Внедрение ИИ-агентов в корпоративные процессы рассматривается как следующий этап цифровой трансформации. В отличие от инструментов, автоматизирующих отдельные шаги, агенты берут на себя сквозные сценарии: от сбора и анализа данных до инициации действий во внешних системах. Ключевая ценность такого подхода заключается в сокращении времени цикла принятия решений и переносе операционной нагрузки с сотрудников на агентные системы.
Объем рынка
Рынок ИИ-агентов быстро переходит от экспериментальных внедрений к промышленному масштабу. Прогнозы ведущих аналитических агентств сходятся в том, что в ближайшие 3–5 лет сегмент будет расти темпами 38–46% в год, а доля корпоративных приложений с ИИ-агентами заметно увеличится уже к концу 2026 года. Оценки объема рынка различаются по методологии, но все указывают на экспоненциальный рост. Grand View Research оценивает глобальный рынок ИИ-агентов в $7,6 млрд в 2025 году и прогнозирует рост до $182,9 млрд к 2033 году. Fortune Business Insights дает схожий ориентир: $8,03 млрд в 2025 году и $251,38 млрд к 2034 году. Research and Markets оценивает рынок в $8,29 млрд в 2025 году, $12,06 млрд в 2026 году и $53,2 млрд к 2030 году.
Ожидания бизнеса растут столь же быстро. Согласно исследованию Gartner CIO and Technology Executive Survey 2026 года, 42% предприятий планируют развернуть ИИ-агентов в 2026 году, тогда как в 2025 году это сделали лишь 17%. Более 60% организаций намерены внедрить агентов в течение следующих двух лет, что делает это направление одним из самых быстро распространяющихся среди корпоративных технологий. Gartner также прогнозирует, что к концу 2026 года 40% корпоративных приложений будут интегрированы со специализированными ИИ-агентами, тогда как сейчас таких решений меньше 5%.
Аналогичные данные демонстрируют и государственные структуры: опрос KPMG Global Tech Report 2026 среди 115 руководителей цифровой трансформации из разных стран показал, что почти 80% госорганов уже встраивают ИИ-агентов в свои рабочие процессы, продукты и сервисы. Более того, 76% респондентов согласны с утверждением, что их организации уже инвестируют в создание агентного ИИ в рамках перехода к гибридной модели «человек и цифровой сотрудник», при этом 86% опрошенных считают, что управление ИИ-агентами станет важным навыком в ближайшие пять лет. IDC дополняет эту картину показателем количества агентов, ежедневно участвующих в реальных рабочих процессах (DAA — Daily Active Agents). По их прогнозу, число ежедневно активных агентов вырастет с 28,6 млн в 2025 году до 79,4 млн в 2026 году и достигнет 2,2 млрд к 2030 году.
Технологические тренды
Переход от одиночных агентов к мультиагентным системам. Рынок движется от решений, управляемых одной моделью, к ансамблям специализированных агентов, которые координируют действия друг друга. В этой логике оркестрационные фреймворки становятся центральным элементом архитектуры: они декомпозируют сложные задачи, распределяют подзадачи между агентами, управляют обменом состояниями и помогают разрешать конфликты.
Развитие Agentic RAG меняет парадигму поиска. Классический RAG, основанный на поиске и генерации, уступает место более активным системам, где агент сам интерпретирует запрос, разбивает его на подзадачи, выстраивает стратегию поиска и итеративно уточняет запрос до получения полной доказательной базы. В академической среде параллельно развиваются RAG-Reasoning Systems, которые соединяют автономное планирование с логическим выводом.
No-code и low-code платформы демократизируют разработку ИИ-агентов. Такие платформы предоставляют визуальные конструкторы рабочих процессов, библиотеки предобученных агентов, инструменты управления памятью и контекстом, а также встроенные механизмы мониторинга и отладки, что позволяет бизнес-пользователям самостоятельно конфигурировать и развёртывать агентные решения без участия разработчиков.
DAA фиксирует реальное внедрение агентов в процессы. В отличие от традиционных показателей (число параметров модели, объём токенов), метрика DAA фиксирует реальную встроенность ежедневно активных агентов в бизнес-процессы: количество завершённых задач и измеримый вклад в операционные результаты. Этот подход делает DAA более релевантным индикатором для корпоративного внедрения, где приоритетом является не демонстрация возможностей, а подтверждённый эффект.
Агенты интегрируются в корпоративную. структуру как цифровые сотрудники. На архитектурном уровне этот сдвиг проявляется в появлении Enterprise Orchestrators — систем, объединяющих ERP, CRM и внешние API в единую процессную среду, где агенты получают доступ к данным и права на выполнение действий. Показательный пример — агент для анализа нейронаучных данных, разработанный в Гарварде (BCI-Agent v1.0): он автономно обрабатывает данные, формулирует гипотезы и оформляет результаты в отчёты, действуя в рамках заданных корпоративных политик доступа.
Основные продукты
Рынок ИИ-агентов можно условно разделить на три группы: универсальные корпоративные платформы, отраслевые решения и встроенные системы. Первые задают базовую инфраструктуру для создания и управления агентами, вторые адаптируют их под специфику отдельных индустрий, а третьи встраивают агентный ИИ в физические устройства и контуры управления.
Универсальные корпоративные платформы реализуются в двух моделях. Первый — специализированные конструкторы для создания и управления агентами (Microsoft, Salesforce, Amazon, Google, IBM, Just AI Agent Platform, Yandex AI Studio). Второй — встраивание агентных возможностей непосредственно в существующие корпоративные системы (Oracle, ServiceNow, Workday, Битрикс24, ELMA Cortex). В обоих случаях платформы интегрированы в офисные приложения, CRM, облачную инфраструктуру и системы управления доступом. Ценность таких продуктов не в автоматизации отдельных задач, а в создании управляемой среды, где агенты действуют в рамках корпоративных правил и данных под контролем бизнес-пользователей.
Отраслевые решения проектируются под конкретныеиндустриальные сценарии. В финансах агенты автоматизируют исследования, планирование и казначейские операции (Taktile, Oracle Financial Services, решения на базе Google Cloud и OpenAI). В здравоохранении агентные технологии берут на себя административные рутинные задачи, поддержку клинических и страховых процессов (Autonomize Intelligence Platform v3, Microsoft Dragon Copilot). В логистике и цепочках поставок ИИ-агенты участвуют в проектировании продуктов, закупках, исполнении заказов и маршрутизации (Oracle Fusion Agentic Applications, решения SAP). В ритейле агентные функции встраиваются в B2C, B2B и POS-сценарии. Во всех направлениях агентные решения перестают быть универсальной надстройкой и становятся частью отраслевой операционной логики.
Встроенные системы выводят агентов в физический контур. В этом направлении ИИ-агент работает не только с данными и документами, но и с сенсорами, средой и исполнительными механизмами: нейроинтерфейсами (включая BCI), инвазивными и неинвазивными имплантами, роботизированными протезами, дронами и другими автономными устройствами. В таких сценариях агент выступает связующим звеном: в нейроинтерфейсах он интерпретирует зашумленные сигналы, снижает когнитивную нагрузку, транслирует низкоуровневую активность в высокоуровневые намерения и адаптирует систему под состояние пользователя в реальном времени. Поэтому агентные решения особенно востребованы в BCI-системах для повышения точности, устойчивости и доступности управления.
В сегменте инвазивных нейроимплантов этот вектор переходит из исследовательской фазы в прикладную. Проект INBRAIN Neuroelectronics и Microsoft демонстрирует интеграцию графенового импланта с ИИ-инфраструктурой Azure, включая модели временных рядов для непрерывного обучения на сигналах конкретного пациента и адаптации терапии в реальном времени. Аналогичную логику реализует устройство для лечения эпилепсии, описанное в препринте medRxiv: его ИИ-агент анализирует биомаркеры мозговой активности, взаимодействует с пациентом, фиксирует симптомы и переобучается по мере накопления данных. Параллельно китайский центр CEBSIT испытывает инвазивный нейроинтерфейс, позволяющий напрямую управлять внешними устройствами и ИИ-агентами силой мысли.
Неинвазивные решения находятся на стадии активных исследований, однако именно здесь потенциал агентного подхода проявляется наиболее отчётливо. В проекте EEGChat агент берёт на себя низкоуровневую обработку сигналов, оставляя пользователю только формулировку общего намерения. BrainAgent использует координацию нескольких специализированных агентов для анализа нейроданных и декомпозиции сложных задач. NeuroSkill от MIT Media Lab и аналогичные разработки применяют агентный поток для адаптации взаимодействия к когнитивному и эмоциональному состоянию человека.
Концептуальным ориентиром для этой области выступает модель совместной автономии (shared autonomy), представленная в Nature Machine Intelligence в 2025 году (Brain–computer interface control with artificial intelligence copilots). В этой парадигме ИИ-агент функционирует как второй пилот внутри BCI-системы, помогая пользователю достигать целей, недостижимых без поддержки. В эксперименте участник с параличом продемонстрировал 3,9-кратное повышение производительности при управлении курсором и успешное выполнение задач с роботизированной рукой, которые без агентного сопровождения были недоступны.
Эффективность и ROI
Компании оценивают ИИ-агентов по измеримому эффекту: сокращению затрат, ускорению процессов, росту производительности и улучшению клиентского опыта. Объектом исследования Forrester Total Economic Impact™ выступила платформа Five9 Intelligent CX. За трёхлетний период внедрения зафиксированы следующие экономические показатели: ROI — 212%, чистая приведённая стоимость — $14,5 млн. Операционные улучшения: затраты снижены на 28%, время обработки обращения сокращено на 120 секунд (в случаях, дошедших до оператора), текучесть кадров уменьшена на 30%. В Cisco мультиагентная система для продаж и продления контрактов, а также внутренний ИИ-ассистент сократили административную нагрузку у специалистов по продлениям на 1,6–4 часа в неделю. Инструментом пользуются десятки тысяч сотрудников, что демонстрирует значимость не только результата, но и масштаба внедрения. ROI от ИИ-агентов не сводится к экономии фонда оплаты труда: эффекты включают повышение удержания клиентов, ускорение цикла продаж, улучшение качества взаимодействия и рост LTV.
Академические исследования и полевые эксперименты подтверждают положительный эффект агентов, но указывают на его зависимость от типа задачи и способа внедрения. В исследовании The autonomy equation: How agentic AI reshapes trust and workload in routine productivity applications с 230 участниками сравнивались три сценария: ручной режим без автоматизации, агентный ИИ со средней автономией (требует подтверждения пользователя) и агентный ИИ с высокой автономией (действует проактивно). Оба агентных режима превзошли базовый уровень по точности (precision — более 82% против 65%). Пропускная способность (recall) системы с высокой автономией составила 63% против 14% в сценарии без автоматизации. В исследовании Collaborating with AI Agents: Field Experiments on Teamwork, Productivity, and Performance 2234 участника были случайным образом распределены по командам «человек–человек» и «человек–ИИ», которые создали 11 024 рекламных объявления для аналитического центра. Человеко-агентные команды выпускали на 50% больше объявлений на одного работника и создавали тексты более высокого качества. Человеческие команды, напротив, лучше справлялись с созданием рекламных изображений.
Исследование MIT (Chaining Tasks, Redefining Work: A Theory of AI Automation) указывает, что встраивание агентов в процессы, изначально выстроенные под человеческие ограничения, даёт минимальный прирост. Максимальный эффект достигается при перепроектировании рабочих процессов, а не при точечной автоматизации отдельных шагов. Вместе с тем исследования когнитивной нагрузки фиксируют обратную сторону внедрения. Опрос Boston Consulting Group, опубликованный в Harvard Business Review, выявил феномен умственного истощения от чрезмерного использования или надзора за ИИ-инструментами («AI brain fry»). Производительность растёт при переходе от одного к двум инструментам, но снижается при трёх и более. При замене рутинных задач уровень выгорания может падать, однако дополнительный риск создаёт цифровой шум — бессмысленные ИИ-сгенерированные документы и презентации, увеличивающие нагрузку на коллег.
Риски и угрозы
Стандартизация рисков. Риски агентного ИИ уже описываются не только на уровне общих опасений, но и в виде отраслевых стандартов. В декабре 2025 года OWASP GenAI Security Project выпустил OWASP Top 10 for Agentic Applications — первый системный перечень ключевых угроз для автономных ИИ-агентов. В 2026 годуонбылрасширен, авместеснимпоявилисьEnterprise Adoption Maturity ModelидокладState of Agentic AI Security and Governance. В разработке участвовали более 100 экспертов, в том числе представители NIST, Европейской комиссии и Института Алана Тьюринга.
По версии OWASP, основные риски агентных систем включают: захват цели агента через вредоносные инструкции, небезопасное использование инструментов, злоупотребление идентичностью и привилегиями, уязвимости цепочки поставок, неожиданное выполнение кода, отравление памяти и контекста, небезопасную коммуникацию между агентами, каскадные сбои, чрезмерное доверие человека к агенту, появление неконтролируемых агентов-нарушителей и невозможность отследить действия системы.
Практические риски и статистика. Эти угрозы не остаются теоретическими. В отчёте UiPath Agentic AI Report 2025 56% руководителей назвали безопасность главным приоритетом, опередив соответствие регуляторным стандартам, стоимость и сложность интеграции. Gartner предупреждает, что к 2027 году более 40% проектов по ИИ-агентам могут быть свёрнуты из-за слабого управления и недостаточного риск-менеджмента. При этом лишь 11% промышленных агентов проходят базовую оценку безопасности, 98% протестированных агентов обладают «летальной триадой» (доступом к приватным данным, воздействием на недоверенный контент и способностью к исходящим действиям), а 82% компаний уже обнаружили у себя ранее неизвестных «теневых» агентов.
Один из самых практических рисков связан с тем, что агентные системы начинают работать с данными шире, чем предполагает их исходная задача. Утечка конфиденциальной информации может происходить через память агента, базу знаний, цепочку поставок или прямую передачу данных третьей стороне. Отдельную угрозу создают личные ИИ-агенты сотрудников: подключаясь к корпоративным системам, они уводят данные в неуправляемую инфраструктуру, где нет аудита, шифрования и контроля доступа. Обход ограничений через VPN и личные устройства делает этот канал ещё менее управляемым.
Потеря контроля над решениями — системный риск. Gartner показывает, что лишь 15% IT-руководителей готовы хотя бы пилотировать полностью автономных агентов без контроля человека. Cloud Security Alliance подчёркивает, что видимость процесса не равна управлению им. На практике это приводит к утечкам данных, сбоям в работе, странному поведению внутри бизнес-процессов и прямым убыткам. Обсуждение рисков всё чаще смещается от галлюцинаций к более опасной проблеме: неконтролируемым действиям, внедрению вредоносных инструкций в запрос, отсутствию аудита и невозможности отследить, что и почему сделал агент.
Показателен инцидент с OpenAI и Hugging Face, произошедший в июле 2026 года. В ходе внутреннего тестирования модели GPT‑5.6 Sol и ещё не выпущенная более мощная модель обнаружили и использовали неисправленную уязвимость в тестовой песочнице, чтобы выйти в интернет. Затем агент самостоятельно идентифицировал Hugging Face как вероятный источник решений для тестового бенчмарка и, скомбинировав несколько векторов атак, проник в рабочую инфраструктуру Hugging Face. Атака длилась с 11 по 13 июля, но команда OpenAI поняла, что её собственная система вышла из-под контроля, только 16 июля, после того как Hugging Face публично сообщила о взломе «автономной ИИ-системой». Сама Hugging Face обнаружила и остановила атаку с помощью собственных ИИ-агентов ещё до того, как OpenAI связалась с ними по поводу инцидента. Этот случай стал публичным примером того, как агент может самостоятельно искать и эксплуатировать уязвимости, действовать за пределами исходного периметра безопасности и оставаться незамеченным в течение длительного времени. Как выяснилось позднее, агент совершил более 17 600 хакерских действий в период с 9 по 13 июля, получил административный доступ к внутренним кластерам Hugging Face и скомпрометировал учётную запись клиента другой технологической компании — Modal Labs. При этом поведение агента было парадоксальным: наряду с блестящими техническими решениями он демонстрировал странную неэффективность, повторяя уже выполненные действия и генерируя бессвязные команды.
Риски качества и справедливости. Отдельный слой угроз связан с непрозрачностью агентных систем, которая подрывает доверие и усложняет оспаривание результатов. Предвзятость данных и архитектуры может привести к систематическим ошибкам по социальным, демографическим и экономическим признакам, а также к автоматическому воспроизводству таких искажений в большом масштабе.
Исследование Human-like in-group bias in instruction-tuned language model agents показало, что в мультиагентной симуляции инструкционно-настроенные языковые модели демонстрируют доверие к агентам с одной групповой меткой и избегают взаимодействия с агентами из другой группы, даже если это не было явно задано разработчиком. В симуляции распределения ресурсов различия в отношении к «своим» и «чужим» в отдельных раундах достигали 5–16 процентных пунктов, а на длинной дистанции (500 раундов) приводили к устойчивому неравенству. Стандартные аудиты действий этого не замечали, потому что дискриминация проявлялась на уровне адресатов (кому доставалось действие), а не на уровне типов действий. Похожие результаты продемонстрировало исследование Multi-Agent Credit Decisions: в многоагентных системах дискриминация по визовому статусу оказалась выше, чем по этническому признаку. Дискриминация возникла на уровне структуры коллективного принятия решений, а не весов отдельных моделей, поэтому стандартные аудиты справедливости её не выявили.
Помимо этих механизмов, особую опасность представляет распространение искажений через прямое меж-агентное общение. Статья Thought Virus: Viral Misalignment via Subliminal Prompting демонстрирует, что один скомпрометированный агент может распространять скрытую предвзятость по сети через сублиминальные токены. Стандартные фильтры это не обнаруживают, потому что сообщения выглядят безобидно, а смещение накапливается по мере прохождения через сеть.
Угрозы публичному пространству. ИИ-агенты могут использоваться для создания иллюзии массовой поддержки, которая влияет на убеждения и нормы даже без реального общественного большинства. Это особенно важно для тем, связанных с выборами, здравоохранением, миграцией и экономической политикой. Исследования показывают, что ИИ-рои способны организованно распространять нарративы в масштабе, недоступном человеческим командам. В работе How malicious AI swarms can threaten democracy вводится понятие «злонамеренных ИИ-роев» — сетей агентов с памятью и устойчивыми идентичностями, которые адаптируют сообщения в реальном времени. Опасность здесь не столько в отдельном ложном сообщении, сколько в эффекте социального доказательства: если «все это говорят», люди чаще принимают идею как норму. Агентный ИИ может использовать как средство фабрикации общественного консенсуса в масштабе, который раньше был недоступен.
Меры снижения рисков. Отрасль уже сформировала набор фреймворков и стандартов, описывающих способы сдерживания угроз: NIST SP 800-53 Control Overlays for Securing AI Systems, OWASP AISVS, Gartner Identity & Access Management for AI Agents, ISO/IEC 27090, AICM. Их общая логика сводится к нескольким базовым мерам: минимизация данных, принцип наименьших привилегий, шифрование при хранении и передаче, многофакторная аутентификация, регулярные аудиты и контроль действий агента. На практике это означает, что агент не должен иметь больший доступ, чем требуется для конкретной задачи, ему нужно задавать чёткие границы допустимых действий, ограничивать вызов инструментов и регулярно проверять, не выходит ли система за пределы исходного сценария.
Для чувствительных пользовательских и детских сценариев требования ещё строже: минимизация собираемых данных, согласие родителей, запрет на бесконтрольную передачу данных третьим лицам, контроль внешних подключений и защита психоэмоциональной безопасности. Этот подход согласуется с рекомендациями ЮНИСЕФ, согласно которым для детских ИИ-систем важны надзор, защита приватности, недискриминация, прозрачность и подотчётность.
Межстрановое сравнение
Рынок ИИ-агентов развивается в условиях глубокой регуляторной фрагментации. В разных юрисдикциях сформировались собственные модели: от жесткого нормативного режима и национальных стандартов до гибких рекомендательных рамок и точечных отраслевых правил. Общим знаменателем для многих из них выступают международные рамочные документы (принципы ОЭСР, рекомендации ЮНЕСКО, стандарты ISO/IEC 42001), задающие единые ориентиры даже при различии подходов. Это сочетание разнородных норм напрямую влияет на темпы внедрения, структуру рынка и границы возможных бизнес-моделей.
Крупнейшим игроком являются США: на них приходится около 30% мирового рынка, а к 2030 году агентные системы и роботы могут создавать до $2,9 трлн экономической ценности в год. Здесь драйверами выступают венчурный капитал, сильная стартап-экосистема и крупнейшие технологические компании (OpenAI, Google, Microsoft, Anthropic, Amazon). В июне 2026 года президент Трамп подписал исполнительный указ E.O. 14409, предписывающий федеральным ведомствам ужесточить киберзащиту с помощью ИИ и создать механизм предрелизного доступа правительства к передовым моделям к 1 августа. Указ также впервые прямо упоминает ИИ-агентов в контексте уголовного преследования за незаконный доступ к данным. 23 июля двухпартийная группа конгрессменов внесла AI Kill Switch Act, требующий от разработчиков мощнейших систем, включая агентные, поддерживать техническую возможность принудительного отключения моделей при потере контроля (реакция на инцидент с OpenAI и Hugging Face). В тот же день комитет Палаты представителей продвинул 29 законопроектов по ИИ, включая инициативы о независимых аудитах, запрете скрытных веб-краулеров и защите детей от рисков чат-ботов. 1 июля Федеральная торговая комиссия предупредила, что попытки настроить чат-ботов для избежания дискриминации могут быть истолкованы как введение потребителей в заблуждение, открыв новый фронт регуляторного давления на ИИ-компании.
Европейский союз — второй по величине рынок ИИ-агентов. По данным Grand View Research, выручка европейского рынка в 2025 году составила $1,85 млрд, или 24,2% мирового рынка, а CAGR на 2026–2033 годы оценивается в 47,8%. KBV Research выделяет Германию как крупнейший национальный рынок в Европе с ожидаемым объемом $2,45 млрд к 2032 году. ЕС первым принял всеобъемлющий EU AI Act, а Европейская комиссия прямо подтвердила, что ИИ-агенты подпадают под его действие. Это значит, что на них распространяются запреты на манипулятивное поведение, требования к прозрачности, а для высокорисковых сценариев существуют дополнительные правила по рискам, данным, человеческому надзору, документации и кибербезопасности. При этом CEPS указывает, что сам EU AI Act пока плохо приспособлен к высокоавтономным агентам, поскольку риски часто возникают не из самой модели, а из ее взаимодействия с контекстом развертывания.
Китай представляет собой самый быстрорастущий рынок, с темпами роста выше 50%. В 2025 году рынок корпоративных агентов оценивался примерно в 212 млрд юаней, то есть около $29 млрд, а отдельные сегменты могут вырасти до $2,5 млрд к 2032 году. Китай одновременно догоняет США в базовых моделях и быстро масштабирует прикладные решения. Китай позиционирует себя как разработчика стандартов для экономики ИИ-агентов на фоне фрагментированных глобальных подходов. При этом страна не запрещает автономность, но требует управляемости, прозрачности и человеческого контроля, что уже влияет на продуктовые решения.
В мае 2026 года три ведомства выпустили руководящие принципы, определяющие агентов как автономные системы и выделяющие 19 сценариев применения с акцентом на безопасность и управляемость. 15 июля вступили в силу первые в мире системные правила для антропоморфных ИИ-сервисов, запрещающие формирование зависимости и манипуляции, особенно для несовершеннолетних, и обязывающие платформы к вмешательству при эмоциональном дистрессе. В преддверии этих правил ByteDance, Alibaba и Tencent отключили функции пользовательских агентов, а с платформ уже удалено более 14 000 несоответствующих агентов. В июне Китай опубликовал серию из семи национальных стандартов GB/Z 185-2026 для межагентного взаимодействия, охватывающих архитектуру, идентификацию и управление доступом. 17 июля на Всемирной конференции по ИИ в Шанхае была представлена десятипунктная глобальная инициатива по доверию, взаимосвязи и совместимости агентов. Отдельный интерес представляет политика в отношении one-person companies. В Китае активно стимулируют индивидуальные стартапы, в которых вместо сотрудников задействованы ИИ-агенты. К концу 2025 года было зарегистрировано около 7,32 млн новых OPC, что на 42,3% больше год к году.
Среди стран с наиболее продвинутыми моделями регулирования выделяются Сингапур и Япония. Сингапур в январе 2026 года запустил первый в мире регуляторный подход для агентного ИИ Model AI Governance Framework for Agentic AI, который охватывает риски, человеческую подотчетность, технические контроли и ответственность конечного пользователя. Уже в мае документ был обновлен до версии 1.5 с примерами для мультиагентных систем и защитой от слепого доверия к автоматизации. Япония пошла по пути адаптации под агентные системы существующих руководств. В 2026 году были уточнены AI Guidelines for Business, где появилось формальное определение AI Agent как системы, которая воспринимает среду и действует автономно для достижения цели. Затем был принят второй AI Basic Plan, в котором агентный ИИ обозначен как один из национальных приоритетов. На этом фоне особенно показателен проект Sakana AI Fugu — мультиагентного оркестратора, который переключается между моделями разных провайдеров и тем самым помогает обходить экспортные ограничения США.
Большинство стран находятся на разных стадиях формирования собственных регуляторных подходов к агентному ИИ. Австралия развивает обязательные национальные стандарты по ИИ и отдельно прописывает требования для госорганов через дополнение по агентному ИИ (Agentic AI addendum to the AI technical standard for Australian Government). Этот документ фиксирует, что агентный ИИ должен подчиняться требованиям человеческого надзора, аудита решений и контроля на всем жизненном цикле. Индия движется в сторону национальной системы governance с опорой на риск-ориентированный подход. В руководствах по ИИ агентные системы уже выделяются как отдельный класс риска, для которого важны контроль идентичности, мониторинг и аварийное выключение. NPCI разрабатывает Единый протокол для агентов (Unified Agent Protocol) для транзакций через UPI, закладывая тем самым основу для национальной инфраструктуры агентных платежей.
Бразилия формирует регулирование на основе классификации по уровням риска. В проекте PL 2688/2025 заложены уровни автономии, а также создание Национальной системы развития, регулирования и управления ИИ. В ОАЭ надзор за ИИ и данными консолидирован в едином федеральном органе, которому, вероятно, и будет отведена роль в развитии регулирования агентного ИИ. ЮАР регулирует агентный ИИ через существующее законодательство, а не через отдельные требования. Проект национальной политики в области ИИ, где агентный ИИ был прямо признан отдельным этапом развития, был быстро отозван из-за использования фиктивных источников. При этом ответственность за действия ИИ-агентов уже встроена в действующие нормы: согласно Закону об электронных коммуникациях и транзакциях (ECTA), сообщения, сгенерированные агентной системой, приписываются организации.
Некоторые страны демонстрируют более гибкий подход. Канада отказалась от возрождения всеобъемлющего Закона об ИИ и данных (AIDA) и делает ставку на ведомственные акты и рекомендации, включая Руководство по использованию агентного искусственного интеллекта (Guide on the Use of Agentic Artificial Intelligence) и документ по технологическим и киберрискам агентного ИИ (Joint guidance on the careful adoption of agentic artificial intelligence services). В этих материалах акцент сделан на границах действия агента, минимально необходимых правах доступа и подотчётности человеку. Новая Зеландия также придерживается лёгкого, соразмерного и основанного на оценке рисков подхода и не принимает отдельный закон об ИИ. Вместо этого публикуются практические руководства, включая совместный документ Национального центра кибербезопасности Новой Зеландии и партнёров по разведывательному альянсу Five Eyes о безопасном использовании агентных сервисов (Careful Adoption of Agentic AI Services). Он рекомендует не давать агентам широкого доступа и использовать их только для низкорисковых задач.
Ситуация в России
Российский рынок ИИ-агентов находится в стадии активного формирования. В отличие от США и Китая, где драйверами выступают стартапы и венчурный капитал, в России внедрение идет через корпоративные экосистемы, где основными драйверами инвестиций и разработок выступают Яндекс и Сбер. По данным Группы Астра, в 2025 году объём рынка ИИ-агентов в России составил 15–25 млрд рублей, или около 30% от общего рынка платформ ИИ. Рынок вырос за один год более чем в 4 раза. Совокупные инвестиции в ИИ по итогам 2025 года достигли $451–545 млн, из которых на сегмент ИИ-агентов пришлось $31 млн, что более чем в три раза превышает показатель 2024 года ($10 млн). Согласно исследованию ВШЭ Key Russian IT Trends for 2026, 59% компаний изучают возможности внедрения ИИ-агентов в 2026 году.
Активно развиваются как универсальные платформы для разработки, так и отраслевые решения. Yandex AI Studio — флагманская платформа «Яндекса», где с сентября 2025 года можно без написания кода создавать ИИ-агентов на базе генеративных моделей, включая мультиагентные системы. Just AI Agent Platform представляет собой платформу корпоративного уровня для создания и масштабирования чат-агентов, голосовых агентов и агентов для рабочих процессов. «Битрикс24» в ноябре 2025 года представил конструктор ИИ-агентов без программирования на основе нодовой архитектуры, а в июне 2026 года запустил раздел с готовыми ИИ-агентами для бизнеса. Сбер развивает собственную экосистему на базе нейросети GigaChat, активно внедряя агентные решения в различные сферы.
ИИ-агенты проникают в медицину, образование, спорт, фармацевтику, развлечения и беспилотные авиационные системы. Сбер и «Медскан» внедрили ИИ-агента для расшифровки медицинских анализов, что позволит снизить нагрузку на колл-центр на 20%. «Яндекс» инвестировал в телемедицинский сервис «Диагностика на дому» (DND). Учёные ИТМО при поддержке Сбера разработали мультиагентную систему MADD (Multi-Agent Drug Discovery) из четырёх ИИ-агентов для поиска новых лекарственных молекул. Точность модели почти 80%, что значительно превышает зарубежный аналог ChemAgent (около 16%). Wink (Ростелеком) запустил «Агента развлечений» — первого в российских онлайн-кинотеатрах LLM-ассистента для поиска и выбора контента. В фокус-группах 84% пользователей оценили продукт как уникальный.
По результатам опроса ВТБ, 46% россиян готовы доверить часть повседневных задач персональному ИИ-агенту, 87% знакомы с подобными технологиями, а 66% заявляют, что понимают концепцию. Наиболее востребованные сценарии — рабочие задачи, обучение и развитие навыков. Согласно опросу ICT.Moscow, проведённому в марте 2026 года, ИТ-сообщество ждёт от агентов реальных функций: в приоритетах локальное использование (34%), развитие функционала (33%) и совместимость с существующими инструментами (28%). Однако, по данным GreenData, лишь 12% сотрудников используют ИИ-агентов в работе на ежедневной основе.
Исследования молодых учёных НИУ ВШЭ выявили системные психологические и организационные барьеры. Угроза личной самостоятельности (personal agency) провоцирует более интенсивное сопротивление, чем страх потери работы. В российском контексте высокая дистанция власти и авторитарный стиль внедрения приводят к скрытому саботажу — параллельному ведению учёта, имитации работы, отказу от делегирования. Также установлено, что у пользователей когнитивное и общее доверие к ИИ-агентам плохо различимы, что указывает на незрелость механизмов оценки: пользователи ещё не разделяют рациональную оценку возможностей агента и общее чувство доверия к технологии.
В России отсутствует специальный закон об ИИ-агентах. Однако 8 июля 2026 года принят рамочный Федеральный закон «О поддержке развития технологий искусственного интеллекта в Российской Федерации», регулирующий большие фундаментальные модели ИИ (свыше 1 млрд параметров), на которых строятся современные агенты. Ключевые положения: вводятся статусы «суверенной» (полностью российская разработка) и «национальной» (разработчик российский, допускаются open-source компоненты) моделей. Правительство получит право устанавливать случаи, когда допускается применение исключительно отечественных моделей — это коснётся госсектора, банковской сферы и других регулируемых отраслей. Разработчики обязаны обеспечивать безопасность моделей, вести документацию; владельцы платформ с аудиторией более 500 тысяч пользователей в сутки — предоставить возможность маркировки ИИ-контента. Закон легализует обучение ИИ на произведениях, защищённых авторским правом, без согласия правообладателей. Ответственность за действия ИИ-агента лежит на операторе, а электронные агенты не являются субъектами права.
Российский рынок ИИ-агентов в 2025 году продемонстрировал кратный рост, однако его доля на глобальном рынке пока остаётся скромной — порядка 0,7–2%. При высоком уровне интереса со стороны бизнеса и наличии сильных корпоративных экосистем внедрение сдерживается кадровым дефицитом, регуляторной неопределённостью, зависимостью от иностранных технологий и высокой стоимостью внедрения. Принятый рамочный закон о больших фундаментальных моделях создаёт основу для будущего регулирования, но его реальное влияние на рынок станет очевидным только после принятия подзаконных актов в 2027 году.