Context rot: как умирают ИИ-агенты в продакшене и как их спасти

Если ваш ИИ-агент вчера справлялся с задачей на «отлично», а сегодня тихо выдаёт неверные решения — причина, скорее всего, не в модели и не в промпте. Агент просто устарел: политики компании изменились, схемы данных сдвинулись, новые исключения стали нормой, а он всё ещё работает по старому снимку реальности. В западной практике это называют context rot — гниение контекста.

Исследователь и корпоративный архитектор, который в конце 2025-го — начале 2026 года внедрял агентов в финтехе, медицине и compliance, провёл честный post-mortem: из 47 агентов, запущенных в продакшен, стабильную пользу через время приносили только шесть. Разница была не в LLM и не в автономности, а в том, была ли у команды система поддержания контекста в актуальном состоянии.

Что такое context rot

Context rot возникает, когда окружение меняется, а представление агента об этом окружении — нет. Новые транзакционные коды, обновлённые клинические гайдлайны, свежие ESG-критерии, изменённые приоритеты бизнеса: всё это проходит мимо агента, если он не синхронизируется с источниками. Поначалу это почти незаметно на дашбордах: агент не падает, не выдаёт явную ошибку, просто постепенно отдаляется от реальности. А потом приходит звонок от финансового директора или аудиторов.

Главная опасность в том, что decay контекста — медленный и скрытый процесс. Его легко списать на сезонность, шум в данных или «особенности клиентов», пока не накопится критическая масса неверных решений.

Три болезненных кейса из продакшена

Платёжный агент в финтехе

Агент автоматически сверял входящие wire-переводы со счетами-фактурами в трёх банковских системах и ERP. В тестах и первые четыре недели в продакшене точность достигала 96%. Затем, к шестой неделе, она тихо упала до 67%. Причина: клиент обновил план счетов и добавил два новых транзакционных кода к концу года. Агент не узнал об изменениях и продолжал формировать неверные проводки. Расчёты и ручная коррекция обошлись клиенту примерно в $340 000, после чего агента отключили.

Агент prior authorization в здравоохранении

Агент анализировал историю болезни пациента и страховые полисы, чтобы рекомендовать одобрение или отказ. Клиническая и операционная команды были довольны скоростью. Но в марте 2026 года крупный страховщик обновил клинические протоколы, а агент продолжал работать по старым встроенным документам. Результат: 14 запросов, которые по новым правилам должны были быть отклонены, были одобрены. Это создало финансовый риск для страховой и, что важнее, задержало помощь реальным пациентам. Первую версию пришлось списать и перестраивать с механизмами обновления.

Агент мониторинга compliance вендоров

Агент отслеживал рискованные платежи поставщикам и почти десять недель показывал хороший результат. Когда компания ввела новую ESG-оценку, агент продолжал действовать по старым критериям. Система сгенерировала более 180 ложных позитивов: совершенно нормальные вендоры стали помечаться как высокорискованные. Вместо помощи закупкам инструмент превратился в bottleneck и начал тормозить процессы.

Почему большинство команд это упускает

Корень проблемы архитектурный. Большинство фреймворков для агентов трактуют контекст как статический артефакт: загрузили документы, построили векторную базу, подключили инструменты — и считайте готово. В стабильной среде это может работать. В регулируемом enterprise, где политики, схемы и приоритеты меняются ежедневно, статичный контекст превращается в долг.

Без активного обслуживания разрыв между тем, что агент «знает», и тем, что происходит на самом деле, только растёт. Рано или поздно агент становится дороже и опаснее, чем его отсутствие.

Живая архитектура контекста

Шесть агентов, которые выжили, были спроектированы не как разовые деплои, а как живые системы. Автор называет этот подход Living Context Architecture. Вот практики, которые дали наибольший эффект:

• Context freshness scoring — каждое значимое решение сопровождается оценкой 0–100, показывающей, насколько свежи и валидны данные, на которых оно основано.
• Обязательные циклы обновления — критически важная информация перепроверяется каждые 24–72 часа прямо в живых системах-источниках, а не только когда агент наткнулся на ошибку.
• Drift detection — лёгкие фоновые процессы постоянно сравнивают внутренние знания агента с текущей бизнес-реальностью и сигналят, когда расхождение превышает порог.
• Многоуровневый контекст — разделение по скорости изменения: неизменные регламенты, медленно меняющиеся политики и быстро меняющиеся операционные данные обновляются с разной периодичностью.
• Точки ввода человеческого контекста — структурированные моменты, когда доменные эксперты могут проверить вывод агента и напрямую скорректировать его понимание ситуации.

			# Пример конфигурации циклов обновления контекста
context_layers:
  regulations:
    refresh: "monthly"
    source: "regulatory-feed"
  policies:
    refresh: "72h"
    source: "policy-api"
  operational_data:
    refresh: "24h"
    source: "live-erp"
drift_threshold: 0.15
human_review_trigger: "score < 70 or drift > threshold"
		

Чеклист для команды

• Перед запуском определите, какие данные агент считает источником истины и кто за их актуальность отвечает.
• Заложите метрики свежести контекста — хотя бы оценку в процентах для каждого значимого решения.
• Настройте регулярную синхронизацию с живыми системами, а не только ручное обновление при сбое.
• Добавьте drift detection: сравнивайте встроенные знания агента с текущими данными и фиксируйте расхождения.
• Разделите контекст на слои по скорости изменения и не обновляйте всё с одной частотой.
• Предусмотрите точки ручной проверки экспертами — особенно для регуляторных и финансовых решений.
• Фиксируйте post-mortem каждого инцидента context rot, чтобы не повторять одни и те же слепые зоны.

Частые вопросы

Выводы

Автономность и интеллект агента впечатляют на демо, но в продакшене выигрывают те команды, которые думают о долговечности. Вопрос, который стоит задавать с первого дня: «Как мы будем поддерживать точность модели понимания нашего бизнеса, когда всё вокруг изменится?» Если ответа нет, агент рано или поздно станет статуей — красивой, но бесполезной.

Перестаньте одержимо гнаться за автономностью или интеллектом агента. Начните задавать более сложный, но более важный вопрос: как сохранять точность понимания бизнеса агентом, пока всё вокруг него меняется?

AI researcher, Enterprise ArchitectHackerNoon

Если сейчас в продакшене работает хотя бы один агент, проверьте: когда в последний раз обновлялись его источники контекста, есть ли drift detection и кто отвечает за свежесть данных. Часто именно здесь кроется разница между агентом, который приносит пользу месяцами, и агентом, который тихо превращается в источник риска.

Источник: How I Beat Context Rot and Saved 6 Out of 47 AI Agents in Production — HackerNoon