Отчёт Teradata: как российскому бизнесу избежать «арестованной автоматизации» ИИ-агентов

Что произошло

10 сентября 2026 года компания Teradata опубликовала результаты масштабного исследования, оформленные в виде отчёта «Arrested Automation: Why Agentic AI Stalls at the Enterprise Level». В документе, основанном на опросе 1000 глобальных руководителей в области ИТ и данных, проведённом Wakefield Research, представлен неутешительный вердикт: корпорации продолжают активно инвестировать в агентный ИИ, но большинство из них не получает ожидаемой отдачи. Ключевой причиной провала называется не технологическое несовершенство моделей, а «арестованная автоматизация» — состояние, когда агенты упираются в устаревшую архитектуру данных, метрик и бизнес-процессов.

Согласно отчёту, лишь 37% организаций сообщают о «существенной окупаемости» (meaningful ROI) от своих ИИ-инициатив, включая агентные системы. При этом 63% компаний фиксируют лишь «небольшой или зарождающийся положительный эффект». Парадокс заключается в том, что 90% опрошенных руководителей планируют увеличивать инвестиции в агентный ИИ в ближайшие 12 месяцев. Это свидетельствует о разрыве между стратегическими устремлениями и операционной готовностью, который приводит к масштабным неэффективным тратам.

Teradata формулирует основную проблему так: компании инвестируют в модели и программное обеспечение, прежде чем исправить фундамент данных. В результате ИИ-агенты способны повысить индивидуальную продуктивность сотрудников, но не приносят измеримых результатов на уровне всей организации. Лишь 7% предприятий, по оценке аналитиков, достигли стадии масштабированного внедрения агентного ИИ, в то время как остальные находятся на пилотных проектах или стадии экспериментов. Отчёт становится своевременным предупреждением для российского бизнеса, который активно входит в фазу промышленного внедрения ИИ в условиях жёстких регуляторных требований, в том числе 243-ФЗ.

Как это устроено

Фундаментальная проблема: данные под людей

Исторически корпоративные системы данных (ERP, CRM, BI) проектировались для сценария, где конечный пользователь — человек. Аналитик или менеджер запрашивает информацию, интерпретирует её и принимает решение. Термины доступа, метаданные, модели качества данных и SLA оптимизированы именно под этот интерактивный режим. Агентный ИИ предполагает иную парадигму: автономный актор непрерывно взаимодействует с множеством систем, исполняет многошаговые процессы и инициирует действия без прямого участия человека. Как отмечает Teradata, фундамент данных был построен для людей, а не для машинных акторов, что создаёт непреодолимый барьер для эффективной работы агентов.

Одной из ключевых характеристик этой проблемы является «context fragmentation». По данным исследования, 77% организаций признают, что не более 20% их корпоративных данных и знаний готовы для надёжного использования ИИ-агентами. Контекст задач разбросан по разнородным системам, хранится в неструктурированных файлах, lacks унифицированных политик доступа и качества. Агент, не имеющий целостного и достоверного представления о текущей ситуации, вынужден либо делать ошибки, либо постоянно эскалировать задачи человеку, что нивелирует всю пользу автоматизации.

Экономика провала: от индивидуальной продуктивности к организационному ROI

Традиционные ИИ-проекты, особенно аналитические, часто измеряются через улучшение метрик отдельного сотрудника или отдела: скорость анализа, точность прогноза, сокращение ручного труда. Агентный ИИ, по своей сути, нацелен на сквозную автоматизацию сквозного бизнес-процесса. Его экономика должна измеряться на уровне всего процесса, а не его фрагментов. Teradata подчёркивает, что ИИ часто улучшает индивидуальную продуктивность, но не приводит к измеримым организационным результатам, если не изменён базовый слой данных и управления.

Этот разрыв между микро- и макроэффективностью и является корнем низкой ROI. Компания может потратить миллионы на внедрение ИИ-агента для обработки клиентских запросов, сократить время первого ответа на 15%, но при этом общее время решения проблемы не изменится, так как агент не может получить доступ к системе биллинга или складским остаткам. Затраты на модель, интеграцию и поддержку остаются, а реальный экономический эффект (сокращение операционных издержек, повышение LTV) не достигается. Переход от экономики сотрудников к экономике процессов — обязательное условие для окупаемости агентных систем.

Метрики как корневая причина

Отсутствие адекватных метрик является одновременно симптомом и причиной «арестованной автоматизации». Традиционные KPI, такие как «количество обработанных заявок», не отражают качества работы агента. В отчёте и сопутствующих аналитических материалах предлагается набор метрик, ориентированных на агентную парадигму. Ключевыми являются: Cost per task (стоимость выполнения единицы работы), Task success rate (доля задач, успешно завершённых без эскалации), Human escalation rate (частота привлечения человека), Cycle time (полное время цикла процесса), Error rate (уровень ошибок), а также Incidents per 1000 agent runs (количество инцидентов на 1000 запусков).

Без внедрения таких метрик компания не может объективно оценить эффективность агента и сравнить её с «ручным» процессом. Невозможно управлять тем, что не измеряется. По нашему опыту проектов, попытки оценить ROI агентных систем через общие показатели IT-бюджета или опросы удовлетворённости сотрудников неизбежно приводят к искажённой картине и неверным инвестиционным решениям. Построение измеримой экономики ИИ-агентов начинается с определения и фиксации базовых значений этих метрик до начала внедрения.

Процессы и управление рисками

Агентный ИИ не может быть «надстроен» поверх существующих, неоптимизированных бизнес-процессов. Для его успешной работы требуется формализованное описание процессов с явными событиями, правилами, точками принятия решений и, что критически важно, чётко прописанными границами автономии агента. Процессы должны быть спроектированы так, чтобы агент мог reliably их исполнять, а человек вмешивался только в исключительных, заранее определённых случаях.

Особое значение приобретает управление рисками и комплаенс. Автономные действия агента должны быть полностью протоколируемы, трассируемы и аудируемы. Каждое решение, каждое обращение к данным, каждое инициированное действие должно иметь лог. Это не только техническое, но и регуляторное требование, особенно в российских реалиях с 243-ФЗ. Без системы governance, контролирующей, что, как и почему делает агент, внедрение превращается в неконтролируемый эксперимент с непредсказуемыми финансовыми и репутационными последствиями.

Как это выглядит на практике

Сценарий 1: Агент в контакт-центре телеком-компании

В типовом сценарии крупный оператор связи внедряет ИИ-агента для автоматической обработки обращений в чате и по email. Без подготовки фундамента агент отвечает на стандартные вопросы (баланс, тариф), но при любой нештатной ситуации (проблема с качеством связи, сложный тарифный план, запрос на смену SIM-карты) он вынужден эскалировать заявку оператору. Причина: данные о качестве сети находятся в одной системе (NMS), данные о тарифах и клиентах — в CRM (биллинг), а история предыдущих обращений — в системе тикетинга. Context fragmentation не даёт агенту составить единую картину. Результат: сокращение времени первого ответа на 20%, но рост общего времени решения проблемы на 5% из-за лишних передач между агентом и оператором. ROI отрицательный.

При правильном подходе компания сначала создаёт унифицированный профиль клиента, агрегирующий данные из всех систем в режиме реального времени, и формализует процесс обработки инцидентов. Агент получает доступ к этому профилю и чёткий алгоритм действий. Он может самостоятельно проверить технические проблемы по абоненту, предложить смену тарифа на основе анализа потреблений и инициировать заказ SIM-карты. В результате доля полностью решённых агентом запросов растёт до 45%, Cost per task снижается на 40%, а Human escalation rate падает до 10%. Проект становится прибыльным в течение первого года.

Сценарий 2: Агент для обработки счетов в производственной компании

Крупное промышленное предприятие пытается автоматизировать обработку счетов от поставщиков (process-to-pay). ИИ-агент обучен распознавать PDF-счета, извлекать реквизиты и загружать их в ERP-систему. Однако на практике система отказывает в обработке до 60% документов. Причины: отсутствие стандартизации форматов счетов, расхождения в ИНН или названиях юрлиц в разных системах, необходимость ручной проверки по лимитам договоров, которые хранятся в отдельном DMS. Агент не может принять решение о платеже, и каждый такой документ уходит на ручную доработку финансовому сотруднику. Эффект от автоматизации минимален.

Эффективное внедрение начинается с унификации и централизации данных по контрагентам и договорам. Создаётся единый мастер-данных поставщиков, интегрированный с ERP и DMS. Процесс согласования платежей формализуется в BPM-системе с явными правилами и лимитами. Агент теперь не просто извлекает данные, а сверяет их по нескольким системам, проверяет соответствие договорным условиям и, если все параметры в норме, автоматически инициирует процесс платежа. Эскалация происходит только при превышении лимита или обнаружении расхождения. В таком сценарии доля автоматизированно обработанных счетов достигает 75%, а время цикла «получение счёт-оплата» сокращается с 5 дней до 8 часов.

Что это значит для российской компании

Для российского бизнеса выводы отчёта Teradata имеют прямое и немедленное значение. Они указывают на то, что погоня за модными агентными решениями без подготовки инфраструктурной и процессной базы обречена на провал и неэффективное расходование ресурсов, что особенно чувствительно в текущих экономических условиях. Прямой доступ к продуктам Teradata для российских компаний ограничен санкционными и логистическими барьерами, поэтому ключевую ценность представляет не программное обеспечение, а методология построения измеримой экономики ИИ-агентов.

Федеральный закон 243-ФЗ «Об экспериментальных правовых режимах в сфере цифровых инноваций» выступает не столько ограничением, сколько катализатором правильного подхода. Закон требует от компаний, внедряющих ИИ в регулируемых сферах, детального описания рисков, механизмов управления ими и прозрачности алгоритмов. Эти требования полностью совпадают с необходимостью создавать governance, логирование и систему метрик для агентов, что является решением проблемы «арестованной автоматизации». Таким образом, 243-ФЗ заставляет российских компаний делать то, что необходимо для достижения ROI, — строить надёжный и управляемый фундамент.

В условиях импортозамещения российские компании будут вынуждены использовать отечественные платформы для построения агентных систем: облачные инфраструктуры (Yandex Cloud, VK Cloud), СУБД (Postgres Pro, ClickHouse), BPM-системы (ELMA, RunaWFE) и ML-фреймворки. Это не снижает ценности методологии Teradata, а лишь адаптирует её к локальной реалии. Бюджеты на ИИ-проекты должны быть перераспределены в пользу работ по data governance, интеграции систем и редизайну процессов, а не только на покупку licences на иностранные LLM.

Таблица 1. Сравнение подходов к внедрению агентного ИИ

Что делать: пошагово

1. Инвентаризация процессов и единиц работы. Выделите 3-5 ключевых сквозных бизнес-процессов, где автоматизация может дать наибольший эффект (обработка заявок, инцидентов, заказов). Для каждого определите измеримую единицу работы (например, «один клиентский запрос», «один счёт на оплату») и зафиксируйте её текущую стоимость в деньгах и времени.
2. Диагностика фундамента данных. Оцените полноту, качество и доступность данных, необходимых для автоматизации каждого процесса. Определите, какой процент данных централизован, имеет метаданные и формализованные политики доступа. По нашему опыту, на этом этапе выявляется, что для агента доступно не более 15-25% нужной информации.
3. Выбор пилотной зоны в рамках 243-ФЗ. Выберите один из процессов для пилотного проекта, предпочтительно внутренний или с опосредованным контактом с клиентом, чтобы минимизировать регуляторные риски. Сформулируйте цели пилота в терминах экономического эффекта и рисков и подготовьте необходимые документы для согласования эксперимента в рамках 243-ФЗ.
4. Проектирование данных и governance под агента. Для выбранного процесса создайте унифицированную модель данных, обеспечьте интеграцию релевантных источников. Разработайте политики доступа специально для машинного актора, а не для человека. Спроектируйте систему логирования всех действий агента для последующего аудита и анализа.
5. Установка базовых метрик (baseline). До начала внедрения агента замерьте и зафиксируйте ключевые метрики процесса: Cost per task, полный Cycle time, текущий Error rate, количество инцидентов на 1000 операций. Эти данные станут основой для будущего расчёта ROI.
6. Дизайн ИИ-агента с правилами эскалации. Чётко определите круг задач, которые агент может выполнять автономно. Установите явные правила и пороги для эскалации задачи человеку (например, сумма платежа выше X, отсутствие данных в системе, низкая уверенность модели в решении).
7. Внедрение и измерение по 4 пилонам ROI. Запустите агента в пилотном режиме и систематически замеряйте изменение метрик. Оценивайте эффект по четырём направлениям: прямое сокращение издержек (Direct cost savings), предотвращение рисков и штрафов (Risk avoidance value), защита выручки за счёт сокращения ошибок (Revenue protection) и повышение качества обслуживания.
8. Масштабирование и интеграция в риск-менеджмент. По результатам успешного пилота, документируйте полученную экономику и методологию. Разработайте план поэтапного расширения зоны ответственности агента и интеграции системы управления агентами в общую архитектуру управления рисками и комплаенсом компании.

Типичные ошибки

1. Начинать с выбора модели, а не с анализа данных. Инвестиции в дорогую фронтир-модель бессмысленны, если агент не может получить качественные данные для принятия решений. Это приводит к высокой стоимости инференса и низкому качеству работы.
2. Игнорировать редизайн бизнес-процесса. Попытка «надеть» агента на существующий хаотичный процесс, полный ручных согласований и неформальных коммуникаций, неизбежно приводит к высокой доле эскалаций и отсутствию эффекта.
3. Внедрять агента без системы управления доступом и аудита. Отсутствие логирования действий агента делает невозможным расследование инцидентов, что в условиях 243-ФЗ может привести к регуляторным санкциям и прямым убыткам.
4. Оценивать ROI через общие IT-метрики. Попытка измерить успех через снижение нагрузки на ЦОД или стоимость подписки на ПО не отражает реального бизнес-эффекта и маскирует неэффективность проекта.
5. Недооценивать работу с мастер-данными. Расхождения в наименованиях контрагентов, продуктов, реквизитах в разных системах — одна из главных причин, по которой агент не может корректно обработать даже простую задачу.
6. Отделять ИИ-проект от службы комплаенса и риск-менеджмента. Игнорирование требований 243-ФЗ на старте приводит к необходимости переделывать архитектуру и процессы на поздних, более дорогих этапах внедрения.

Как понять, что вы на верном пути

1. Стоимость единицы работы (Cost per task) стабильно снижается после запуска агента, а не остаётся на прежнем уровне или растёт из-за доработок.
2. Доля задач, завершённых без эскалации человеку (Task success rate), растёт из месяца в месяц, достигая целевых значений, определённых на этапе проектирования.
3. Полное время цикла процесса (Cycle time) сокращается на 20% и более, что подтверждает сквозной характер автоматизации, а не локальные улучшения.
4. Количество инцидентов, связанных с ошибками обработки данных, падает, что говорит о повышении качества и надёжности процесса в целом.
5. Бизнес-подразделение, владеющее процессом, инициирует запрос на расширение полномочий агента, что является лучшим индикатором реальной ценности решения.
6. Регулятор в рамках экспериментального правового режима (243-ФЗ) подтверждает адекватность описанных мер по управлению рисками и прозрачности системы.

Вопросы, которые нам задают

Насколько критично использовать именно платформу Teradata для успеха?

Критична не платформа, а методология. Выводы Teradata основаны на анализе сотен проектов и указывают на системные проблемы, не зависящие от вендора. Российские компании могут и должны использовать локальные программные и аппаратные решения, но применять принципы подготовки данных, метрик и процессов, описанные в исследовании.

С чего начать, если в компании полный хаос в данных и нет ресурсов на глобальную чистку?

Начинать нужно с малого. Выберите один пилотный процесс с высокой потенциальной отдачей и очистите и унифицируйте данные только для него. По нашему опыту, такой точечный подход позволяет быстро показать результат и получить внутреннюю поддержку для дальнейших, более масштабных преобразований в управлении данными.

Как согласовать метрики ROI с требованиями 243-ФЗ?

Эти задачи взаимодополняют друг друга. Метрики, ориентированные на предотвращение рисков (например, снижение числа инцидентов с персональными данными, сокращение ошибок в финансовых операциях), напрямую соответствуют целям 243-ФЗ. В документации по экспериментальному режиму следует представить именно эти метрики как доказательство управляемости и безопасности системы.

Не приведёт ли фокус на процессы и данные к замедлению инноваций?

Наоборот, это ускоряет ценные инновации. Фокус на фундаменте предотвращает дорогостоящие провалы проектов, которые не приносят эффекта. Чётко измеримая экономика и управляемые риски позволяют компаниям увереннее и быстрее масштабировать успешные ИИ-решения, а не хоронить их в бесконечных пилотах.