В то время как исследователи гонятся за созданием полностью автономных ИИ-агентов, реальный бизнес выбирает более прагматичный подход. Согласно исследованию «Measuring Agents in Production», успешные компании строят не супер-агентов, а простые системы с ручным управлением и строгим человеческим контролем.
Контроль вместо автономии
Академические работы часто демонстрируют агентов, выполняющих десятки сложных шагов, но производственные системы гораздо сдержаннее. Вместо полностью автономных «ИИ-сотрудников» компании развертывают ограниченные системы на базе передовых языковых моделей с жесткими защитными механизмами. 68% продуктивных агентов выполняют менее десяти шагов до вмешательства человека, а почти половина (47%) обрабатывают менее пяти.
Практики явно предпочитают простые, контролируемые подходы. Около 70% команд используют готовые модели без дообучения. Reinforcement learning практически отсутствует. Вместо этого команды вкладывают усилия в ручное проектирование промптов.
Это классический кейс зрелости технологии: когда хайп встречается с реальностью, прагматизм побеждает романтику. Бизнес понимает, что доверять ИИ полную автономию — все равно что давать стажеру ключи от компании в первый рабочий день. Контроль, проверка, понятные workflow — вот что действительно работает в продакшене.
Экономия времени важнее скорости
Среди команд с развернутыми системами 72,7% выбрали «повышение продуктивности» как ключевое преимущество — наиболее часто упоминаемая причина. Сокращение человеко-часов (63,6%) и автоматизация рутинных задач (50%) следуют closely. Снижение рисков занимает последнее место — всего 12,1%, в основном потому, что экономию времени измерить проще, чем улучшение стабильности.
Требования к скорости удивительно мягкие. Для 41,5% агентов время ответа в диапазоне минут работает нормально. Только 7,5% команд требуют ответа менее секунды, а 17% вообще не имеют фиксированного бюджета задержки.
Кастомные решения против фреймворков
Среди развернутых систем в опросе около 61% используют фреймворки типа LangChain/LangGraph или CrewAI. Но глубинные интервью рассказывают другую историю. В 20 кейсах развернутых агентов 85% команд строят приложения с нуля без сторонних фреймворков.
Разработчики называют контроль и гибкость основными причинами. Фреймворки часто вносят «раздувание зависимостей» и усложняют отладку. Пользовательские реализации с прямыми API-вызовами просто легче поддерживать в продакшене.
Рабочие процессы также остаются статичными. Около 80% проанализированных агентов следуют фиксированным путям с четко определенными подзадачами. Страховой агент, например, может всегда запускать набор последовательностей: проверка покрытия, проверка медицинской необходимости, идентификация рисков. Агент имеет некоторую автономию в каждом шаге, но общий путь жесткий.
По материалам The Decoder