В проучване сред 157 предприятия организациите предоставят все по-голяма автономност на своите AI агенти, докато в същото време се доверяват по-малко на оценките, предназначени да контролират тази автономност. Половината от тях вече са пуснали в експлоатация агент, който е преминал успешно техните вътрешни оценки, но впоследствие се е провалил пред клиент в реална среда; само един на всеки двадесет напълно се доверява на автоматизираното оценяване днес; а най-често изтъкваната слабост е, че оценките не съответстват на реалните резултати. Въпреки това две трети вече позволяват или активно работят по инженеринга за внедряване на промени по агентите в реална среда единствено на базата на автоматизирано оценяване — без намесата на човек. Резултатът е пропаст в оценяването — разстоянието между това колко автономия предоставят предприятията на своите агенти и доколко се доверяват на тестовете, които трябва да засекат грешките.

Тази вълна от изследвания на VentureBeat Pulse проучва как техническите лидери измерват производителността на агентите: кои платформи за надеждност и оценяване използват, как ги избират и им се доверяват, какво се чупи в производствена среда и доколко са готови да оставят агентите да работят без намесата на човек.

Основното разкритие е пропастта в оценяването — разстоянието между автономията, която предприятията предоставят на своите агенти, и доверието, което имат в оценките, предназначени да я управляват. Половината от организациите (50%) през изминалата година са пуснали в реална среда агент или функция с голям езиков модел (LLM), която е преминала техните вътрешни оценки и след това е предизвикала срив пред клиенти, а една четвърт са виждали това да се случва повече от веднъж. Доверието в самите тестове е слабо: само 5% казват, че напълно се доверяват на автоматизираното оценяване днес, а най-често изтъкваното ограничение е, че оценките съответстват слабо на реалните резултати (29%). Предприятията откриват, че успешното преминаване на оценките не е същото като работещ агент.

Това, което прави тази пропаст значима, е посоката на развитие. Две трети от организациите (66%) вече позволяват напълно автоматизирано внедряване без участието на човек за нискорискови агенти (34%) или активно разработват своите процеси, за да го позволят в рамките на дванадесет месеца (33%). В същото време софтуерният стек за оценяване, който би трябвало да спечели това доверие, е фрагментиран и незрял: най-често срещаните основни инструменти са вградените оценки на доставчиците на модели, изравнени с липсата на каквито и да било специализирани инструменти (по 17% за всяко); и само около една четвърт от предприятията извършват проверки на качеството в реално време на активния трафик. Автономията пристига по-бързо от сигурността.

VentureBeat проведе това проучване като част от текущата си серия Pulse Research, като това конкретно изследване — инструментът за проследяване на надеждността и оценките на агентите (Agentic Reliability & Evals tracker) — е фокусирано върху това как техническите лидери оценяват производителността и надеждността на агентите. Отговорите са филтрирани за организации със 100 или повече служители (n=157), събрани от едно проучване през юни 2026 г.; тъй като това е единична вълна, а не сборна извадка за няколко месеца, докладът отразява моментна снимка и не прави изводи за тенденции от месец на месец. Когато въпросите са позволявали избор на няколко отговора, тези дялове могат да надхвърлят 100%.

По отношение на ролите извадката е съставена от висши кадри с авторитет при покупките: 38% са крайни вземащи решения за покупки на AI, а други 34% препоръчват или влияят на решенията. Продуктовите и програмните мениджъри (15%), консултантите и съветниците (10%), директорите по инженерство/ИТ (8%) и CIO/CTO/CISO (8%) водят сред посочените длъжности, заедно с голям дял „Други“ функции (37%). По размер на организациите извадката е ориентирана към средния пазар: компаниите със 100–499 служители (37%) и 500–2499 служители (27%) водят, следвани от тези с 2500–9999 (20%), 10 000–49 999 (10%) и над 50 000 (6%). Технологичният/софтуерният сектор е най-големият бранш с 23%, следван от търговията на дребно/потребителските стоки (15%), здравеопазването/науките за живота (12%) и производството (10%).

При 157 респонденти извадката е достатъчно голяма, за да се разчете като ориентир за посоката, но трябва да се третира като насочващ сигнал, а не като прецизно измерване; тя е самоизлъчила се и не е вероятностна извадка. Тя клони към средния пазар, така че е най-добре да се разглежда като мнението на организации, които активно изграждат практики за оценяване на агенти, а не на най-големите оператори.

Забележка: Това проучване бе преструктурирано за юнската вълна от предишното изследване „LLM наблюдаемост и оценки“; тъй като въпросите и извадката се различават, не се правят сравнения с данните от април-май.

Половината са пуснали в експлоатация агент, който е преминал оценките, но след това се е провалил пред клиент

Попитахме дали през последните 12 месеца организациите са внедрявали функция с изкуствен интелект или агент, който е преминал техните вътрешни оценки, но впоследствие е предизвикал провал, насочен към клиентите. Половината от тези, които извършват оценки, са се сблъсквали с това.

Извод 1 — Преминалата оценка не означава работещ агент

Това е ключовото число в доклада. Половината от организациите (50%) са пуснали AI функционалност, която е преминала успешно техните вътрешни проверки и след това се е провалила пред клиент — било то грешен резултат, прекъснат работен процес или инцидент с качеството — а една четвърт са виждали това да се случва повече от веднъж. Само 36% съобщават, че не са имали такъв провал, а останалите или не извършват оценки преди пускане (8%), или не проследяват първопричината достатъчно отблизо, за да знаят (6%). Провалът е конкретен и скъп: оценката е показала, че агентът е готов, но реалността е доказала обратното.