Gartner: 40% проектов с ИИ-агентами отменят. Почему именно эти

Gartner в пресс-релизе от 25 июня 2025 года (аналитик Anushree Verma) прогнозирует: более 40% проектов agentic AI будут отменены к концу 2027 года. Причины названы там же — рост затрат, неясная бизнес-ценность и недостаточный контроль рисков. Ни одна из трёх не звучит как «технология не справилась».

Это и есть прямой ответ на вопрос заголовка. Отменяют не те проекты, где агент плохо говорил с клиентом, а те, где внедрение с самого начала было устроено так, что доказать пользу оказалось нечем: не выбран сценарий, не назначен владелец, не задан критерий успеха. Такой проект отменяется не после провала, а после того, как заканчивается терпение бюджетодержателя.

Ниже — системный разбор: что именно ломается, как это выглядит изнутри и как проверить у себя до того, как проект попадёт в те самые 40%.

Что на самом деле стоит за цифрой 40%

В том же прогнозе Gartner есть вторая цифра, которая объясняет первую: из тысяч вендоров, называющих себя agentic, реально таковыми являются лишь около 130. Остальное — agent washing, маркетинговое переименование обычной автоматизации в «агента».

Отсюда следует неприятное: часть будущих отмен произойдёт в проектах, где agentic-агента никогда и не было. Компания купила скриптовый сценарий под другим названием, ожидала от него контекстного диалога, не получила и списала в убыток всю категорию. Формально это отменённый ИИ-проект. По сути — ошибка выбора поставщика.

Важна и рамка: 40% — это прогноз аналитического агентства, а не измеренный факт. Он полезен как карта типовых граблей, а не как приговор.

Почему проекты внедрения проваливаются: семь системных причин

Причины ниже связаны между собой. Первая порождает вторую, вторая делает невозможной шестую.

1. Задача не сформулирована в измеримом виде. «Хотим внедрить ИИ» — это не задача. Задача звучит как «сократить долю пропущенных входящих с 30% до 5%» или «квалифицировать входящие заявки за 3 минуты вместо полутора часов». Если до старта не записано, что считается успехом и на каком горизонте, то через квартал спор о результате выиграет тот, кто громче.

2. Выбрали не тот сценарий. Проекты чаще стартуют с самого болезненного участка, а он же обычно самый сложный: спорные ситуации, деньги, эмоции. Независимые оценки production-внедрений дают containment 40–70%, но на структурированных транзакционных интентах — статус заказа, запись, напоминание — 70–90%. Разница между удачным и провальным проектом часто в том, какой сценарий взяли первым.

3. Нет владельца внутри компании. Агент — не коробка, а сотрудник, которого надо доучивать. Если у проекта нет человека с полномочиями менять сценарий и временем слушать звонки, он живёт ровно до первой претензии от продаж.

4. Купили agent washing. Проверяется просто: попросите показать, как агент ведёт себя вне сценария — при встречном вопросе, при возражении, при перебивании. Скриптовый робот здесь отвечает «не понял, повторите» либо сбрасывает.

5. Не спроектировали эскалацию. Перевод на человека — не аварийный выход, а часть продукта. Ориентиры отрасли: forced escalation rate менее 10%, transfer success rate более 90%. Если агент не умеет вовремя сдаться и передать контекст, каждая сложная ситуация превращается в жалобу.

6. Экономию посчитали как разницу ФОТ. Самая дорогая ошибка. Forrester в Predictions 2026 приводит: около 55% работодателей, сокративших персонал ради ИИ, сожалеют о решении, а примерно треть потратила на повторный найм больше, чем сэкономила. Явление назвали layoff boomerang. Считать нужно полную экономику — с интеграциями, поддержкой и стоимостью ошибок; как это делается, разобрано в статье про ROI голосового AI-агента.

7. После запуска никто не слушает разговоры. Проект сдали, дашборд показывает containment, а что происходит в этих разговорах — не знает никто. Метрика без прослушивания выборки живёт своей жизнью примерно два месяца, потом расходится с реальностью настолько, что ей перестают верить.

Признаки провала: таблица самопроверки

Ограничения: почему статистика отмен — не аргумент против технологии

Прогноз Gartner легко прочитать как «ИИ в звонках не работает». Это такой же миф, как и зеркальный «у всех получается».

Контр-факт по первому. Ассистент Klarna за первый месяц обработал 2,3 млн диалогов — две трети всех чатов поддержки, а среднее время разрешения сократилось с 11 минут до менее чем 2 (пресс-релиз OpenAI и Klarna от 27.02.2024). Позже Forbes и другие издания сообщили о падении CSAT примерно на 22% и о возврате людей на обслуживание премиальных клиентов. Правильный вывод: провалилась стратегия полной замены, а не технология. Подробный разбор — в статье про урок Klarna.

Контр-факт по второму мифу — Air.ai: вирусный взлёт на демо, за которым не последовало жизнеспособного продукта, и урегулирование с FTC (по данным aiagents.wiki). Красивое демо ничего не говорит о поведении в реальной телефонии.

Есть и то, что не лечится хорошим управлением проектом. Агент не заменяет экспертную продажу и сложный разбор спора. Консистентность LLM ограничена: препринт τ-bench (arXiv:2406.12045) показывает падение с примерно 61% успеха при одном прогоне до менее 25% при восьми повторах одной задачи. Поэтому нужны guardrails, тесты и эскалация — а не вера в то, что агент справится сам.

Вывод

40% отменённых проектов — это не приговор технологии, а описание типичной управленческой ошибки: купить инструмент, не сформулировав задачу. Проекты, которые доживают до пользы, отличаются скучными вещами — измеримой целью, простым первым сценарием, живым владельцем и привычкой слушать разговоры после запуска. Общая логика такого запуска разобрана в статье как внедрить голосового AI-агента, а проверка гипотезы на своём потоке — в материале про пилот голосового агента.

Если хотите проверить это на своих звонках — можем собрать демо на вашем сценарии и посмотреть, какой участок вообще стоит автоматизировать первым.