AI стал обязательной частью технологической повестки.

Клиенты спрашивают про AI.
Инвесторы спрашивают про AI.
Рынок ждёт AI.
Презентации без AI кажутся устаревшими.
Продукты без AI выглядят так, будто они отстали от времени.

И это создало предсказуемый эффект.

Почти все начали называть себя AI-first, AI-native, agentic, автономными, интеллектуальными и “powered by AI”.

Иногда за этим действительно стоит новая архитектура.
Иногда — полезный AI-слой в зрелом продукте.
Иногда — первый эксперимент, который честно проверяется на практике.

А иногда — просто мимикрия.

Продукт выглядит как AI-продукт, говорит как AI-продукт, продаётся как AI-продукт, но при детальном рассмотрении оказывается, что AI почти не влияет на результат.

Как это называется: AI-washing, ИИ-вошинг, мимикрия и камуфляж

На английском для этого используют термин AI-washing.

Он появился по аналогии с greenwashing — ситуацией, когда компания создаёт впечатление экологичности, хотя реальное воздействие на экологию не соответствует заявлениям.

В случае AI происходит похожая история.

Компания говорит:

“У нас искусственный интеллект.”
“Мы AI-first.”
“У нас автономные агенты.”
“Наш продукт работает на AI.”
“Мы переизобрели процесс с помощью нейросетей.”

Но дальше оказывается, что:

• AI используется минимально;
• AI не влияет на ключевой результат;
• AI не встроен в бизнес-процесс;
• AI не работает с контекстом;
• AI не вызывает действия;
• AI не измеряется;
• AI есть только в презентации;
• обычный чат-бот или workflow назвали агентом.

По-русски это можно называть по-разному.

ИИ-вошинг

ИИ-вошинг — самый прямой перевод AI-washing. Он хорошо подходит для экспертных и технологических текстов, потому что сохраняет связь с международным термином.

ИИ-мимикрия

ИИ-мимикрия — более образный русский термин. Он описывает ситуацию, когда продукт или компания подстраивается под ожидания рынка и внешне имитирует AI-продукт.

Мимикрия — это не всегда прямой обман. Иногда компания сама ещё не до конца понимает, где у неё реальная AI-ценность, а где просто модная оболочка.

ИИ-камуфляж

ИИ-камуфляж — более жёсткая формулировка. Она подходит там, где AI используется как прикрытие: старый продукт упаковали в новый язык, но внутри почти ничего не изменилось.

Агентный вошинг / Agent washing

Агентный вошинг — частный случай AI-вошинга. Это когда обычный чат-бот, ассистент, RPA-сценарий или workflow называют “AI-агентом”, хотя у него нет настоящих агентных возможностей.

Gartner прямо описывает agent washing как переупаковку существующих продуктов — AI assistants, RPA и чат-ботов — без существенных agentic capabilities. Gartner также прогнозирует, что более 40% agentic AI-проектов будут отменены к концу 2027 года из-за растущих затрат, неясной бизнес-ценности или недостаточного контроля рисков. (Gartner)

Дальше в статье мы будем использовать все эти слова по смыслу:

• ИИ-вошинг — общий термин;
• ИИ-мимикрия — когда продукт пытается выглядеть AI-first;
• ИИ-камуфляж — когда AI используется как прикрытие;
• агентный вошинг — когда обычную автоматизацию называют AI-агентами.

Почему это важно

AI-вошинг — это не просто маркетинговая проблема.

Это проблема доверия, инвестиций, внедрения и управления ожиданиями.

Если бизнес покупает “AI-продукт”, он ожидает:

• роста скорости;
• снижения ручной нагрузки;
• лучшего качества решений;
• автоматизации;
• персонализации;
• работы с данными;
• понятного ROI.

Но если внутри продукта нет реального AI-усиления, компания получает не трансформацию, а разочарование.

И это уже не теория. В 2024 году SEC оштрафовала две инвестиционные компании на $400 000 за ложные и вводящие в заблуждение заявления об использовании AI. SEC прямо назвала это AI washing и предупредила компании, что заявления об использовании AI не должны быть ложными или вводящими в заблуждение. (SEC)

Рынок AI уже прошёл фазу “достаточно сказать AI”.
Теперь всё чаще будут спрашивать:

Где именно AI работает?
Что он меняет?
Какой результат он даёт?
Как это измеряется?
Есть ли там реальная агентность?
Или это просто красивая наклейка?

AI-first — это не “у нас есть ChatGPT”

Одна из главных ошибок рынка — путать наличие AI-компонента с AI-first архитектурой.

У продукта может быть:

• генерация текста;
• чат с LLM;
• кнопка “Спросить AI”;
• summary;
• классификация;
• голосовой ввод;
• поиск по базе знаний.

Это может быть полезно.

Но это ещё не значит, что продукт стал AI-first.

NFX предлагает смотреть на AI-компании как на спектр: от AI-Enhanced — когда AI усиливает существующие процессы, до AI-First — когда компания и продукт не были бы возможны без AI. В их 5-уровневой модели есть промежуточные уровни: AI Product Extension, AI-Enabled, AI is the Product и AI-First. (NFX)

Это важная рамка.

Потому что не каждый зрелый продукт обязан притворяться AI-first.

Иногда честнее и сильнее сказать:

У нас есть сильное ядро продукта, а AI усиливает конкретные процессы.

И это нормальная, взрослая позиция.

Где начинается имитация

ИИ-мимикрия начинается там, где AI становится не способом создать ценность, а способом выглядеть современно.

Признаки:

1. AI есть в маркетинге, но не в процессе

На сайте много слов про AI, но непонятно, где он реально работает.

2. AI не влияет на результат

Невозможно объяснить, что стало быстрее, точнее, дешевле или качественнее.

3. AI не имеет контекста

Он отвечает в вакууме, не видит пользователя, историю, статус, ограничения, CRM, LMS, заявку или следующий шаг.

4. AI не вызывает действия

Он может сгенерировать ответ, но не может изменить состояние системы, запустить сценарий, создать заявку или передать данные.

5. AI не встроен в путь

Он живёт отдельным чатом, а не частью клиентского, партнёрского или операционного процесса.

6. AI невозможно измерить

Нет метрик, по которым понятно, какую бизнес-ценность он даёт.

7. Обычную автоматизацию называют агентом

Если система просто идёт по заранее прописанному сценарию, без способности работать с целью, контекстом, инструментами и изменяющейся ситуацией, это не агент. Это автоматизация.

Как отличить настоящий AI-продукт от AI-вошинга

Ниже простой чеклист.

1. AI влияет на бизнес-результат?

Плохой признак:

“У нас AI”, но никто не может объяснить, что именно улучшилось.

Хороший признак:

AI сокращает время обработки, повышает качество ответа, извлекает данные, классифицирует обращения, помогает принять решение, запускает следующий шаг или повышает доходимость до результата.

2. AI встроен в процесс?

Плохой признак:

AI стоит отдельным чатом сбоку.

Хороший признак:

AI работает внутри сценария: получает контекст, анализирует данные, помогает выбрать маршрут, возвращает результат в систему и влияет на дальнейшее поведение.

3. AI работает с контекстом?

Плохой признак:

Каждый запрос начинается с нуля.

Хороший признак:

AI видит историю, роль, статус, источник, документы, ограничения и состояние процесса.

4. AI связан с действиями?

Плохой признак:

AI только говорит.

Хороший признак:

AI помогает системе делать: извлекать параметры, заполнять поля, вызывать инструменты, запускать сценарии, готовить данные для следующего шага.

5. Есть ли контроль и ограничения?

Плохой признак:

AI обещают как магию без границ.

Хороший признак:

Есть сценарии, правила, ограничения, проверки, подтверждения и понятные зоны ответственности.

6. Есть ли метрики?

Плохой признак:

“AI улучшает клиентский опыт” без чисел.

Хороший признак:

Можно измерить скорость, качество, конверсию между этапами, снижение ручной нагрузки, долю обработанных обращений, точность классификации, доходимость до результата.

7. Понятно ли, почему здесь нужен именно AI?

Плохой признак:

AI используют там, где достаточно простой формы, правила или кнопки.

Хороший признак:

AI используется там, где есть свободный текст, голос, неопределённость, знания, классификация, сложный контекст или необходимость сократить трение для человека.

Где здесь Metabot

Для нас эта тема важна ещё и потому, что мы сами прошли через переосмысление.

Metabot легко было бы упаковать как “AI-платформу”, “AI-first систему”, “агентную платформу” или “AI-чат-боты для бизнеса”.

Но это было бы неточно.

Metabot не строился как AI-обёртка.

Его ядро появилось раньше нынешней AI-волны:

• сценарии;
• события;
• статусы;
• мессенджеры;
• операторы;
• интеграции;
• бизнес-логика;
• данные;
• маршруты;
• сопровождение людей во времени.

И только позже, когда AI стал зрелее и доступнее, он стал усиливать эти контуры.

Сегодня мы формулируем это так:

Metabot — это Temporal Runtime и ComOps-платформа для живых цифровых систем.
AI в Metabot — это слой усиления, а не наклейка на продукт.

Основа Metabot — не “нейросеть отвечает пользователю”.

Основа Metabot — способность:

• удерживать путь;
• помнить контекст;
• реагировать на события;
• связывать коммуникации с действиями;
• работать с ролями и статусами;
• интегрироваться с внешними системами;
• сопровождать человека до результата.

AI усиливает эту основу там, где это действительно даёт эффект.

AI как слой усиления, а не вывеска

В зрелой архитектуре AI не обязан быть центром вселенной.

Иногда AI — это мозг продукта.
Иногда AI — это интерфейс.
Иногда AI — это агент действия.
А иногда AI — это мощный слой усиления внутри уже существующего процесса.

В Metabot мы смотрим на AI именно так.

Есть три слоя:

1. Коммуникационный слой

Это диалоги, сообщения, мессенджеры, веб-чат, сценарии, вопросы, ответы, уведомления и сопровождение человека.

2. Операционный слой

Это статусы, события, API, интеграции, заявки, действия, атрибуты, таблицы, маршруты и бизнес-логика.

3. Интеллектуальный слой

Это LLM, Voice Input, RAG, Knowledge Search, классификация, извлечение смысла и AI-компоненты, которые усиливают первые два слоя.

Ключевая мысль:

AI становится ценным не тогда, когда он просто отвечает, а когда он встроен в коммуникацию, операцию и следующий шаг.

Примеры честного AI-усиления в Metabot

LLM Query

LLM Query — это вызов языковой модели внутри сценария.

Не отдельный AI-чат.
Не красивая кнопка “спросить нейросеть”.
А конкретный шаг в процессе.

Например, LLM может:

• определить намерение пользователя;
• извлечь параметры из свободного текста;
• классифицировать обращение;
• подготовить черновик ответа;
• выбрать подходящий сценарий;
• преобразовать текст в структурированные данные;
• помочь системе понять, что делать дальше.

Ценность здесь не в том, что “у нас есть LLM”.

Ценность в том, что LLM помогает сценарию продолжить путь.

Voice Input

Раньше многие воронки были кнопочными.

Пользователю нужно было:

• выбрать вариант;
• нажать кнопку;
• заполнить поле;
• пройти квиз;
• выбрать из списка;
• подстроиться под форму.

Но реальная жизнь сложнее формы.

Человеку часто проще сказать голосом:

“У меня такая ситуация…”
“Мне нужно вот это…”
“Я не понял, какой вариант выбрать…”
“У меня объект, там такие условия…”
“Я хочу рассказать, что произошло…”

Voice Input позволяет принять живую речь, превратить её в текст, а затем использовать LLM, чтобы извлечь смысл, параметры, намерение и следующий шаг.

Это хороший пример настоящего AI-усиления:

AI не украшает интерфейс.
AI снижает трение и позволяет человеку передать больше контекста естественным способом.

RAG и Knowledge Search

AI не должен просто фантазировать.

Если система работает в бизнесе, ей нужны знания:

• документы;
• инструкции;
• правила;
• FAQ;
• регламенты;
• продуктовые описания;
• техническая база;
• история клиента;
• ограничения конкретной компании.

RAG и Knowledge Search помогают AI отвечать с опорой на базу знаний и контекст.

Но снова важный момент:

RAG сам по себе — ещё не продукт.
Это компонент.

Ценность появляется, когда поиск по знаниям встроен в путь:

• пользователь задал вопрос;
• система поняла намерение;
• нашла релевантные знания;
• дала ответ;
• предложила следующий шаг;
• при необходимости запустила действие.

Почему “прикрутить AI” недостаточно

Многие AI-проекты проваливаются не потому, что AI плохой.

А потому что AI внедряют без архитектуры пути.

Берут LLM.
Добавляют чат.
Пишут “AI-powered”.
Показывают демо.
Но дальше выясняется:

• данных нет;
• интеграций нет;
• контекста нет;
• контроля нет;
• сценариев нет;
• бизнес-метрик нет;
• люди не понимают, как это использовать;
• процесс не изменился.

Так появляется AI-камуфляж.

Внешне всё выглядит современно.
Внутри — тот же старый процесс, только с нейросетевой витриной.

Настоящий вопрос не “есть ли у вас AI”

Правильный вопрос звучит иначе:

Где именно AI усиливает путь человека к результату?

Не “есть ли AI”.
А где он встроен.

Не “какая модель используется”.
А какую проблему она решает.

Не “насколько умно отвечает”.
А что происходит после ответа.

Не “может ли сгенерировать текст”.
А помогает ли системе двигаться дальше.

Вот почему для нас AI связан с Temporal Runtime.

AI-агенты, LLM-компоненты и голосовые интерфейсы почти всегда работают во времени:

пользователь сказал → система поняла → уточнила → подождала → извлекла данные → запустила действие → вернулась позже → продолжила путь

Обычный request-response плохо держит такие процессы.

Нужен контур, который умеет помнить, ждать, возобновляться, действовать и связывать участников.

Не каждый настоящий AI-продукт обязан быть AI-first

Это важный момент.

Иногда компания действительно строит AI-first продукт: без AI такой продукт просто не существовал бы.

Но иногда сильный продукт имеет другую основу:

• процессную;
• коммуникационную;
• операционную;
• инфраструктурную;
• темпоральную;
• интеграционную.

И AI усиливает эту основу.

Это не слабость.

Это честное позиционирование.

NFX прямо разделяет разные уровни AI-применения: от базового AI-усиления существующих процессов до AI-first экосистем. Они также отдельно отмечают, что “AI for the sake of AI” сам по себе не является новым или интересным; успешные продукты должны просто и эффективно решать большую проблему. (NFX)

Поэтому наша позиция такая:

Metabot не обязан притворяться AI-first ради хайпа.
Metabot — runtime-first и ComOps-first платформа, в которой AI усиливает конкретные процессы.

И в этом есть зрелость.

Как бизнесу проверять AI-заявления поставщика

Перед покупкой AI-продукта стоит задать поставщику несколько вопросов.

1. Где именно AI используется?

Попросите показать конкретные узлы процесса.

2. Какие данные AI получает?

Без данных и контекста AI работает в вакууме.

3. Какие действия AI может запустить?

Если AI только говорит, это одно.
Если он помогает менять состояние процесса — это другое.

4. Где человек подтверждает важные решения?

Особенно если речь про деньги, персональные данные, договоры, статусы и сервисные обязательства.

5. Какие метрики улучшаются?

Скорость?
Конверсия?
Доходимость?
Нагрузка на команду?
Качество классификации?
Стоимость обработки?

6. Что будет, если AI ошибётся?

Есть ли fallback, ограничения, ручная проверка, логирование и восстановление контекста?

7. Можно ли решить эту задачу без AI?

Иногда можно.
И это нормально.

Если простое правило работает лучше, чем LLM, значит, нужно использовать правило.

Зрелый продукт не обязан везде использовать AI.
Он должен использовать AI там, где это оправдано.

Главный вывод

AI-вошинг возникает там, где AI используют как вывеску.

ИИ-мимикрия возникает там, где продукт пытается выглядеть AI-first, хотя его архитектура и результат почти не изменились.

ИИ-камуфляж возникает там, где старый процесс прячут под новым языком.

Агентный вошинг возникает там, где обычного бота или workflow называют AI-агентом без реальной агентности.

Но настоящий AI-продукт — это не обязательно продукт, где AI кричит о себе на каждом экране.

Настоящий AI-продукт — это продукт, где AI:

• встроен в процесс;
• работает с контекстом;
• помогает действовать;
• улучшает измеримый результат;
• имеет ограничения;
• связан с данными;
• помогает человеку двигаться дальше.

Для Metabot это означает простую позицию:

AI не заменяет архитектуру.
AI усиливает правильно спроектированный путь.

Короткая версия

Если продукт говорит “у нас AI”, задайте вопрос:

Что именно изменилось в пути человека к результату?

Если ответ непонятен — возможно, перед вами AI-вошинг.

Если AI есть только в презентации — это ИИ-камуфляж.

Если старый бот назвали агентом — это агентный вошинг.

Если AI помогает понять свободный ввод, извлечь смысл, найти знание, запустить следующий шаг и улучшить результат — это уже реальное AI-усиление.

Что делать дальше

Если вы хотите внедрять AI в клиентский, партнёрский или операционный контур, начинать стоит не с вопроса:

“Какую нейросеть подключить?”

А с вопроса:

Где AI реально усилит путь человека к результату?

В одних местах нужен LLM.
В других — Voice Input.
В третьих — RAG.
В четвёртых — простое правило.
В пятых — интеграция.
В шестых — Temporal Runtime, который удержит процесс во времени.

Metabot помогает собрать эти элементы в живой исполняемый контур: коммуникации, операции, интеллект, данные, события и следующий шаг.

Источники и что почитать дальше

1. SEC — кейс о штрафах за false and misleading AI claims и использование термина AI washing. (SEC)
2. Gartner — прогноз об отмене более 40% agentic AI-проектов к 2027 году и определение agent washing как переупаковки существующих AI assistants, RPA и чат-ботов без существенных agentic capabilities. (Gartner)
3. NFX — 5-Level AI Spectrum: от AI-Enhanced до AI-First. (NFX)
4. NFX — Five Stages of AI Agent Evolution: переход от generalist chat и co-pilot систем к agentic auto-pilots и AI-first organizations. (NFX)