Тысячи вендоров, 130 настоящих: куда идут голосовые AI-агенты

Куда идут голосовые AI-агенты — на этот вопрос честнее отвечать чужими цифрами, чем собственными предчувствиями. Самая отрезвляющая принадлежит Gartner: в пресс-релизе от 25 июня 2025 года (аналитик Anushree Verma) сказано, что из тысяч вендоров, называющих себя agentic, реально таковыми являются лишь около 130. Остальное в том же релизе названо agent washing — переименованием обычной автоматизации в «агента».

Короткий ответ на вопрос заголовка: рынок будет расти и одновременно чиститься. Тот же Gartner прогнозирует отмену более 40% проектов agentic AI к концу 2027 года — из-за роста затрат, неясной бизнес-ценности и недостаточного контроля рисков. Это прогноз аналитического агентства, а не установленный факт. Но опирается он на разрыв, который виден уже сейчас: между тем, что показывают на демо, и тем, что получается в продакшене.

Ниже — три тренда с проверяемым основанием, таблица «что делать уже сейчас» и раздел о том, что из этого может не случиться.

Тренд 1: денег в рынке больше, выживших проектов меньше

По прогнозу расходов Gartner, рынок purpose-built AI agent software оценивается примерно в 86,4 млрд долларов в 2025 году, около 206,5 млрд в 2026 и около 376,3 млрд в 2027. Это иллюстрация темпа, а не гарантия: прогнозы расходов — самая часто пересматриваемая часть аналитики.

Рост бюджетов и отмена 40% проектов не противоречат друг другу. Деньги концентрируются там, где внедрение довели до измеримого результата, а слой «агентов», которые на деле остаются скриптовыми сценариями, отваливается. Для покупателя это значит одно: цена ошибки при выборе поставщика растёт. Список вопросов поставщику — способ отличить одного из 130 от agent washing.

Тренд 2: рутина уходит к агентам, функция — нет

Самый живучий миф о будущем: «ИИ заменит операторов уже завтра». Планировать по нему нельзя. Прогноз Gartner про отмену 40% проектов — первый контр-аргумент. Второй: независимые оценки production-внедрений (dragapp) дают containment 40–70%, а не 100%. Вендорские заявления о 60–90% остаются заявлениями вендоров.

Рынок движется не к замене первой линии, а к её расслоению. Структурированные транзакционные интенты (статус заказа, запись, напоминание) закрываются автоматически с containment 70–90%, сложное и эмоциональное уходит человеку через эскалацию. Что при этом происходит с ролями в контакт-центре — в отдельной статье.

Куда идут голосовые AI-агенты технологически: каскад или speech-to-speech

Сегодня большинство решений — каскад: STT распознаёт речь, LLM думает, TTS синтезирует ответ. По разложению задержки на слои (Coval, Hamming) это STT 100–400 мс, LLM 200–1000 мс, TTS 100–500 мс плюс сеть и телефония; неоптимизированный каскад суммарно укладывается в 670–3200 мс. Порог, за которым собеседник перестаёт слышать робота, — примерно 500 мс P95.

Альтернатива — native speech-to-speech, где модель работает с речью напрямую, без промежуточного текста. Вендоры таких моделей заявляют менее 180 мс против 450–650 мс у каскада. Это вендорское заявление, а не независимый замер, и в нём обычно не описано, что именно измерялось. Направление при этом реальное: убрать лишние преобразования — очевидный способ выиграть задержку.

Ждать новую архитектуру, впрочем, необязательно. Оптимизированный каскад уже укладывается в приемлемый диапазон, а speech-to-speech проигрывает в контроле: промежуточный текст — это то, за что цепляются guardrails, логи и проверка фактов.

Тренд 3: раскрытие «я робот» становится обязательным по закону

Мировой регуляторный вектор однозначен. California AB 2905 с 1 января 2025 года требует раскрывать использование ИИ-голоса в звонках. California BOT Act (SB 1001) действует с 2019 года и запрещает боту вводить собеседника в заблуждение относительно своей природы. FCC приравняла ИИ-сгенерированные голоса к robocalls в рамках TCPA. Texas TRAIGA вступает в силу 1 января 2026 года. EU AI Act добавляет требования прозрачности, а голос там пересекается с биометрией и GDPR.

Прямого требования раскрывать факт общения с ботом в российском законодательстве сейчас нет — это факт, а не прогноз. Прогноз здесь мой, а не Gartner: Россия к похожей норме, вероятно, придёт, и готовиться разумно заранее — тем более что честное представление агента и так снижает жалобы. Подробнее — нужно ли говорить, что это бот. Смежный и уже действующий блок требований — записи разговоров по 152-ФЗ.

Тренд — основание — что делать бизнесу уже сейчас

Ограничения: чему из этого нельзя верить буквально

Прогнозы расходов — не деньги, а модель. Цифры Gartner в 86,4 / 206,5 / 376,3 млрд долларов означают ожидаемый темп, и пересматриваются такие модели ежегодно. Подставлять их в собственный бизнес-план нельзя. «Более 40% отменённых проектов» — тоже прогноз, а не наблюдение, и ошибиться он может в обе стороны.

Регуляторный тренд может не дойти до России в описанном виде или прийти в другой форме — через маркировку звонков и правила о рекламе, а не через отдельную норму о раскрытии ИИ. Сдвиг к speech-to-speech может остаться нишевым: в телефонии узкая полоса и шум бьют по качеству сильнее, чем архитектура.

Главное ограничение жанра: всё перечисленное — про рынок в целом. Ваш конкретный сценарий может вести себя иначе, и единственный честный предиктор для него — пилот на своей базе.

Что из этого следует

Будущее голосовых AI-агентов — это не вопрос «заменят или нет», а вопрос отбора. Растущие бюджеты и массовые отмены проектов будут идти одновременно, и решать будет не архитектура, а способность показать результат на конкретных сценариях. Требование раскрывать ИИ дойдёт до вас раньше, чем новая модель, и подготовить его дешевле сейчас. Всё остальное здесь — прогнозы, и помечены они так намеренно.

Если хотите проверить это на своих звонках — можем собрать демо на вашем сценарии.