AI-агенты к 2030: что стоит за прогнозами и что уже реально

Осенью 2024 года Gartner опубликовал прогноз: к 2028 году около 33% корпоративного софта будет включать так называемый агентский ИИ против менее 1% в 2024-м, а 15% рутинных рабочих решений будет приниматься агентами автономно. Salesforce, Microsoft и Google в 2024–2025 годах один за другим выпустили платформы для сборки агентов — Agentforce, Copilot Studio, Vertex AI Agent Builder. Формулировка "год агентов" звучала на каждой второй презентации. Вопрос, который стоит за всей этой волной: сколько компаний реально будет использовать агентов к 2030 году и что вообще считать использованием.

Что называют агентом и почему цифры так расходятся

Главная проблема любого прогноза здесь — определение. Одни считают агентом любой чат-бот с доступом к базе знаний, другие — только систему, которая сама планирует шаги, вызывает инструменты и доводит задачу до результата без человека в цикле. От того, где провести границу, зависит, получите вы 5% рынка или 80%.

Агент¹ в узком смысле — это не модель и не промпт. Это надстройка над языковой моделью, которая умеет разбивать цель на подзадачи, обращаться к внешним инструментам (API, база данных, поиск, почта) и корректировать план по ходу выполнения. Обычный ассистент отвечает на вопрос. Агент получает задачу вроде "обработай возвраты за неделю" и выполняет цепочку действий.

Разница между демо и продакшеном для агента больше, чем для любого другого класса ПО: в демо агент ошибается красиво, в проде каждая его ошибка — это отправленное не тому письмо или списанные не с того счёта деньги.

Поэтому к громким процентам стоит относиться как к оценке намерений, а не факта. Gartner в том же прогнозе отдельно предупреждал, что к концу 2027 года свыше 40% проектов агентского ИИ будут свёрнуты из-за роста издержек, размытой отдачи или недооценённых рисков. Это не отменяет тренд, но задаёт ему реалистичную рамку.

Откуда берётся рост

За прогнозами стоят несколько измеримых вещей, а не только маркетинг вендоров.

• Инструменты для сборки подешевели. Ещё в 2023 году агента собирали вручную на LangChain и самописных обёртках. К 2025-му появились готовые конструкторы и протоколы вроде MCP², стандартизирующие подключение инструментов к модели.
• Модели научились вызывать инструменты надёжнее. Function calling и структурированный вывод — теперь базовая функция у большинства провайдеров, а не эксперимент.
• Контекстное окно выросло. Модели с окном в сотни тысяч токенов позволяют агенту держать в голове большой объём инструкций и данных за один проход.
• Давление на издержки. Компании ищут, где сократить рутину в поддержке, продажах и бэк-офисе — там, где агент теоретически заменяет часть ручного труда.

При этом ни один из прогнозов не измеряет напрямую "долю компаний". Считают долю ПО, долю решений, долю пилотов — метрики разные, и складывать их в одно число нельзя. Если вы видите заголовок "90% компаний будут использовать агентов к 2030", почти наверняка под использованием там понимается любой контакт с любой агентской функцией внутри уже купленного продукта.

Кто что обещает

Сравнивать стоит не сами цифры (они несопоставимы по методологии), а то, что именно измеряет каждый прогноз и на какой горизонт.

Точные проценты и даты по каждому исследованию стоит сверять в первоисточнике: аналитические компании регулярно пересматривают прогнозы, а вендоры обновляют цифры на квартальных отчётах. Ни одну из этих оценок нельзя выдавать за факт наступившего будущего.

Кому это пригодится и кому нет

Где агент даёт отдачу уже сейчас

• Поддержка первой линии. Классификация обращений, ответы по базе знаний, эскалация сложных случаев человеку. Ошибка стоит недорого, объём высокий.
• Разработка. Агенты в IDE, которые сами читают репозиторий, пишут и запускают тесты. Разработчик проверяет результат — цена ошибки ограничена ревью.
• Обработка документов. Извлечение полей из счетов, договоров, форм с последующей проверкой человеком на спорных позициях.
• Внутренний поиск и отчётность. Агент собирает данные из нескольких систем и готовит черновик сводки.

Где агент пока рискованнее ручного труда

• Операции с деньгами без подтверждения. Автономные платежи, изменение цен, отправка юридически значимых документов — цена одной ошибки перевешивает экономию.
• Регулируемые решения. Кредитные, медицинские, кадровые выводы, где нужна объяснимость и ответственность конкретного лица.
• Процессы без чёткого критерия успеха. Если задачу нельзя проверить автоматически, агент накапливает ошибки, которые всплывают поздно.

Проще говоря: чем дешевле ошибка и чем легче её поймать, тем раньше агент окупается. Массовое проникновение к 2030 году вероятно именно в зонах с низкой ценой ошибки — а не там, где заголовки обещают "автономный бизнес".

Что делать бизнесу, который думает о пилоте

1. Выберите процесс с измеримым результатом и низкой ценой ошибки — не самый сложный, а самый проверяемый.
2. Заложите человека в цикл на старте: агент готовит, человек подтверждает, метрики копятся.
3. Считайте полную стоимость: токены, интеграции, поддержка, доработка. У свёрнутых пилотов чаще проваливается экономика, а не технология.
4. Определите критерий провала заранее — при каком уровне ошибок вы откатываетесь. Без этого пилот тянется бесконечно.

¹ Агент — программная система на базе языковой модели, которая самостоятельно планирует шаги для достижения цели, вызывает внешние инструменты и корректирует план по результатам, в отличие от ассистента, который выдаёт единичный ответ на запрос.

² MCP (Model Context Protocol) — открытый протокол, стандартизирующий подключение внешних инструментов и данных к языковой модели, представлен Anthropic в конце 2024 года.