Почему AI-агенты не доходят до продакшна и как довести своего до запуска

AI-агенты редко не доходят до продакшна из-за того, что модель недостаточно умная. Большинство проектов с AI-агентами останавливаются, потому что никто не определил, что значит "работает", никто не тестирует агента на реальных кейсах и никто не отвечает за него после демо, поэтому расходы ползут вверх, доверие не появляется, а бюджет урезают. Это лечится инженерией, а не более умной моделью, и с AI-first командой это вчетверо дешевле и вчетверо быстрее, чем традиционная разработка вручную.

Тревога подкреплена цифрами. В июне 2025 года Gartner спрогнозировал, что более 40% проектов с агентным AI отменят до конца 2027 года из-за роста расходов, неясной пользы для бизнеса и недостаточного контроля рисков. Инициатива NANDA при MIT выяснила, что около 95% изученных пилотов генеративного AI не дали заметного влияния на прибыль. Мы сами строим и эксплуатируем агентов, и ниже те провалы, на которые мы натыкались сами или от которых защищали свои системы.

Почему AI-агенты не доходят до продакшна: пять причин

1. Никто не определил, что такое "готово". Пилот оценили по демо: агент хорошо ответил на пять вопросов на встрече. Никто не записал, какая точность нужна на реальном потоке, чего агенту нельзя делать никогда и сколько стоит одна ошибка. Без этого каждое обсуждение сводится к мнениям, а мнения проигрывают борьбу за бюджет.

2. Нет тестового набора. Агента настраивали на том, что команда сама в него вводила. Потом кто-то меняет промпт или версию модели, и никто не знает, стало ли лучше или тихо сломался сценарий возврата денег. Без эвалов команда не улучшает агента, а просто меняет его.

3. Слишком много самостоятельности слишком рано. Полностью автономный агент лучше выглядит в презентации. В продакшне одно уверенное ошибочное действие, возврат денег не тому клиенту или пост не в тоне бренда, стоит больше доверия, чем зарабатывает месяц правильной работы. Когда мы строили собственный AI SMM-пайплайн, полностью автономная публикация была очевидным и ошибочным решением: подтверждение каждого поста одним нажатием стоит дешево, а опровержение - нет.

4. Никто не видит, что агент сделал. Когда клиент жалуется, команда не может воспроизвести, какие данные агент прочитал, какой инструмент вызвал и почему. Пункт Gartner о контроле рисков в основном именно об этом. Без журнала действий юристы и финансисты не подпустят агента ни к чему важному.

5. Нет ни счета, ни владельца. Пилот работал на нескольких сотнях вызовов. На реальном объеме счет за модель, повторные попытки и длинный контекст умножаются, а лимита на стоимость одной задачи нет. Добавьте, что инженер, который его построил, ушел на следующий проект, и агент постепенно деградирует, пока этого не заметит клиент.

Пилот и продакшн: что на самом деле меняется

Пилот доказывает, что агент умеет выполнить задачу. Продакшн доказывает, что он выполняет ее правильно на объеме, по известной цене, и что человек может объяснить каждое его действие. Модель обычно та же. Меняется все вокруг нее:

Как довести AI-агента до продакшна: чеклист

Прогоните пилот через эти шесть проверок, прежде чем пускать на него реальный поток:

1. Запишите критерий готовности в цифрах. Например: 95% обращений попадают в правильную очередь, ни одного возврата свыше $100 (≈4 500 грн) без подтверждения, ответ быстрее чем за 30 секунд.
2. Соберите тестовый набор из реальных кейсов. 50-200 прошлых обращений, заказов или документов с правильным результатом. Прогоняйте через него каждое изменение промпта или модели и сравнивайте оценки до релиза.
3. Начните с человеком в контуре. Агент готовит, человек подтверждает. Расширяйте самостоятельность по одному типу действий и только там, где это позволяют цифры тестов.
4. Логируйте каждый шаг. Входные данные, найденную информацию, вызовы инструментов, результаты и кто что подтвердил. Именно это позволяет за несколько минут ответить на вопрос "почему он так сделал".
5. Ограничьте стоимость задачи. Берите самую дешевую модель, которая проходит вашу планку точности, кэшируйте то, что повторяется, и ставьте уведомления, когда расходы на задачу скачут.
6. Назначьте владельца. Один человек еженедельно разбирает ошибки, обновляет тестовый набор и решает, когда агенту можно дать больше самостоятельности.

Две привычки из нашей работы упрощают большую часть этого. В Sewing Lab систему проверяли на живых данных склада клиента, а не только в тестах, и половину самых дорогих ошибок нашли именно так. А еще она скорее промолчит, чем будет угадывать: автоматически отвечает покупателям только там, где цена однозначна, на 108 товарах из 122, а остальное передает менеджеру.

Сколько стоит довести AI-агента до продакшна

Если пилот у вас уже есть, переписывать его обычно не нужно. Нужно добавить слой, которого не хватает вокруг него. Диапазоны с AI-first командой рядом с тем же объемом при традиционной разработке:

Опубликованные в 2026 году гайды агентств называют еще более высокие суммы, часто $15,000-40,000 (≈675 400-1 801 000 грн) за агента на один рабочий процесс. Более низкая цена - это не меньше работы. Код пишет AI, а senior-инженеры им управляют и проверяют, поэтому та же рабочая система занимает меньше часов. Эксплуатация считается отдельно: $30-800 (≈1 400-36 000 грн) в месяц для большинства бизнес-агентов. Полная раскладка по типам агентов - в статье сколько стоит разработка AI-агента. Если сам пилот написан через вайб-кодинг, та же логика касается и приложения вокруг него: как довести вайб-код приложение до продакшна.

Как мы доводим агентов до продакшна в DForce

Каждый проект с агентом мы начинаем с критерия готовности и тестового набора, а не с промпта, потому что именно это решает, переживет ли агент первый пересмотр бюджета. Код пишет AI, а управляют им senior-инженеры, которые отвечают за архитектуру, права доступа и ревью, поэтому тот же объем получается вчетверо дешевле и вчетверо быстрее, чем традиционная разработка вручную. Каждый агент, которого мы передаем, имеет журнал действий, тестовый набор и названного владельца на стороне клиента.

Если у вас есть пилот, который хорошо выглядит на демо, но реальный поток ему никто не доверяет, запишитесь на звонок, и за пару дней мы скажем, что стоит между ним и продакшном.

Частые вопросы

Почему большинство проектов с AI-агентами проваливаются?

В основном по причинам, которые не касаются модели. Gartner называет три: расходы растут быстрее, чем планировали, пользу для бизнеса никто не может измерить, а контроль рисков слишком слабый, чтобы агент работал без человека рядом. На практике команда не записала, какой результат правильный, не собрала тестовый набор, дала агенту слишком много самостоятельности и не назначила ответственного после запуска.

Какой процент AI-агентов не доходит до продакшна?

В июне 2025 года Gartner спрогнозировал, что более 40% проектов с агентным AI отменят до конца 2027 года. Инициатива NANDA при MIT в 2025 году сообщила, что около 95% изученных пилотов генеративного AI не дали заметного влияния на прибыль. Точная цифра зависит от методики, но большинство пилотов так и не становятся системой, на которую опирается бизнес.

Как перевести AI-агента из пилота в продакшн?

Запишите критерий готовности в цифрах, соберите 50-200 реальных кейсов и прогоняйте через них каждое изменение, начните с того, что человек подтверждает каждое действие, логируйте каждый шаг, ограничьте стоимость задачи и назначьте одного владельца после запуска. Агент, который проходит эти шесть проверок, готов к реальной нагрузке.

Сколько стоит довести AI-агента до продакшна?

С AI-first командой аудит существующего пилота стоит $210-420 (≈9 500-18 900 грн) за 1.5-2 дня, тогда как традиционно это $840-1,680 (≈37 800-75 600 грн) и 6-9 дней. Доведение до продакшна с тестами, логированием, подтверждениями и лимитами расходов стоит $525-1,835 (≈23 600-82 600 грн) за 5-10 дней против $2,100-7,340 (≈94 600-330 500 грн) за 3-6 недель. Это вчетверо дешевле и вчетверо быстрее, чем традиционная разработка вручную, потому что код пишет AI, а senior-инженеры им управляют.

Суммы в гривнах указаны по курсу НБУ на 22.10.2026 (1 $ = 45,03 грн).