# AI-агенти: коли НЕ варто впроваджувати (5 кейсів)

> Більшість провалів AI-агентів — не технічні. Це workflow, які не мали ставати агентами з самого початку. Ось п'ять випадків, де агент тільки шкодить.

- Автор: Ярослав Максимович (Founder & CEO, AI Advisory Board)
- Опубліковано: 2026-05-08
- Оновлено: 2026-10-26
- Джерело: https://aiadvisoryboard.me/uk/blog/ai-agents-when-not-to-deploy

Найбільша помилка, яку я бачу у власників SMB з AI-агентами, — не "обрали не того вендора". Вона — "перетворили на агента той workflow, який мав залишитися людською розмовою". Шкода рідко видна у перший місяць, але майже завжди видна на четвертий.

## TL;DR

- AI-агенти не підходять для: одноразових рішень з високою ставкою, роботи на 80% з суджень, регульованих рішень без audit-шляху, клієнтських сценаріїв із поламаною ескалацією та workflow, який сама команда не може описати.
- "Чи можемо ми це зробити агентом?" — неправильне питання. Правильне — "Чи варто?".
- 95% провалу пілотів (MIT 2025) — це переважно "should-we" провал, не провал моделі.

## П'ять workflow, де агенти провалюються

Кожен — категорія, не один приклад. Якщо ваш кандидат потрапляє хоча б в одну — впроваджуйте інше.

### 1. Високі ставки, одноразові рішення

Прайсинг стратегічного enterprise-діла. Затвердження критичного хайра. Вибір litigation-стратегії. У них три отруйні для агента властивості: низький обсяг (нема ітерацій), асиметричний downside (одна помилка перекриває 50 правильних) та судження, що накопичується роками.

Агенти добрі, коли "помилка" = "переробити". Жахливі, коли "помилка" = "втратити клієнта / справу / кандидата".

> **Визначення:** Асиметричний downside — коли одна помилка коштує більше, ніж сума цінностей усіх правильних виходів. Агенти оптимізують середню точність, а не tail-risk.

### 2. Робота, що переважно є судженням

Якщо 80% часу йде на "обмірковування контексту, якого ніде не записано" — агент не має доступу до самої роботи. Він має доступ до артефактів (листа, документа, тікета) і впевнено вигадає правдоподібні припущення на місці прогалин.

Стенфордське дослідження 51 деплою це показує конкретно: escalation-routing агенти (агент робить структуру, людина — судження) дали ~71% lift'у продуктивності. Approval-routing (агент робить судження, людина підписує) — ~30%. Та сама модель, той самий домен. Різниця — лише у тому, де лишилося судження.

Якщо задача переважно про судження — лишайте її людині. AI як copilot, не як агент.

### 3. Регульовані рішення без audit-шляху

Штрафи EU AI Act — до €35M або 7% глобального обороту. Якщо ви працюєте в EU і ваш кандидат стосується кредитних рішень, найму, healthcare, освіти або біометрії — ви у high-risk зоні.

Це не означає "AI заборонений". Це означає: кожне рішення має бути залоговане, пояснюване, оборотне і прив'язане до людини, що відповідає. Більшість out-of-the-box agent-стеків цього не дають. Самостійна збірка коштує дорожче за productivity-lift.

Якщо workflow регульований і у вас ще нема compliance-команди, що розуміється на model risk management, — відкладіть агента. AI як advisory-вихід, який людина офіційно затверджує своїм ім'ям.

### 4. Клієнтська робота з поламаною ескалацією

Кейс Klarna 2025 з відкатом повністю-AI customer-service — канон. Агент технічно працював. CSAT впав, бо escalation-шлях ("що відбувається, коли агент не може допомогти") було спроєктовано погано. Клієнт залип у циклі — а "залипнути з AI" відчувається гірше за "висіти на лінії з людиною".

Робочий patrn — Intercom Fin: AI-first з обов'язковою швидкою і помітною людською ескалацією. Клієнт завжди знає, що людина за один клік. Якщо команда не спроєктувала escalation-шлях з тією ж ретельністю, що й агента — отримаєте Klarna у меншому масштабі.

> **Визначення:** Escalation gap — затримка і тертя між "агент не зміг" і "людина вже спілкується з клієнтом". 3 секунди — невидимо. 3 хвилини — це churn.

### 5. Workflow, який команда не може описати

Тихий вбивця. Засновник просить сеньйора описати, як він робить роботу. Той каже "ну, залежить, треба подивитися". Допитуєш — отримуєш блок-схему, яка покриває 30% реальної логіки.

Якщо сеньйор не може зовнішньо описати workflow у чіткі правила, агент теж не зможе. Він видаватиме впевнені виходи, які пропускають 70% логіки в голові експерта. Команда буде відкидати виходи — агент згниє.

Полагодьте до деплою: два тижні shadowing'у, напишіть реальне дерево рішень, знайдіть прогалини. І потім вирішуйте, чи доречний агент. Часто після чесного запису дерева відповідь "ні — але ми щойно оновили SOP, що цінніше за майбутнього агента".

## Manager scan (2-minute digest example)

Дайджест 3-го тижня у 90-особовому SMB, що ледь не зробив одну з п'яти помилок:

- **Plan:** "Запустити AI-агента для прайсингу enterprise-угод" (Q2 commitment).
- **Fact:** За квартал — 14 рішень. Avg deal $400K. Одне промахнуте у 2025-му коштувало $180K маржі.
- **Gap:** Низький обсяг (кейс 1). Важке судження (кейс 2). CFO тричі намагався записати правила прайсингу — не сходиться з реальністю.
- **Plan:** "AI-агент для тріажу saport inbound".
- **Fact:** ~600 тікетів/тиждень, структурний вхід, повторювані категорії.
- **Gap:** Це textbook агент №1.
- **Plan:** "AI для скорингу хайр-скрінів" (HR-пропозиція).
- **Fact:** Працюємо в EU.
- **Gap:** Регульовано high-risk Annex III; audit-шлях не спроєктовано.

Такий дайджест переоформлює AI-рішення за 15 хвилин. Прайсинг — відкласти. Тріаж — go. Хайр — відкласти до compliance.

> **Tool tip (AIAdvisoryBoard.me):** Хороша 7-денна діагностика не лише показує, куди йде час — а які саме години є кандидатом на агента. Прохід **Plan → Fact → Gap** вивозить наміри "ми запланували AI-фікувати це", реальний обсяг і ставки рішень та розрив, який і визначає, чи агент тут доречний. Приблизно 1 з 3 кандидатів у нашій практиці провалює should-we тест при ближчому погляді — діагностика виявляє це за дні, а не після 3-місячної розробки.

## Що робити натомість для кожного з п'яти

- **Високі ставки одноразово:** AI як генератор брифів і генератор контр-аргументів. Рішення — за людиною.
- **Судження-важкий:** Escalation-routing (Стенфорд) — агент робить 30% структури, людина — 70% судження.
- **Регульований:** AI як advisory-вихід, людина підписує і несе відповідальність. Audit-логування з дня один.
- **Клієнтський з поламаним escalation:** Спочатку полагодьте escalation (один клік до людини, до 60 сек), потім деплойте агента.
- **Не можемо описати:** Напишіть SOP. Часто саме SOP виявляється тим артефактом, якого бракувало.

## Tool tip — другий прохід

> **Tool tip (AIAdvisoryBoard.me):** Бонус **Plan → Fact → Gap** циклу після рішення НЕ деплоїти агента у певній зоні — у вас є hard data, чому, не "інтуїція засновника". Коли HR-керівник у наступному кварталі знов підніме хайр-скрінінг агента, діагностика показує: 14 хайрів за рік, важке судження, регульовано, нема audit-шляху. Рішення — data-driven, повторюване, defensible. Це і зупиняє щоквартальне зациклення тих самих розмов.

## Micro-case (що змінюється за 7-14 днів)

200-особова professional-services фірма зайшла з планом задеплоїти три агенти одразу: прайсинг, скоринг хайр-скрінів, тріаж саппорту. Два тижні Plan → Fact → Gap показали: прайсинг — кейс 1 (низький обсяг, високі ставки), хайр — кейс 3 (регульовано, нема audit-шляху), і лише тріаж проходить усі п'ять тестів. Команда звузилася до тріажу як агента №1, прайсинг лишила як copilot-бриф, хайр припарковала до compliance. На 14-й день саппорт-агент уже у draft-пілоті, а партнер, що пропонував прайсингового агента, у retro визнав: оригінальна ідея була б 6-місячним 6-значним фейлом.

> **Note on this case:** Цей приклад ілюстративний — спирається на типові патерни компаній 30-500 співробітників, не на одного клієнта. Цифри — округлені діапазони, не гарантії.

## FAQ

**"Зачекати" реально краще за "запустити недосконале"?**
Для п'яти категорій вище — так. Репутаційний урон публічного провалу всередині компанії відкочує AI-adoption на 6-12 місяців. 3 місяці затримки — значно дешевше.

**А що, як конкурент уже використовує агента в одному з цих кейсів?**
Подивіться уважно. Більшість публічних "AI-агент" анонсів — це copilots або RAG, не автономні агенти. Реально автономні у регульованих сферах зазвичай молодші за 12 місяців і ще не пройшли перший аудит.

**Що тоді робити з AI у компанії?**
Широке використання AI як copilot — кожен співробітник щодня для драфтів, саммарі, brainstorm — майже завжди цінніше за одного-двох флагман-агентів. Воно масштабується горизонтально.

**"Судження-важкий" — це евфемізм для "ми не довіряємо AI"?**
Іноді. Але дослідження Стенфорда — емпіричне, не "відчуття". Lift escalation-routing удвічі більший за approval-routing. Дані збігаються з інтуїцією.

**Як відрізнити судження-важкий від структурного?**
Попросіть сеньйора записати правила. Якщо за 90 хвилин у нього чітке дерево рішень — структурний. Якщо нотатки, винятки і "ну залежить" — судження-важкий.

## Висновок

Сказати "ні, поки що" кандидату на агента важче, ніж сказати "так". І саме тут ховається цінність. Компанії, що у 2027-му виглядатимуть зрілими на AI, — переважно ті, що запустили 3-4 хороших агенти, а не 30 посередніх. Не запущені важать стільки ж, скільки запущені.

Якщо хочете систему, яка щодня показує Plan → Fact → Gap по всій компанії — подивіться, як працює 7-денна діагностика: https://aiadvisoryboard.me/?lang=en

---

Цитуючи, посилайтесь на https://aiadvisoryboard.me/uk/blog/ai-agents-when-not-to-deploy. Більше статей: https://aiadvisoryboard.me/uk/blog