Компания «Яков и Партнёры» изучила 12 публично доступных российских ИИ-продуктов и не обнаружила среди них готовых полноценных ИИ-агентов. Четыре наиболее зрелых решения оказались платформами, на которых заказчику ещё предстоит собрать систему под свой процесс. Остальные восемь исследователи отнесли к специализированным ассистентам и чат-ботам. Цифровой исполнитель уже стоит на витрине, но внутри коробки пока чаще лежат детали.

Полноценным ИИ-агентом авторы считают систему, которая отвечает хотя бы пяти из шести признаков: самостоятельно ведёт рабочий цикл, планирует шаги, использует инструменты, исправляет ошибки, сохраняет память и завершает задачу без постоянного участия человека. Разница не словарная, а практическая: ассистент советует сотруднику, тогда как агент должен пройти весь порученный маршрут и принести результат.

Шесть признаков вместо одного ярлыка

Для сравнения исследователи оценили 18 международных продуктов. Порог полноценного агента прошли семь из них, или 39%. Ещё три решения признали агентами с ограничениями, а остальные отнесли к ассистентам, программным каркасам и средствам управления рабочими процессами. Даже на мировом рынке название опережает набор функций примерно в шести случаях из десяти.

В российской выборке платформами для самостоятельной сборки оказались Yandex AI Studio, GigaChat Enterprise, Agent Platform компании Just AI и MWS AI Agents Platform. Исследователи не называют эти продукты технологически слабыми: они соответствуют большинству архитектурных признаков. Однако клиенту необходимо самому настроить решение, связать его с данными и встроить в корпоративные системы — готовность продукта здесь начинается с готовности заказчика всё доделать.

Готовые системы остались внутри компаний

Отдельно авторы изучили публичные описания реальных внедрений. Из 22 российских примеров четыре достигли уровня L4, при котором система способна сквозным образом выполнять процесс с минимальным участием человека. Все четыре созданы внутри крупных компаний: «Афанасий Иванов» в Т-Банке, «Маркус» в «Сбере», виртуальные разработчики Альфа-Банка и «Рубан» в «Северстали». Рабочие исполнители существуют, но общей товарной полки пока избегают.

Публичная выборка не равна всему рынку

Вывод исследования ограничен его методом. Эксперты классифицировали публичную документацию, корпоративные материалы и описания кейсов; всего они рассмотрели 30 продуктов и 65 внедрений в России и за рубежом. Результат описывает доступную публичную выборку, а не исчерпывающую перепись закрытых корпоративных разработок. Утверждать, что в стране вообще нет полноценных внутренних систем, эти данные не позволяют.

Разрыв между демонстрацией и экономическим результатом заметен и за пределами этой выборки. По данным авторов, генеративные ИИ-решения хотя бы в одной функции используют более 70% российских компаний, но эффект свыше 5% EBITDA зафиксировали только 9%. Первые заметные результаты отдельного проекта исследователи ожидают через 3–6 месяцев, подтверждённый операционный эффект — через 6–12 месяцев, а устойчивое влияние на финансовый результат — через 1–2 года. Исследование фиксирует разрыв между названием продукта, его готовностью к внедрению и подтверждённым финансовым эффектом.