Большинство ИИ-агентов так и не доходят до прода

Ты видел это демо. Агент берёт расплывчатый запрос, разлетается по инструментам, пишет код, бронирует поездку, закрывает тикет — безупречно, на сцене, под аплодисменты. Выглядит так, будто будущее наступило раньше срока. А потом, спустя месяцы, ты тихо замечаешь: он так и не вышел. Пилот всё ещё пилот. Им по сути никто не пользуется.

Это самая частая история в ИИ прямо сейчас, и стоит быть честным, потому что именно в зазоре между «невероятным демо» и «вещью, на которую полагаются живые люди» умирает почти любой агент.

Обрыв в цифрах

Это не ощущение — это измерено, неоднократно, и цифры жёсткие.

Инициатива MIT NANDA выпустила The GenAI Divide в 2025-м и обнаружила, что 95% корпоративных пилотов генеративного ИИ не дают измеримой отдачи — лишь около 5% доходят до реального эффекта. Опрос 650 корпоративных лидеров в марте 2026-го нашёл ту же форму: пилоты с агентами были у 78%, но в прод вышли только 14%. Другой срез тех же данных: 67% увидели выигрыш в пилоте, 10% его масштабировали — то есть примерно 90% застревают в зазоре между работающим proof of concept и системой, на которую кто-то полагается.

Какая бы ни была точная цифра, сигнал одинаков: заставить агента сработать один раз, в демо, теперь легко. Заставить его работать каждый раз, в проде — вот где всё разваливается.

Дело никогда не было в модели

Вот что люди понимают наоборот. Модель в твоём провалившемся пилоте — та же, что в чьём-то успешном. Фронтир общий; это вызов API. Если бы узким местом была сырая мощность модели, ты видел бы пару победителей с секретными моделями и всех остальных в проигрыше. Это не та картина. Картина в том, что одни и те же модели срабатывают у немногих и застревают у большинства.

MIT прямо сказал, где на самом деле проблема: провалы возводятся к «разрыву в обучении» — компании не могут встроить модель в реальные рабочие процессы, структуры и данные — а не к качеству модели. Один анализ 2026 года нашёл, что пять разрывов объясняют 89% провалов масштабирования: интеграция с существующими системами, нестабильное качество вывода на объёме, отсутствие инструментов мониторинга, неясная ответственность и скудные доменные данные. Посмотри на этот список. Ни один пункт — не «модель недостаточно умна». Каждый из них — инженерия и эксплуатация, та самая работа, которую демо позволяет пропустить.

Демо — это вылизанный лучший случай

Демо врёт по структуре, а не по злому умыслу. В демо ты контролируешь всё: сам выбираешь вход, сам выбираешь счастливый путь, сам выбираешь момент. Ты показываешь, что агент может преуспеть — однажды, в условиях, которые выбрал ты.

Прод — противоположность вылизанному. Он шлёт входы, которых ты и вообразить не мог, на объёме, в три ночи, в неправильном формате, от пользователей, активно пытающихся его сломать. А компонент в середине — это недетерминированный угадыватель. Агент, который прав в 90% случаев, — триумфальное демо и кошмар в проде: при тысяче запросов в день это сотня уверенных провалов, каждый день, накапливающихся сквозь многошаговые цепочки, пока агент полностью не сойдёт с задачи. Демо мерило «может ли это сработать?». Прод мерит «продолжает ли это работать на входах, которые выбрал не я?» — совсем другой, куда более тяжёлый вопрос.

Что на самом деле делает то меньшинство, что доходит до прода

Команды, которые проходят зазор, — не те, у кого промпт похитрее или секретная модель. Это те, кто сделал скучную инженерию, которую демо соблазняло всех пропустить. Конкретно:

• Они измеряют, а не ощущают. Демо судят по тому, как оно чувствуется; прод судят по числам. Команды, которые доходят, держат отложенный eval-набор и знают свой реальный процент успеха раньше пользователей. Нельзя улучшить — да и доверять — тому, что не измеряешь.
• Они заземляют модель. Чтобы тысячный ответ не был уверенно неверным, факты приходят из детерминированного источника, а модель только их формулирует — ограничение, а не промпт. Это сильнейший рычаг на «стабильное качество вывода на объёме» — один из пяти убийц.
• Они его инструментируют. «Нет инструментов мониторинга» не зря в списке причин провала. Выжившие видят, что агент сделал, где поплыл и сколько это стоило — в проде, а не в ноутбуке.
• Они сужают зону и дают владельца. Не god-агент, который в демо делает всё, а маленький агент с чёткой задачей, живущий внутри реальных систем, за который кто-то отвечает. «Неясная ответственность» убивает пилотов не реже, чем плохой техстек.

Ничего из этого — не ИИ-волшебство. Это та же инженерная дисциплина, что отделяет софт, который живёт, от софта, который красиво демонстрируется и рассыпается. Агент просто делает зазор виднее, потому что угадыватель наказывает за отсутствие дисциплины быстрее, чем обычный код.

Демо и продукт — это разные навыки

Вот неудобная суть. Хорошее демо оптимизируют под «смотрите, что оно умеет» — максимум возможностей, один вылизанный заход. Продакшн-систему оптимизируют под «оно надёжно делает скучную вещь, вечно, на входах, которые никто не отбирал». Это не один и тот же навык, и они часто в конфликте. Демо по сути — артефакт продаж. Продукт — артефакт инженерии. Те 95%, что застряли, построили первое и решили, что второе подтянется само. Не подтягивается.

Так что если ты смотришь на агента, который поражает в демо и не переживёт контакта с живыми пользователями, недостающая часть почти наверняка — не модель получше и не промпт поумнее. Это неблагодарная часть: evals, заземление, мониторинг, сужение зоны, ответственность — инженерия, которая превращает «сработало однажды» в «работает каждый раз». Меньшинство, которое доходит до прода, не умнее в ИИ. Оно просто не пропустило скучные 80%.

В этом весь секрет. Демо — лёгкая часть. Демо может каждый. Продукт — это инженерия после него, и вот она-то никогда не была опциональной.