивает до 80 % автоматических разрешений и сокращение времени ответа на 60–90 %.
Такие показатели демонстрируют, что настоящее преимущество достигается не ускорением каждого шага, а перестройкой процесса вокруг автономности агентов.
Организационные и стратегические импликации: доверие, культура, лидерство
Технической базы для агентного ИИ уже достаточно, однако главным препятствием становится человеческая составляющая. Необходимо выстроить культуру «человек + агент»: четко определить зоны инициативы ИИ, роли супервайзеров и механизмы эскалации исключений. Без этого возникает риск «автономного хаоса»: сползания агентов с заданных рамок, раздробленности и утраты управляемости.
Важнейший инструмент — новый AI-совет во главе с СЕО, включающий ИТ-, HR- и дата-лидеров, который будет определять стратегию, контролировать инвестиции и отслеживать ценность на уровне ключевых показателей. Лидеры должны закрыть фазу экспериментов, формально свернуть неперспективные пилоты и запустить lighthouse‑проекты — сквозные трансформации, где агенты в корне меняют процессы и доказывают ценность на уровне прибыли.
Параллельно предстоит перестроить инфраструктуру: перейти от единоличной работы с данными к reusable data products (продуктам данных, которые можно использовать повторно), усилить оркестрацию и непрерывно обновлять LLM-стратегию в ответ на технологические новшества и жесткие требования регуляторов.
Выводы
Агентный ИИ открывает не просто новую страницу в автоматизации, а непосредственный путь к созданию виртуальных коллег, способных самостоятельно достигать бизнес-целей. Компании, решившие продолжать лишь эксперименты с генеративными моделями, рискуют оказаться вне конкуренции, тогда как лидеры, инвестирующие в полноценное внедрение агентов и реинжиниринг процессов, способны переписать правила отрасли.
Ключ к успеху лежит в одновременной трансформации технологий, архитектуры и организационной культуры, подчиненных цели полного раскрытия потенциала автономных агентов. Для этого потребуются решительные действия на уровне СЕО: пересмотр AI-стратегии, создание кросс-функциональных команд и масштабирование первых удачных кейсов.
Тот, кто сделает этот шаг, не просто оптимизирует операции, а задаст новые стандарты конкурентоспособности в цифровую эпоху. Время экспериментировать заканчивается. Время трансформировать — наступает.