Российский рынок корпоративного ИИ вступает в этап, на котором главным критерием становится способность технологии выполнять работу с измеримым результатом
В 2025 году объем рынка генеративного ИИ достиг 58 млрд рублей — примерно в 4,5 раза больше, чем годом ранее. На корпоративный сегмент пришлось 44 млрд рублей. Однако рост расходов еще не означает сопоставимого роста эффективности: значительная часть проектов остается на стадии пилотов, а переход к эксплуатации требует решения вопросов интеграции, качества данных, безопасности и стоимости обработки задач.
На этом фоне усиливается значение агентных платформ, объединяющих ИИ с корпоративными системами и процедурами управления. Один из таких продуктов — Digital Q.Agents компании «Диасофт». Платформа позволяет создавать агентов и мультиагентные процессы, подключать внутренние знания и управлять обращениями к языковым моделям. Для заказчика это возможность выстроить общую инфраструктуру ИИ для разных подразделений: с контролем доступа, потребления ресурсов и участия сотрудников в принятии решений. Такой подход позволяет преодолеть основной барьер рынка — разрыв между успешной демонстрацией технологии и ее устойчивой работой в компании.
Спрос смещается к выполнению бизнес-задач
В клиентском сервисе это обработка обращения с учетом истории взаимодействия и состояния заявки. В юридической функции — анализ договора по внутренним требованиям. В ИТ — подготовка тестов, документации и материалов для разработки. Общий признак этих сценариев — значительная доля времени уходит на сбор, сопоставление и перенос информации, прежде чем специалист приступает к содержательной работе.
ИИ-агенты позволяют автоматизировать часть этой цепочки. Они получают задачу, обращаются к подключенным источникам и инструментам, готовят результат и передают его дальше в соответствии с заданной логикой. Поэтому при выборе решения на первый план выходят доступ к корпоративным данным, интеграции и возможность контролировать действия системы. Качество языковой модели сохраняет значение, но оценивать его приходится в контексте всей операции.
Пилоты упираются в корпоративную инфраструктуру
В исследованной выборке российских GenAI-проектов 55% приходилось на пилоты, 30% — на масштабирование и 15% — на промышленную эксплуатацию. Это распределение характеризует стадии изученных внедрений. Оно показывает, что рынок уже накопил опыт практического использования, но массовый переход к устойчивой эксплуатации еще продолжается.
Причины задержек часто находятся за пределами самой модели. Корпоративные знания распределены между базами, документами и перепиской. В разных подразделениях могут действовать несогласованные инструкции, а доступ к информации зависит от роли сотрудника. На тестовой выборке эти сложности почти незаметны; при подключении реальных источников они напрямую влияют на качество работы агента.
Для крупных организаций существенны и требования к размещению данных. Использование публичного сервиса не всегда допустимо для внутренних документов, клиентской информации или записей переговоров. Заказчику нужны варианты работы в собственной инфраструктуре и возможность выбирать модели в соответствии с требованиями безопасности и доступными вычислительными ресурсами.
Платформенный подход позволяет организовать общие механизмы для этих задач. В платформе Digital Q.Agents объединены управление агентными процессами, интеллектуальный поиск по корпоративным знаниям и AI Gateway — шлюз обращения к моделям. Эти компоненты обеспечивают основу, на которой могут развиваться разные прикладные решения.
Корпоративные знания становятся ресурсом автоматизации
Доступ к актуальной информации — одно из ключевых условий полезности корпоративного ИИ. Универсальная модель не располагает внутренними регламентами, историей задач и терминологией организации. Без этого контекста ее ответ может быть корректным в общем случае, но непригодным для конкретного рабочего решения.
Digital Q.Agents подключает корпоративные источники через RAG — механизм поиска материалов для подготовки ответа. Платформа работает с документами, вложениями, изображениями и метаданными. Комбинированный поиск, в том числе графовый, учитывает смысл запроса и точные совпадения, а дополнительное ранжирование помогает отбирать релевантные материалы. Обновление знаний может выполняться по событиям или расписанию.
Отдельные агенты объединяются в управляемые процессы
По мере усложнения задач возрастает роль управления последовательностью действий. Один процесс может включать поиск документов, анализ, подготовку материала, проверку и согласование. Разделение этой работы между специализированными агентами позволяет точнее определить назначение каждого этапа и условия передачи результата.
В Digital Q.Agents сценарии настраиваются в визуальном дизайнере. Платформа поддерживает условия, параллельную обработку, взаимодействие с пользователем и подключение дополнительной логики. Настроенные процессы могут публиковаться в отдельные исполняемые микросервисы. Интеграции с корпоративными системами поддерживаются через REST, Kafka, MCP и прочими средствами.
Для бизнеса такой подход важен возможностью адаптировать автоматизацию под существующий порядок работы. При нехватке данных агент может запросить уточнение, на этапе согласования — передать материалы сотруднику. Общая логика определяет, какие действия разрешены и при каких условиях процесс продолжается. Это делает результат доступным для проверки и последующей доработки.
Контроль расходов становится условием масштабирования
Стоимость агентной автоматизации определяется всей цепочкой выполнения задачи. Она может включать несколько обращений к моделям, поиск, повторную обработку и проверку. Поэтому низкая цена отдельного запроса не гарантирует низкой стоимости законченной операции. Без учета потребления компания рискует расширять использование ИИ, не понимая его экономики.
В Digital Q.Agents централизованное управление обращениями к моделям обеспечивает AI Gateway. Он поддерживает локальные и облачные LLM, лимиты токенов, переключение провайдеров и резервный переход при недоступности модели. Заказчик получает возможность выбирать конфигурацию под требования конкретного сценария и управлять использованием вычислительных ресурсов.
Аналитика отражает потребление по пользователям и задачам, время ответа и контекст обращений. Эти сведения позволяют выявлять наиболее затратные этапы, анализировать сбои и оценивать изменения настроек. Для руководителей ИТ и владельцев процессов такая информация становится основой для сопоставления затрат с полезным результатом.
Безопасность определяет границы автономности
Расширение возможностей агента означает расширение его доступа к информации и инструментам. Поэтому корпоративный заказчик должен определить полномочия системы: какие данные она вправе получать, какие операции выполнять и в каких случаях обращаться к человеку. Управление этими правами становится частью архитектуры решения.
Digital Q.Agents поддерживает интеграции с корпоративными механизмами аутентификации, включая SSO, Keycloak и Active Directory, а также ролевое и атрибутное управление доступом. В том числе с полномочиями исходно как у пользователя, но с понижением привилегий именно для агента, именно для данной системы, где агент что-то делает.
Локальное развертывание и использование локальных моделей позволяют организовать обработку чувствительной информации в инфраструктуре заказчика. Это создает условия для применения агентов в сценариях, где передача данных во внешние сервисы ограничена. Для решений, требующих участия сотрудника, предусмотрен механизм Human-in-the-loop, в том числе через Digital Q.BPM. Агент готовит материалы, уточняет информацию или передает вопрос уполномоченному специалисту. Такая организация работы позволяет сохранять установленные процедуры согласования и постепенно расширять автоматизацию после проверки ее качества.
Практические сценарии показывают роль платформы
Один из примеров использования Digital Q.Agents — ИИ-секретарь для анализа встреч. Он подключается к онлайн-совещанию и формирует материалы по ходу разговора. Система выделяет решения, задачи, риски и открытые вопросы, фиксирует исполнителей и сохраняет ссылки на исходные реплики. Результаты анализа версионируются, что позволяет сравнивать повторную обработку.
В производстве ПО «Диасофт» использует агентный подход для генерации автотестов сложных событийных API. Система анализирует сценарий, контракты интерфейсов и тестовые данные, после чего готовит код. Специалист определяет сценарий и проверяет результат. Успешное прохождение тестов остается обязательным условием выпуска продукта. ИИ включен в действующий производственный процесс с установленными требованиями к качеству.
В Digital Q.BPM агенты помогают проектировать процессы по текстовому описанию, проверять бизнес-логику и готовить документацию. Их работа опирается на машиночитаемую спецификацию и встроенные проверки. Это пример интеграции агентных возможностей в корпоративный продукт, где созданные материалы становятся частью общего жизненного цикла разработки и сопровождения.
Следующий этап конкуренции — доказанный результат
По мере развития рынка заказчики будут оценивать агентные решения по времени выполнения задач, стоимости операции, качеству и объему ручной доработки. Для перехода к эксплуатации необходимы владелец процесса, подготовленные данные и исходные показатели, с которыми можно сравнить результат внедрения. Без этой основы даже технически работоспособный агент может остаться инструментом эпизодического использования.
Digital Q.Agents создает платформенную основу для такого перехода: связывает корпоративные знания с выполнением действий, управлением моделями и участием человека. Заказчик может проверить ограниченный сценарий на реальных данных и затем использовать общие компоненты для расширения автоматизации. Перспективы агентных платформ на российском рынке будут зависеть от их способности поддерживать этот рост без потери управляемости и прозрачности расходов.
Илья Петров, руководитель продуктового направления Digital Q.Agents.