Чому AI-агенти не доходять до продакшну і як довести свого до запуску

AI-агенти рідко не доходять до продакшну через те, що модель недостатньо розумна. Більшість проєктів з AI-агентами зупиняються, бо ніхто не визначив, що означає "працює", ніхто не тестує агента на реальних кейсах і ніхто не відповідає за нього після демо, тож витрати повзуть угору, довіра не з'являється, а бюджет урізають. Це лікується інженерією, а не кращою моделлю, і з AI-first командою це утричі дешевше і втричі швидше, ніж традиційна розробка вручну.

Тривога має під собою цифри. У червні 2025 року Gartner спрогнозував, що понад 40% проєктів з агентним AI скасують до кінця 2027 року через зростання витрат, неясну користь для бізнесу і недостатній контроль ризиків. Ініціатива NANDA при MIT з'ясувала, що близько 95% досліджених пілотів генеративного AI не дали помітного впливу на прибуток. Ми самі будуємо й експлуатуємо агентів, і нижче ті провали, на які ми натрапляли самі або від яких захищали свої системи.

Чому AI-агенти не доходять до продакшну: п'ять причин

1. Ніхто не визначив, що таке "готово". Пілот оцінили за демо: агент добре відповів на п'ять питань на зустрічі. Ніхто не записав, яка точність потрібна на реальному потоці, чого агенту не можна робити ніколи і скільки коштує одна помилка. Без цього кожне обговорення зводиться до думок, а думки програють боротьбу за бюджет.

2. Немає тестового набору. Агента налаштовували на тому, що команда сама в нього вводила. Потім хтось міняє промпт або версію моделі, і ніхто не знає, чи стало краще, чи тихо зламався сценарій повернення коштів. Без евалів команда не покращує агента, а просто змінює його.

3. Забагато самостійності занадто рано. Повністю автономний агент краще виглядає в презентації. У продакшні одна впевнена помилкова дія, повернення коштів не тому клієнту чи пост не в тоні бренду, коштує більше довіри, ніж заробляє місяць правильної роботи. Коли ми будували власний AI SMM-пайплайн, повністю автономна публікація була очевидним і хибним рішенням: підтвердження кожного поста одним натиском коштує дешево, а спростування - ні.

4. Ніхто не бачить, що агент зробив. Коли клієнт скаржиться, команда не може відтворити, які дані агент прочитав, який інструмент викликав і чому. Пункт Gartner про контроль ризиків здебільшого саме про це. Без журналу дій юристи й фінансисти не підпустять агента ні до чого важливого.

5. Немає ні рахунку, ні власника. Пілот працював на кількох сотнях викликів. На реальному обсязі рахунок за модель, повторні спроби і довгий контекст множаться, а ліміту на вартість однієї задачі немає. Додайте, що інженер, який його збудував, пішов на наступний проєкт, і агент поволі деградує, поки цього не помітить клієнт.

Пілот і продакшн: що насправді змінюється

Пілот доводить, що агент уміє виконати задачу. Продакшн доводить, що він виконує її правильно на обсязі, за відомою ціною, і що людина може пояснити кожну його дію. Модель зазвичай та сама. Змінюється все навколо неї:

Як довести AI-агента до продакшну: чекліст

Проженіть пілот через ці шість перевірок, перш ніж пускати на нього реальний потік:

1. Запишіть критерій готовності в цифрах. Наприклад: 95% звернень потрапляють у правильну чергу, жодного повернення понад $100 без підтвердження, відповідь швидше ніж за 30 секунд.
2. Зберіть тестовий набір із реальних кейсів. 50-200 минулих звернень, замовлень чи документів із правильним результатом. Проганяйте через нього кожну зміну промпту чи моделі й порівнюйте оцінки до релізу.
3. Почніть з людиною в контурі. Агент готує, людина підтверджує. Розширюйте самостійність по одному типу дій і лише там, де це дозволяють цифри тестів.
4. Логуйте кожен крок. Вхідні дані, знайдену інформацію, виклики інструментів, результати і хто що підтвердив. Саме це дозволяє за кілька хвилин відповісти на питання "чому він так зробив".
5. Обмежте вартість задачі. Беріть найдешевшу модель, яка проходить вашу планку точності, кешуйте те, що повторюється, і ставте сповіщення, коли витрати на задачу стрибають.
6. Призначте власника. Одна людина щотижня розбирає помилки, оновлює тестовий набір і вирішує, коли агенту можна дати більше самостійності.

Дві звички з нашої роботи спрощують більшу частину цього. У Sewing Lab систему перевіряли на живих даних складу клієнта, а не лише в тестах, і половину найдорожчих помилок знайшли саме так. А ще вона радше мовчить, ніж вгадує: автоматично відповідає покупцям лише там, де ціна однозначна, на 108 товарах із 122, а решту передає менеджеру.

Скільки коштує довести AI-агента до продакшну

Якщо пілот у вас уже є, переписувати його зазвичай не треба. Треба додати шар, якого бракує навколо нього. Діапазони з AI-first командою поруч із тим самим обсягом за традиційної розробки:

Опубліковані у 2026 році гайди агенцій називають ще вищі суми, часто $15,000-40,000 за агента на один робочий процес. Нижча ціна - це не менше роботи. Код пише AI, а senior-інженери ним керують і перевіряють, тож та сама робоча система займає менше годин. Експлуатація рахується окремо: $30-800 на місяць для більшості бізнес-агентів. Повний розклад за типами агентів - у статті скільки коштує розробка AI-агента. Якщо сам пілот написаний через вайб-кодинг, та сама логіка стосується і застосунку навколо нього: як довести вайб-код застосунок до продакшну.

Як ми доводимо агентів до продакшну в DForce

Кожен проєкт з агентом ми починаємо з критерію готовності й тестового набору, а не з промпту, бо саме це вирішує, чи переживе агент перший перегляд бюджету. Код пише AI, а керують ним senior-інженери, які відповідають за архітектуру, права доступу і рев'ю, тому той самий обсяг виходить утричі дешевше і втричі швидше, ніж традиційна розробка вручну. Кожен агент, якого ми передаємо, має журнал дій, тестовий набір і названого власника на боці клієнта.

Якщо у вас є пілот, який добре виглядає на демо, але реальний потік йому ніхто не довіряє, запишіться на дзвінок, і за пару днів ми скажемо, що стоїть між ним і продакшном.

Часті питання

Чому більшість проєктів з AI-агентами провалюються?

Здебільшого з причин, які не стосуються моделі. Gartner називає три: витрати ростуть швидше, ніж планували, користь для бізнесу ніхто не може виміряти, а контроль ризиків надто слабкий, щоб агент працював без людини поруч. На практиці команда не записала, який результат правильний, не зібрала тестовий набір, дала агенту забагато самостійності і не призначила відповідального після запуску.

Який відсоток AI-агентів не доходить до продакшну?

У червні 2025 року Gartner спрогнозував, що понад 40% проєктів з агентним AI скасують до кінця 2027 року. Ініціатива NANDA при MIT у 2025 році повідомила, що близько 95% досліджених пілотів генеративного AI не дали помітного впливу на прибуток. Точна цифра залежить від методики, але більшість пілотів так і не стають системою, на яку спирається бізнес.

Як перевести AI-агента з пілоту в продакшн?

Запишіть критерій готовності в цифрах, зберіть 50-200 реальних кейсів і проганяйте через них кожну зміну, почніть з того, що людина підтверджує кожну дію, логуйте кожен крок, обмежте вартість задачі і призначте одного власника після запуску. Агент, який проходить ці шість перевірок, готовий до реального навантаження.

Скільки коштує довести AI-агента до продакшну?

З AI-first командою аудит наявного пілоту коштує $280-560 за 2-3 дні, тоді як традиційно це $840-1,680 і 6-9 днів. Доведення до продакшну з тестами, логуванням, підтвердженнями і лімітами витрат коштує $700-2,450 за 1-2 тижні проти $2,100-7,350 за 3-6 тижнів. Це утричі дешевше і втричі швидше, ніж традиційна розробка вручну, бо код пише AI, а senior-інженери ним керують.