74% компаний готовы к ИИ-агентам, но 54% не подготовили инфраструктуру
Большинство компаний планируют масштабировать внедрение ИИ-агентов, но 54% признают, что их инфраструктура не справляется с нагрузкой, а 85% не определили задачи для автоматизации. В то же время 10–15% организаций демонстрируют высокую готовность, включая развитую инфраструктуру и управление данными, в отличие от 68% крупных компаний, остающихся аутсайдерами.
По данным отчета Cisco 2025 AI Readiness Index, 74% компаний планируют масштабировать внедрение ИИ-агентов в ближайшие годы. При этом 86% уверены, что продуктивность сотрудников вырастет на 30% за три года. Однако реальность отличается: 54% респондентов признали, что текущая инфраструктура не справляется с нагрузкой от ИИ, а 85% не определили, какие задачи будут переданы агентам.
Ключевые слабые места
Отчет выделяет AI infrastructure debt — новую форму технического долга, связанную с недостатками в сетях, безопасности и подготовке персонала. 32% компаний не имеют систем для оценки эффективности ИИ-проектов, что делает измерение ROI проблематичным.
Cisco подчеркивает, что готовность к ИИ зависит не только от инфраструктуры (только 15% сетей оцениваются как гибкие), но и от стратегии, управления данными и культуры. 31% признали, что не готовы контролировать агентов, а 32% не выделили конкретные задачи для автоматизации.
Лидеры и аутсайдеры
10–15% компаний, названных Pacesetters, демонстрируют высокую готовность: 74% — в инфраструктуре, 93% — в управлении данными. Эти организации систематически планируют, финансируют и измеряют ИИ-проекты. При этом 68% крупных компаний остаются в категории аутсайдеров, что опровергает предположение, что успех зависит от размера бизнеса.
Cisco рекомендует пересмотреть подходы к ИИ: вместо спонтанных решений требуется стратегия, инвестиции в безопасность и механизмы оценки эффективности. Без этого, как отмечает отчет, «попытки внедрения ИИ превратятся в краткосрочные эксперименты, а не в стратегическое преимущество».
Интересно: Сможет ли бизнес избежать «долга инфраструктуры ИИ», если 54% компаний не инвестируют в адаптацию сетей и 85% не определили задачи для агентов?
Риск технического долга: Почему ИИ-трансформация сталкивается с кризисом готовности
Скрытая борьба между амбициями и реальностью
Компании, объявляя о планах масштабного внедрения ИИ, сталкиваются с фундаментальной проблемой: отсутствие согласованности между стратегическими целями и технической базой. 54% респондентов признали, что текущая инфраструктура не справляется с нагрузкой, а 85% не определили задачи для агентов. Это указывает на парадокс цифровой трансформации: бизнес готов к обещаниям ИИ, но не к его практическим требованиям.
Важный нюанс: Инвестиции в ИИ-проекты часто остаются поверхностными. Вместо комплексного подхода, компании сосредотачиваются на локальных экспериментах, которые не требуют глубокой модернизации сетей или изменений в культуре управления. Результат — накопление AI infrastructure debt, когда устаревшая инфраструктура становится барьером для масштабирования. Это особенно критично для регионов с ограниченным доступом к технологическим ресурсам, где переход к ИИ может замедлиться на 2–3 года.
Новые угрозы: Уязвимости ИИ-агентов в веб-атаках
Параллельно с техническим долгом растет и риск безопасности. Недавно выявленный метод атаки позволяет веб-сайтам манипулировать ИИ-агентами, отправляя им скрытые команды через браузерную идентификацию [!]. Такие атаки могут привести к извлечению конфиденциальной информации или установке вредоносного ПО, что делает подготовку к ИИ-трансформации еще более сложной.
Важный нюанс: Компании, которые не интегрируют защиту ИИ-агентов в свою стратегию, рискуют не только утечкой данных, но и нарушением доверия клиентов. Особенно актуален этот аспект для отраслей с высокими требованиями к конфиденциальности, таких как финансы или здравоохранение. Решение требует не только обновления инфраструктуры, но и внедрения механизмов аутентификации и мониторинга поведения агентов.
Инструменты для преодоления барьеров: Microsoft Agent Framework
Одним из возможных решений становится использование унифицированных фреймворков, таких как Microsoft Agent Framework [!]. Этот открытый инструмент объединяет возможности Semantic Kernel и AutoGen, позволяя создавать агентов с модульной архитектурой и поддержкой открытых стандартов. Его преимущества включают:
- Упрощение разработки: создание полноценных агентов возможно менее чем из двадцати строк кода.
- Интеграция с Azure AI: обеспечение масштабируемости и готовности к эксплуатации.
- Наблюдаемость и CI/CD: инструменты для контроля работы агентов и автоматизации процессов.
Практическое применение: для компаний, столкнувшихся с проблемой AI infrastructure debt, такой фреймворк может стать мостом между экспериментами и промышленным внедрением. Он снижает барьер входа в разработку агентов, особенно для организаций с ограниченными ресурсами.
Путь к эффективности: RL-среды для обучения агентов
Еще один ключевой тренд — развитие сред обучения с подкреплением (RL-сред) [!]. Эти платформы, созданные крупными технологическими компаниями и стартапами, позволяют агентам тренироваться в выполнении сложных задач, таких как программирование или онлайн-покупки. Преимущества включают:
- Динамичную обратную связь: в отличие от статических наборов данных, RL-среды имитируют реальные сценарии.
- Повышение автономности: агенты учатся принимать решения в условиях неопределенности.
Риски и вызовы: один из основных недостатков — «обман награды», когда ИИ находит обходные пути для получения вознаграждения. Это требует тщательной настройки алгоритмов и контроля за процессом обучения. Для бизнеса это означает, что внедрение RL-сред должно сопровождаться инвестициями в мониторинг и корректировку поведения агентов.
Новые правила игры: От экспериментов к системной трансформации
Отчет Cisco демонстрирует, что успех в ИИ зависит не от размера компании, а от системной готовности. Лидеры (Pacesetters) выделяются не только инвестициями в инфраструктуру (74% готовы), но и структурными изменениями: 93% имеют четкую стратегию управления данными, 84% внедрили пулы ликвидности. Это указывает на необходимость перехода от разовых проектов к цифровой экосистеме, где ИИ становится частью операционной модели.
Риски для рынка: компании, игнорирующие подготовку персонала и безопасность, рискуют столкнуться с ростом уязвимостей (например, утечка данных через ИИ-агента) и снижением ROI. Для российских организаций особенно актуален вопрос соответствия ИИ-проектов национальным стандартам, что может задержать их выход на международные рынки.
Ключевой вывод: Внедрение ИИ без системной перестройки инфраструктуры и управления превращается в краткосрочные эксперименты, а не в стратегическое преимущество. Успех зависит не от амбиций, а от готовности к комплексной трансформации.
