Почему проекты с agentic AI часто терпят неудачу и как этого избежать

Дэвид Гевирц (4 мая 2026) анализирует практические риски и возможности agentic AI: от массового «agent washing» у поставщиков и зависимости от сторонних LLM до бюджетных и операционных ловушек при интеграции через API.

4 мая 2026 года Дэвид Гевирц опубликовал разбор причин, по которым многие инициативы по внедрению agentic AI быстро терпят неудачу. Руководителям приходится выбирать между консервативной экономией примерно 10% затрат на персонал и попыткой достичь кратного — десятикратного — роста; последний путь может принести прорыв, но одновременно привести к провалу проекта и потере кадров. Автор фиксирует, что термин «agentic AI» часто применяется некорректно. По данным Gartner, менее 13% из тысяч поставщиков действительно предлагают полноценные agentic‑решения; многие участники рынка просто ребрендируют чат‑боты, инструменты RPA и сценарные сервисы. Практические реализации при этом сильно зависят от внешних LLM‑провайдеров — OpenAI, Google, Anthropic — и от архитектурных и ценовых решений интеграторов.

Экономический контекст противоречив: KPMG оценивает потенциальный ежегодный прирост производительности в 3 трлн долларов, а Accenture называет agentic AI «новым видом капитала». Одновременно Gartner указывает на трёх — шестимесячное окно, в течение которого компании должны определить продуктовую стратегию. При этом аналитики прогнозируют, что к концу 2027 года более 40% подобных проектов будут закрыты из‑за роста затрат, неочевидной бизнес‑ценности или отсутствия механизмов контроля рисков. Практические операционные угрозы конкретны. Неправильные промпты и «беглые» агенты могут вызвать каскадные ошибки в рабочих процессах; недостаточный контроль за API‑запросами быстро выведет расходы на LLM за рамки бюджета. «Agent washing» повышает вероятность провала пилотов, поскольку PoC строятся на ошибочных предпосылках о самостоятельности системы и недооценивают потребность в ограничителях и мониторинге.

На уровне процесса автор предлагает ряд конкретных мер: фокус на измеримых показателях эффективности вместо хайпа; независимая проверка заявлений вендора и валидация реальных agentic‑возможностей; поэтапный rollout с заранее установленных финансовых стоп‑лоссов. Обязательны моделирование стоимости API, мониторинг затрат на запрос и тесты поведения системы в граничных условиях. Для зрелого перехода необходимы механизмы наблюдаемости, SLA на поведение агентов и регулярные проверки безопасности и устойчивости. Вывод для руководства и инженерных команд — найти баланс между скоростью внедрения и осторожностью: агентные системы дают масштабный потенциал, но несут высокий риск отмены проектов и непредвиденных расходов.

В качестве практической стратегии автор рекомендует портфельный подход: сочетание нескольких небольших самоокупаемых инициатив и выборочных, тщательно подготовленных рискованных проектов, где потенциальный выигрыш оправдывает угрозы. Статья: David Gewirtz, 4 мая 2026.