Предприятия сознательно развернули AI-агентов до того, как создали необходимые механизмы контроля для управления ими. Это главный вывод пяти параллельных опросов, проведенных VentureBeat Research в июне 2026 года и охвативших все уровни агентного стека. Эта закономерность напоминает более ранние циклы внедрения корпоративных технологий — от миграции в облако до интеграции мобильных решений, — когда темпы развертывания опережали управление, вынуждая организации устранять проблемы в реактивном режиме. Отличие агентной волны заключается в ее широте: поскольку агенты могут выполнять автономные действия внутри производственных систем, пробел в управлении создает непосредственный операционный риск, а не только долгосрочные риски соблюдения требований. Сейчас организации дорабатывают управленческие рамки, чтобы привести их в соответствие со своими стандартами, и подкрепляют эту работу бюджетами. По всем пяти измеренным уровням контроля от 57% до 68% предприятий планируют сменить поставщиков или добавить новых в течение 12 месяцев, а примерно треть намерена внести изменения уже в текущем квартале.

VentureBeat Research выделила пять видов контроля, которые предприятия должны внедрить, прежде чем смогут ответственно доверять AI-агенту: идентификация, оценка, телеметрия затрат, контекстный уровень и оркестрация. Идентификация определяет, какой агент имеет право выполнять какие действия и под чьими учетными данными. Оценка проверяет, соответствует ли результат работы агента стандартам качества. Телеметрия затрат отслеживает стоимость запуска каждого агента. Контекстный уровень предоставляет бизнес-данные и определения, на которые агенты опираются при формировании ответов. Плоскость управления оркестрацией координирует многоэтапные рабочие процессы агентов. Каждый из пяти отчетов посвящен одному из этих видов контроля. Вместе они образуют цепочку зависимостей: агент без ограниченной идентичности не может быть безопасно оценен; агент без надежной оценки не может считаться пригодным для автономных действий; а агент без точного контекста будет выдавать уверенные ответы независимо от того, насколько хорошо работают остальные механизмы контроля.

Большинство развернутых «агентов» на деле являются чат-ботами

Семьдесят один процент предприятий сообщили, что четверть или меньше их развернутых «агентов» способны автономно выполнять многоэтапную работу. Лишь 10% указали, что настоящие агенты составляют большинство используемых ими решений. Респонденты имеют основания оценивать это: 81% рекомендуют или напрямую принимают решения о закупках AI в своих организациях. Чат-бот с одним запросом, ответы которого каждый раз проверяет человек, не требует ни одного из механизмов контроля, рассмотренных в остальных четырех отчетах. Настоящему многоэтапному агенту, напротив, нужны все они — однако большинство предприятий не могут четко определить, какой именно тип они развернули. Эта неопределенность в терминах сохраняется во всей отрасли, поскольку поставщики и внутренние команды непоследовательно используют ярлык «агент», что усложняет закупочные решения и оценку рисков. (Полные выводы: отчет Agentic Orchestration.)

Автономность опережает доверие к оценкам

Две трети предприятий либо уже разрешают агенту вносить код или системные изменения в production исключительно на основе результатов автоматизированной оценки — без участия человека, — либо активно работают над такой возможностью в горизонте 12 месяцев. При этом лишь 5% выразили полную уверенность в оценках, которые должны управлять такими решениями. За последний год половина предприятий выпустила агента, который прошел внутренние оценки, но затем вызвал сбой, заметный клиентам. Разрыв между доверием к оценкам и реальностью production отражает структурную проблему: большинство внутренних бенчмарков проверяют поведение агентов в контролируемых условиях, не учитывающих вариативность реальных пользовательских запросов и меняющихся бизнес-данных. Рекомендация очевидна: прежде чем удалять человеческую проверку из любого рабочего процесса, организациям следует тестировать оценки на реальных результатах production, а не полагаться на внутренние бенчмарки. (Полные выводы: отчет Agent Reliability & Evals.)

Совместное использование учетных данных коррелирует с инцидентами безопасности

Шестьдесят девять процентов компаний разрешают по крайней мере некоторым агентам совместно использовать учетные данные, то есть несколько агентов работают под одним API-ключом или сервисной учетной записью. Среди организаций, где совместное использование учетных данных разрешено хотя бы где-то, 63.5% (47 из 74) столкнулись с инцидентом безопасности или ситуацией, близкой к инциденту. Этот показатель снижается до 40.9% (9 из 22) в компаниях, где каждый агент работает под собственной ограниченной идентичностью. Такая корреляция соответствует устоявшимся принципам безопасности zero trust, где доступ по принципу наименьших привилегий и отдельное ограничение учетных данных для каждой сущности давно являются базовой практикой как для человеческих, так и для сервисных учетных записей. Предлагаемое решение — ограниченная идентичность для каждого агента, начиная с тех, которые взаимодействуют с production-системами. (Полные выводы: отчет Agentic Security & Identity.)

Загрузка GPU остается низкой, а учет затрат отстает

Более восьми из десяти предприятий, эксплуатирующих собственные GPU, сообщили об уровне загрузки 50% или ниже. При этом только 44% строго отслеживают фактическую стоимость своих AI-вычислений и отдачу от них. Такое сочетание создает нарастающую неэффективность: организации не могут оптимизировать рабочие нагрузки, которые не измеряют, а без видимости стоимости по каждой нагрузке закупочные решения определяются тревогой из-за нехватки мощностей, а не данными об использовании. Согласно выводам, приоритетом должна быть не закупка дополнительных GPU, а повышение загрузки уже имеющегося оборудования и измерение стоимости каждой рабочей нагрузки. (Полные выводы: отчет AI Infrastructure & Compute.)

Неуправляемые данные подпитывают уверенно неверные ответы

Пятьдесят семь процентов предприятий за последние шесть месяцев связали уверенный, но неверный ответ агента с отсутствующим или непоследовательным внутренним бизнес-контекстом — включая неправильные метрики, устаревшие определения или отсутствующие документы. Большинство наблюдало такие случаи более одного раза. Этот вывод подчеркивает различие, которое отрасль все чаще признает: качество извлечения данных необходимо, но недостаточно, если сами базовые бизнес-определения непоследовательны или устарели. Управление определениями, на которые опираются агенты, начиная с метрик и сущностей, должно предшествовать любым попыткам масштабировать зависящих от них агентов. (Полные выводы: отчет Context Layers / RAG.)

Ни на одном уровне нет закрепившихся лидеров

Ни на одном отдельном уровне нет поставщика с прочно закрепившейся позицией. Сегодняшние стандартные варианты — это встроенные инструменты, поставляемые вместе с крупными AI-платформами, которыми предприятия уже пользуются. Самое высокое намерение смены наблюдается в оркестрации: 68% организаций планируют внедрить, добавить или заменить платформы в течение 12 месяцев, а 34% — в текущем квартале. Открытый конкурентный ландшафт соответствует ранним этапам прежних категорий корпоративной инфраструктуры, где инструменты, встроенные в платформы, сначала доминируют, прежде чем специализированные поставщики начинают отличаться глубиной и уровнем контроля. Опросы не зафиксировали, в каком направлении пойдут расходы — в сторону нативных инструментов платформ или к специализированным конкурентам, — и этот нерешенный вопрос, как ожидается, будет определять следующие четыре квартала рынка.

Об этом исследовании

VentureBeat Research провела пять параллельных опросов в июне 2026 года в рамках программы VB Pulse: Agentic Orchestration (101 респондент), Agent Reliability & Evals (157), Agentic Security & Identity (107), AI Infrastructure & Compute (107) и Context Layers / RAG (101) — всего 573 квалифицированных респондента, все из организаций со штатом 100 или более сотрудников. Выборки были самосформированными, и некоторые выводы следует интерпретировать как указывающие направление; каждый отчет содержит собственное полное описание методологии. Общая картина убедительнее любого отдельного процента подтверждает именно направление: каждый опрос независимо указывает в одну и ту же сторону. VentureBeat выпускает как это исследование, так и VB Transform — конференцию, на которой эти отчеты были впервые представлены.