Тренды ИИ на 2026 год: ИИ-агенты и автоматизация в бизнесе

Самый частый вопрос, который я слышу в эти дни: «Че там в 2026?» — тут и страх, и надежды, и попытки понять, как заработать. И я обязательно напишу свои мысли по трендам в ИИ на 2026 год, но сейчас хочу рассказать про один, только зарождающийся.

Не будем отрицать тот факт, что самыми распиаренными услугами в этом году стали ИИ-агенты и ИИ-автоматизация. И программисты с опытом в ML, и вчерашние школьники, освоившие N8N, ломились в двери заводов, магазинов и булочных с уникальным предложением переложить всю рутину на плечи искусственного интеллекта.

А заказчики это покупали: кто-то в надежде запрыгнуть в последний вагон уходящего ИИ-поезда, кто-то из желания увидеть ИИ-магию, ну а кто-то — четко понимая, что ему нужно, и осознавая, что это не волшебная таблетка. А если им еще везло нарваться на рукастого и мозговитого ИИ-интегратора, а не инфобизнесмена без технического бэкграунда, то случался мэтч и счастье.

И вот к таким «счастливым» ИИ-интеграторам я приставал весь год с вопросами «че там в 2026?»: какие тренды в корпоративном секторе намечаются? Что клиенты хотят? Как там ИИ-агенты, решают головную боль заказчиков?

Они делились: плакали, смеялись, предполагали. А я записывал и ресечил, сравнивая с тем, что говорят сами заказчики и интеграторы по ту сторону океана. И видимо (а я тут не одинок), для того, чтобы ИИ-агенты могли автономно выполнять большинство процессов в компании, им не хватает важного слоя — следов принятия решений (decision traces). Это исключения, негласные правила, прецеденты и межсистемный контекст, которые сейчас живут в рабочих чатах, разговорах в отделе продаж, звонках саппорту и в головах людей.

В общем, ИИ-агентам нужны не просто правила, которые вы прописываете в промпте, и база данных в RAG. Им нужен доступ к следам решений, которые показывают, как правила применялись в прошлом, где были сделаны исключения, как разрешались конфликты, кто что одобрил и какие прецеденты на самом деле управляют реальностью.

Например: Возврат товара в маркетплейсе

Ситуация: Покупатель хочет вернуть кроссовки.

Жесткое правило: «Возврат только в течение 14 дней». Прошло уже 20 дней.

Что происходит на самом деле (Контекст): Агент видит в истории чата, что курьер переносил доставку три раза, коробка приехала мятая (есть фото), а покупатель уже сделал заказов на 100 тысяч за год.

Решение: Агент одобряет возврат, нарушая правило 14 дней.

Как собирать эти «следы принятия решений»? Вот тут, видимо, и будет самый жирный бизнес по «оцифровке процессов». Всё начинается с участия человека (human-in-the-loop): агент предлагает, собирает контекст, маршрутизирует согласования и записывает след. Со временем, по мере повторения похожих случаев, всё большая часть пути может быть автоматизирована, так как система обладает структурированной библиотекой прошлых решений и исключений. Даже когда решение всё еще принимает человек, граф продолжает расти, потому что слой рабочих процессов захватывает входные данные, одобрение и обоснование как долговечный прецедент, вместо того чтобы дать этому умереть в рабочих чатах.

Подписывайтесь на Telegram Силиконовый Мешок.