ИИ-агенты для бизнеса: что это, как работают и чем отличаются от чат-ботов

Искусственный интеллект уже умеет написать письмо, проанализировать документ, подготовить таблицу, найти информацию или предложить ответ клиенту.

Но почти всегда после этого работу продолжает человек.

Он копирует полученный текст, открывает CRM, находит клиента, заполняет карточку, отправляет письмо, создаёт задачу и проверяет результат.

ИИ-агенты позволяют автоматизировать не только отдельный ответ, но и целую последовательность действий.

Например, вместо команды:

«Подготовь коммерческое предложение для этого клиента»

агенту можно поставить более широкую задачу:

«Обработай новые заявки: определи, какая услуга нужна клиенту, проверь его данные в CRM, собери необходимую информацию, подготовь коммерческое предложение и передай его менеджеру на согласование».

В этом и заключается главное отличие агентного подхода.

Обычная нейросеть помогает выполнить отдельное интеллектуальное действие. ИИ-агент способен получить цель, определить последовательность шагов, использовать подключённые системы и довести задачу до результата — полностью самостоятельно или с подтверждением человека на важных этапах.

Но это не означает, что теперь каждому бизнесу срочно нужен собственный AI-агент.

Иногда достаточно обычной автоматизации. Иногда — чат-бота. Иногда вообще проще изменить бизнес-процесс, чем пытаться автоматизировать его искусственным интеллектом.

Разберём, что такое ИИ-агент, как он устроен, какие задачи может выполнять, чем отличается от чат-бота и традиционной автоматизации и как понять, имеет ли его внедрение экономический смысл для конкретного бизнеса.

Что такое ИИ-агент простыми словами

ИИ-агент — это программная система на базе искусственного интеллекта, которой задают цель, а она самостоятельно определяет необходимые шаги, получает информацию, использует доступные инструменты и выполняет действия для достижения результата.

Если сильно упростить, работа агента выглядит так:

цель → анализ ситуации → план → действие → проверка результата → следующий шаг.

Например, обычной нейросети можно написать:

«Составь ответ клиенту, который спрашивает о стоимости обучения».

Она подготовит текст.

ИИ-агент может получить задачу:

«Обработай обращение клиента».

Дальше он способен:

1. определить, о какой услуге идёт речь;
2. найти клиента в CRM;
3. посмотреть историю предыдущих обращений;
4. получить актуальные цены;
5. подготовить персональный ответ;
6. создать задачу менеджеру;
7. после согласования отправить письмо;
8. записать результат в CRM.

То есть агент не только генерирует информацию, но и использует её для дальнейших действий.

Именно способность последовательно выполнять многоэтапные поручения с использованием внешних инструментов является одной из ключевых особенностей агентных систем.

Чем ИИ-агент отличается от обычной нейросети

Человек, который пользуется ChatGPT, Алисой AI, Claude или другой языковой моделью, уже может выполнять значительную часть интеллектуальной работы быстрее.

Например:

• попросить проанализировать договор;
• подготовить письмо;
• составить план статьи;
• сравнить два предложения;
• сделать выводы из отчёта.

Но обычно нейросеть заканчивает работу в момент, когда сформировала ответ.

Дальше пользователь должен сам превратить этот ответ в действие.

Обычная нейросеть

Менеджер пишет:

«Составь письмо этому клиенту».

Нейросеть формирует письмо.

После этого менеджер:

• копирует текст;
• открывает почту;
• находит адрес;
• вставляет письмо;
• прикрепляет документы;
• отправляет;
• возвращается в CRM;
• меняет статус сделки.

ИИ помог на одном этапе, но весь процесс по-прежнему контролирует человек.

ИИ-агент

Менеджер ставит задачу:

«Подготовь и отправь клиенту коммерческое предложение по его заявке. Сделки дороже 300 000 рублей отправляй только после моего подтверждения».

Агент самостоятельно проходит необходимые этапы.

Он может найти заявку, получить данные клиента, определить подходящую услугу, сформировать документ, запросить подтверждение у менеджера и после согласования выполнить дальнейшие действия.

Поэтому полезно разделять два понятия:

языковая модель генерирует и анализирует информацию; агент организует выполнение задачи с использованием этой модели и внешних инструментов.

Чем ИИ-агент отличается от чат-бота

Чат-бот и ИИ-агент могут использовать одну и ту же языковую модель, поэтому внешне они иногда выглядят одинаково.

Пользователь пишет сообщение и получает ответ.

Но задачи у систем разные.

Сценарный чат-бот

Классический бот работает по заранее заданной логике.

Например:

• «Выберите услугу»;
• «Нажмите 1, чтобы узнать стоимость»;
• «Нажмите 2, чтобы записаться».

Такой бот хорошо подходит для простых и предсказуемых сценариев.

Он дешёвый, понятный и практически не способен выйти за рамки заложенной логики.

AI-чат-бот

AI-бот уже понимает естественный язык.

Клиент может написать:

«Мне нужно обучить 25 сотрудников, но не понимаю, какая программа нам подходит».

Бот анализирует вопрос и формирует подходящий ответ.

Главная задача такой системы — общение с пользователем.

ИИ-агент

Агент тоже может вести диалог, но его задача не заканчивается ответом.

Например, после сообщения клиента он способен:

• определить программу;
• проверить наличие клиента в CRM;
• запросить недостающие данные;
• рассчитать стоимость;
• сформировать предложение;
• создать сделку;
• поставить задачу менеджеру;
• назначить встречу.

Получается простое различие:

чат-бот общается, а агент может действовать.

Поэтому не каждый AI-чат-бот имеет смысл называть агентом.

Если система только отвечает на вопросы клиентов, даже очень умно, перед нами прежде всего AI-бот.

Агентный подход становится особенно полезным тогда, когда после ответа нужно что-то сделать.

ИИ-агент и обычная автоматизация: в чём разница

Автоматизация бизнес-процессов существовала задолго до современных нейросетей.

CRM умеют автоматически создавать задачи.

Интернет-магазин может отправлять письмо после заказа.

Система документооборота умеет передавать документ по заданному маршруту.

Возникает логичный вопрос:

зачем нужен ИИ-агент, если всё это можно автоматизировать обычными средствами?

Главное различие — в количестве неопределённости.

Обычная автоматизация

Она особенно хорошо работает по принципу:

если произошло A → выполнить B.

Например:

• если появилась новая заявка → создать лид;
• если клиент оплатил заказ → отправить чек;
• если срок задачи истёк → уведомить руководителя.

Правила заранее известны.

Система не должна размышлять, что делать дальше.

ИИ-агент

Агент полезнее, когда каждый случай немного отличается и необходимо анализировать контекст.

Например, приходит письмо:

«Здравствуйте. Мы уже проходили у вас обучение два года назад. Сейчас открыли новое производство, сотрудников около сорока, но часть программ у них ещё действует. Подскажите, кого нужно обучать заново и сколько это будет стоить».

Обычная автоматизация видит письмо.

ИИ-агент способен разобрать его содержание, найти компанию в CRM, изучить историю обучения, определить недостающие данные и выбрать следующий шаг.

То есть вместо жёсткого правила:

A → B

появляется модель:

получить ситуацию → понять её → выбрать подходящее действие.

При этом важный принцип остаётся прежним:

не нужно использовать ИИ там, где обычная автоматизация решает задачу дешевле, быстрее и надёжнее.

Если требуется просто переносить новую заявку в CRM, для этого не нужен интеллектуальный агент.

Как устроен ИИ-агент

Для бизнеса необязательно знать детали разработки, но полезно понимать основные части системы.

Это помогает разобраться, почему «сделать агента» — не то же самое, что оплатить подписку на нейросеть.

Языковая модель

Это интеллектуальная основа агента.

Она помогает понимать естественный язык, анализировать ситуацию, работать с текстом и выбирать следующие действия.

В качестве основы могут использоваться разные коммерческие или локально развёрнутые модели.

Но сама модель ещё не является полноценным агентом.

Инструкция

Агент должен понимать свою роль и правила.

Например:

• что считается целевой заявкой;
• какие услуги можно предлагать;
• какие действия разрешено выполнять самостоятельно;
• какие данные нельзя передавать наружу;
• в каких ситуациях обязательно нужно обратиться к человеку.

Чем критичнее процесс, тем важнее такие ограничения.

Память и контекст

Агенту может потребоваться помнить предыдущие шаги.

Например:

• что спросил клиент;
• какие данные уже получены;
• какое решение было принято;
• на каком этапе находится задача.

В некоторых системах дополнительно используется долговременная память — информация, которая сохраняется между разными сессиями.

Корпоративные данные

ИИ не знает автоматически всё о конкретной компании.

Если агент должен использовать актуальные:

• цены;
• регламенты;
• каталоги;
• характеристики оборудования;
• договоры;
• инструкции;
• историю клиента,

эти данные необходимо предоставить системе.

Один из способов организовать такую работу — технология RAG, когда модель перед ответом находит необходимые фрагменты в корпоративной базе знаний.

RAG мы разберём отдельно, поскольку это самостоятельная технология. В агентной системе он может быть одним из источников знаний, но агент и RAG — не одно и то же.

Инструменты

Именно инструменты превращают интеллектуального помощника в исполнителя.

Агент может получать доступ к:

• CRM;
• ERP;
• почте;
• календарю;
• базе данных;
• системе задач;
• телефонии;
• сайту;
• файлам;
• внешним API;
• браузеру.

Для подключения AI-систем к инструментам также используется MCP — Model Context Protocol.

Если сильно упростить:

языковая модель — мозг агента, а интеграции — его руки.

Как работает ИИ-агент на практике

Рассмотрим условный пример из корпоративного обучения.

На сайт приходит заявка:

«Нужно обучение по охране труда для 25 сотрудников. Подскажите программы и стоимость».

Шаг 1. Агент получает обращение

Система забирает текст из формы сайта.

Шаг 2. Определяет задачу

Агент понимает:

• тематика — охрана труда;
• количество человек — 25;
• клиент хочет подобрать программы и получить стоимость.

Шаг 3. Проверяет клиента

По телефону, электронной почте или ИНН система ищет компанию в CRM.

Если клиент уже обращался, агент видит предыдущую историю.

Шаг 4. Получает необходимые данные

Агент обращается к каталогу программ и корпоративной базе знаний.

Если информации для точного расчёта недостаточно, формирует уточняющий вопрос.

Шаг 5. Рассчитывает предложение

Использует установленную логику ценообразования.

Шаг 6. Создаёт документ

Формирует коммерческое предложение на основе утверждённого шаблона.

Шаг 7. Проверяет ограничения

Например:

до 100 000 рублей предложение можно отправлять автоматически;

выше — требуется подтверждение менеджера.

Шаг 8. Выполняет дальнейшее действие

После подтверждения отправляет письмо и сохраняет документ.

Шаг 9. Обновляет CRM

Создаёт или изменяет сделку, фиксирует отправку КП и ставит следующую задачу.

Получается полный цикл:

получил → понял → собрал данные → принял решение → использовал инструменты → выполнил действие → проверил результат.

Именно такой многошаговый процесс является наиболее характерным сценарием для агента.

Что умеют современные ИИ-агенты

Конкретные возможности зависят от того, к каким данным и инструментам подключена система.

Агент может:

• читать и классифицировать входящие обращения;
• искать информацию в интернете и внутренних системах;
• анализировать документы;
• извлекать данные из файлов;
• сравнивать предложения;
• выполнять расчёты;
• работать с таблицами;
• создавать документы;
• заполнять CRM;
• отправлять электронные письма;
• создавать задачи;
• планировать встречи;
• обращаться к API;
• работать с браузером;
• запускать другие автоматизированные процессы;
• передавать задачу другому агенту или человеку.

Это важное ограничение:

агент не получает магическую способность работать со всей инфраструктурой компании только потому, что внутри используется ИИ.

Каждый доступ необходимо спроектировать, подключить и ограничить.

Какие задачи ИИ-агенты могут решать в бизнесе

Наибольший интерес представляют процессы, где сегодня человек вручную соединяет несколько цифровых систем и одновременно принимает относительно типовые решения.

Продажи

Например, агент может обрабатывать входящие лиды.

Он способен:

• получить заявку;
• определить продукт или услугу;
• найти компанию;
• проверить историю взаимодействия;
• квалифицировать лид;
• подготовить ответ;
• создать сделку;
• назначить менеджера;
• поставить задачу;
• подготовить коммерческое предложение;
• отправить follow-up, если клиент не ответил в установленный срок.

При этом агент необязательно должен самостоятельно общаться с клиентом.

На первом этапе он может просто готовить всю информацию менеджеру, а человек будет нажимать «Отправить».

Клиентская поддержка

Здесь особенно хорошо видна разница между чат-ботом и агентом.

Клиент пишет:

«Где мой заказ?»

AI-бот может объяснить, где обычно смотреть статус.

Агент может найти конкретный заказ, проверить состояние доставки и дать фактический ответ.

Более сложный пример:

«В заказе пришла повреждённая деталь».

Агент может:

• идентифицировать заказ;
• проверить товар;
• запросить фотографию;
• создать претензию;
• передать задачу нужному сотруднику;
• проинформировать клиента о следующем шаге.

Если нужно только разговаривать — достаточно бота.

Если нужно решать проблему внутри информационных систем, агент становится значительно интереснее.

Маркетинг

Агент может собирать информацию из рекламных кабинетов, аналитики и CRM.

Например:

• получить данные по кампаниям;
• сопоставить расходы с лидами;
• выявить отклонения;
• подготовить краткий отчёт;
• поставить маркетологу задачу проверить конкретную кампанию.

Другой сценарий — мониторинг конкурентов.

Система периодически проверяет изменения на выбранных сайтах, классифицирует их, сравнивает с предыдущим состоянием и отправляет только действительно важные изменения.

Работа с документами

Во многих компаниях сотрудники регулярно получают файлы, из которых нужно извлечь информацию и перенести её в другую систему.

Например:

• счета;
• акты;
• анкеты;
• заявления;
• коммерческие предложения;
• спецификации;
• договоры.

Агент способен определить тип документа, извлечь необходимые поля, проверить их и выполнить дальнейшие действия.

Аналитика

Классическая аналитическая задача может включать сразу несколько систем.

Сотрудник:

• выгружает данные;
• объединяет таблицы;
• ищет расхождения;
• строит отчёт;
• пишет комментарий;
• отправляет руководителю.

Часть этой цепочки можно передать агенту.

Он может подготовить данные, выявить аномалии и сформировать предварительный вывод, оставив человеку только проверку и принятие решения.

HR

Возможные задачи:

• первичный разбор резюме;
• сопоставление кандидатов с требованиями вакансии;
• организация интервью;
• ответы на типовые вопросы сотрудников;
• подготовка материалов для адаптации;
• поиск информации во внутренних регламентах.

Особенно важно не отдавать агенту окончательные кадровые решения без соответствующего контроля.

IT и разработка

Агенты могут помогать:

• анализировать ошибки;
• изучать логи;
• создавать тесты;
• готовить изменения в коде;
• проводить первичный code review;
• обрабатывать обращения пользователей;
• контролировать инфраструктурные события.

Чем критичнее система, тем важнее ограничения прав и проверка человеком.

Один агент или несколько: что такое мультиагентная система

Не обязательно создавать одного огромного агента, который умеет всё.

Иногда процесс удобнее разделить между специализированными ролями.

Например:

агент-аналитик → агент по продажам → агент-контролёр.

Первый собирает и структурирует информацию о клиенте.

Второй формирует предложение.

Третий проверяет результат по заданным правилам.

Это называется мультиагентным подходом.

Но для бизнеса важна не сама архитектура.

Если один агент надёжно решает задачу, нет смысла создавать пять только ради красивой схемы.

Мультиагентность полезна тогда, когда реальный процесс естественно распадается на разные роли, каждая из которых требует своих правил, данных и инструментов.

Какой уровень автономности можно дать ИИ-агенту

Частая ошибка — представлять агента системой, которой сразу отдают полный контроль над процессом.

На практике автономность можно увеличивать постепенно.

Уровень 1. Агент только предлагает действие

Например:

• анализирует заявку;
• готовит ответ;
• создаёт черновик коммерческого предложения.

Менеджер всё проверяет и выполняет действие самостоятельно.

Это самый безопасный вариант пилота.

Уровень 2. Агент самостоятельно выполняет безопасные действия

Например:

• заполняет поля;
• создаёт задачи;
• классифицирует обращения;
• готовит внутренний отчёт.

Уровень 3. Агент ведёт процесс, но критические действия требует подтвердить

Например:

самостоятельно обработал заявку → подготовил КП → перед отправкой запросил подтверждение менеджера.

Или:

подготовил изменение цены → перед публикацией запросил согласование.

Уровень 4. Полностью автономный процесс

Агент самостоятельно выполняет весь цикл.

Такой вариант разумен только там, где:

• процесс хорошо изучен;
• стоимость ошибки невысока;
• есть технические ограничения;
• работает мониторинг;
• предусмотрено восстановление после ошибки.

Поэтому внедрение ИИ-агента не означает:

«Теперь нейросеть сама управляет нашим бизнесом».

Гораздо чаще речь идёт о контролируемом увеличении автономности.

Где должен оставаться человек

В агентных системах используется принцип human-in-the-loop — человек остаётся частью процесса и вмешивается на определённых этапах.

Это особенно важно, когда речь идёт о:

• финансовых операциях;
• юридически значимых действиях;
• конфиденциальных данных;
• нестандартных клиентах;
• крупных коммерческих предложениях;
• изменении критичной информации;
• операциях, которые сложно отменить;
• ситуациях, в которых агенту не хватает данных.

Хорошая агентная система должна уметь не только действовать.

Она должна понимать, когда действие необходимо остановить и передать человеку.

Это принципиально отличается от попытки добиться максимальной автономности любой ценой.

Какие преимущества ИИ-агент даёт бизнесу

Само наличие AI в процессе не является бизнес-результатом.

Результат возникает только тогда, когда меняются измеримые показатели процесса.

Сокращается количество ручных операций

Сотруднику больше не нужно:

• переключаться между несколькими системами;
• копировать одинаковые данные;
• вручную классифицировать обращения;
• создавать однотипные документы.

Процесс выполняется быстрее

Заявка может быть разобрана сразу после получения, а не после того, как менеджер освободится.

Увеличивается пропускная способность

Один и тот же отдел способен обработать больше однотипных операций без пропорционального увеличения численности сотрудников.

Часть задач выполняется круглосуточно

Например, классификация обращений, подготовка черновиков или сбор данных.

Процесс становится более стандартизированным

Агент может выполнять обязательные проверки каждый раз, а не «когда сотрудник вспомнил».

У сотрудников освобождается время

Это не обязательно означает сокращение штата.

Освободившееся время можно перенести с механических операций на продажи, переговоры, работу со сложными клиентами, контроль качества и развитие продукта.

Когда бизнесу действительно нужен ИИ-агент

Не любую задачу стоит превращать в агентную систему.

Хороший кандидат обычно имеет несколько признаков.

• Процесс повторяется регулярно. Если задача возникает раз в полгода, автоматизация может никогда не окупиться.
• В процессе несколько шагов. Одно простое действие часто дешевле автоматизировать обычным скриптом.
• Сотрудник работает с несколькими системами. Например, почта → CRM → база знаний → документ → задача.
• Входящие данные каждый раз немного разные. Именно здесь появляется смысл языковой модели.
• Конечный результат понятен. Если невозможно определить, что считается успешным выполнением задачи, сложно контролировать агента.
• Большая часть процесса формализуема. Сотрудник может объяснить, как принимает большинство решений.
• Есть достаточно операций, чтобы окупить разработку.

Простое практическое правило:

чем чаще сотрудник повторяет одну и ту же многошаговую цифровую работу, тем интереснее рассматривать ИИ-агента.

Когда ИИ-агент не нужен

Не менее важно вовремя отказаться от агентной архитектуры.

Процесс ещё не описан

Если три сотрудника выполняют одну задачу тремя совершенно разными способами и никто не может объяснить правильную последовательность действий, автоматизация только закрепит хаос.

Сначала нужно разобраться с процессом.

Задача решается обычной автоматизацией

Например:

новая заявка → создать задачу менеджеру.

Здесь интеллект не нужен.

Достаточно чат-бота

Если задача системы — только отвечать на вопросы пользователей, полноценный агент может быть избыточным.

Стоимость ошибки слишком высока

Например, агент должен самостоятельно переводить крупные суммы или принимать необратимые юридические решения.

В таких процессах либо сохраняется человек, либо агент вообще не должен выполнять критичное действие.

Операций слишком мало

Если сотрудник тратит на процесс один час в месяц, разработка специализированного агента может окупаться годами.

Нельзя измерить результат

Если невозможно определить, что должно стать быстрее, дешевле или качественнее, сложно понять, зачем вообще нужен проект.

ИИ-агент или чат-бот: что выбрать

Упростим выбор.

• Нужно отвечать по заранее заданному сценарию → сценарный чат-бот.
• Нужно понимать свободные вопросы и формировать ответы → AI-чат-бот.
• Нужно отвечать на основе корпоративных документов → AI-бот с подключённой базой знаний, например через RAG.
• Нужно выполнять действия после анализа запроса → ИИ-агент.
• Нужно самостоятельно проходить многошаговый процесс в нескольких системах → полноценная агентная система.

Поэтому агент не является «улучшенной версией чат-бота» для всех случаев.

Это другой уровень задачи.

ИИ-агент или обычная автоматизация: что выгоднее

Один из главных вопросов при проектировании решения:

можно ли сделать это без ИИ?

Если ответ «да», обычная автоматизация часто будет предпочтительнее.

Она:

• дешевле;
• предсказуемее;
• проще тестируется;
• проще поддерживается;
• меньше ошибается в однозначных сценариях.

Представим правило:

«Если счёт оплачен — перевести заказ в статус “Оплачен”».

Здесь нет никакой причины привлекать языковую модель.

Другой сценарий:

«Проанализируй входящее письмо, пойми, к какому проекту оно относится, определи срочность, найди ответственное лицо и выбери дальнейшее действие».

Здесь уже появляется неопределённость.

Именно её умеет обрабатывать ИИ.

Поэтому хорошая архитектура обычно сочетает оба подхода:

где можно — обычный код и автоматизация; где требуется понимание контекста — AI.

Как проходит внедрение ИИ-агента

Хороший проект начинается не с выбора модели.

Он начинается с бизнес-процесса.

Этап 1. Выбираем конкретную проблему

Не:

«Хотим внедрить AI в компанию».

А:

«Менеджеры тратят по два часа в день на первичный разбор заявок».

Или:

«Специалист вручную собирает один и тот же отчёт из пяти систем».

Этап 2. Разбираем текущий процесс

Нужно понять:

• что именно делает сотрудник;
• в какой последовательности;
• какие системы открывает;
• какие решения принимает;
• какие бывают исключения.

Этап 3. Определяем границы автоматизации

Что можно передать агенту полностью?

Что он должен только рекомендовать?

Какие действия требуют подтверждения?

Этап 4. Подключаем данные и инструменты

Например:

• CRM;
• корпоративные документы;
• почту;
• систему задач;
• API;
• календарь.

Этап 5. Создаём ограниченный пилот

Не автоматизируем сразу весь отдел.

Выбираем один процесс и один понятный результат.

Этап 6. Тестируем

Нужно проверить не только обычные сценарии.

Особенно важны:

• исключения;
• неполные данные;
• неоднозначные запросы;
• неработающие внешние сервисы;
• ошибочные ответы модели.

Этап 7. Запускаем с ограниченной автономностью

Например, агент выполняет всё, но перед внешней отправкой документа спрашивает человека.

Этап 8. Собираем статистику

Измеряем:

• скорость;
• ошибки;
• экономию времени;
• долю вмешательств человека;
• стоимость операции.

Этап 9. Расширяем только после подтверждения результата

Если пилот работает и экономика сходится, агенту можно передавать больше задач.

Такой подход значительно безопаснее попытки сразу создать «цифрового сотрудника на весь отдел».

Почему внедрение лучше начинать с пилота

Фраза:

«Хотим автоматизировать отдел продаж с помощью ИИ»

слишком широкая.

Отдел продаж состоит из десятков процессов:

• приём обращения;
• квалификация;
• подготовка КП;
• звонки;
• работа с возражениями;
• договоры;
• follow-up;
• контроль оплаты;
• повторные продажи.

Попытка автоматизировать всё сразу резко увеличивает:

• стоимость;
• срок разработки;
• количество интеграций;
• число исключений;
• риск ошибок.

Гораздо лучше выбрать задачу:

«Автоматически классифицировать входящие обращения, находить клиента в CRM и готовить менеджеру черновик первого ответа».

Здесь легко определить:

• что было до;
• что стало после;
• сколько времени экономится;
• сколько ошибок возникает.

Если результат положительный, систему можно расширять.

Какие данные и интеграции нужны ИИ-агенту

Сложность агентного проекта часто определяется не самой нейросетью, а количеством систем вокруг неё.

Допустим, агент должен обрабатывать коммерческую заявку.

Ему может потребоваться:

• получить данные из формы сайта;
• найти клиента в CRM;
• прочитать историю коммуникаций;
• проверить прайс;
• обратиться к базе знаний;
• создать документ;
• отправить письмо;
• поставить задачу;
• обновить сделку.

Каждая система требует отдельного подключения.

Кроме того, необходимо решить:

• какие данные агент может читать;
• что может изменять;
• какие действия запрещены;
• как авторизоваться;
• что происходит при недоступности сервиса;
• как ведётся журнал действий.

Поэтому фраза:

«Подключите нам ChatGPT к CRM»

сама по себе почти ничего не говорит о сложности проекта.

Что такое API и MCP и зачем они агенту

Для взаимодействия между сервисами давно используются API.

API — это программный интерфейс, через который одна система может получить данные или выполнить действие в другой.

Например, через API агент может:

• найти сделку в CRM;
• создать задачу;
• получить список товаров;
• отправить сообщение.

MCP — Model Context Protocol — решает похожую проблему на уровне взаимодействия AI-приложений с данными и инструментами.

Он позволяет унифицировать способ, которым агент получает доступ к различным возможностям внешней системы.

Для потенциального заказчика технические подробности не так важны.

Достаточно понимать:

API и MCP — это способы дать агенту контролируемый доступ к инструментам, с которыми он должен работать.

Как ИИ-агент работает с корпоративными знаниями

Языковая модель может хорошо понимать общий язык и типовые задачи.

Но она не знает автоматически:

• актуальный прайс компании;
• условия текущей акции;
• внутренний регламент;
• инструкции производителя;
• специфические условия договора;
• историю конкретного клиента.

Эти знания нужно подключить.

Один из распространённых способов — RAG.

В таком решении перед формированием ответа система ищет релевантные данные в корпоративной базе знаний и передаёт найденную информацию модели.

Например, агент получает вопрос:

«Какие документы выдаются после этого курса?»

Он не должен отвечать по памяти языковой модели.

Система находит актуальную программу курса или регламент и формирует ответ на основе корпоративного источника.

При этом RAG сам по себе не делает систему агентом.

RAG помогает получить знания. Агент решает, что с этими знаниями делать дальше.

Какие риски есть у ИИ-агентов

Чем больше действий может выполнять система, тем серьёзнее последствия ошибки.

Галлюцинации

Языковая модель может сформировать уверенный, но неправильный вывод.

Поэтому критичные данные лучше получать из проверяемых источников, а результат контролировать.

Неправильное действие

Ошибка обычного чат-бота и ошибка агента отличаются.

Чат-бот может написать неправильную информацию.

Агент теоретически может на основании неправильного вывода изменить данные в системе или отправить некорректный документ.

Поэтому права должны быть ограничены.

Доступ к конфиденциальной информации

Не каждому агенту нужен доступ ко всей CRM.

Правильный принцип:

минимально необходимые права.

Внешние инструкции

Если агент читает письма, документы или страницы сайтов, в них потенциально могут содержаться инструкции, которые не должны влиять на его поведение.

Поэтому агентные системы требуют дополнительных защитных механизмов.

Ошибки внешних сервисов

CRM недоступна.

API вернул неполные данные.

Письмо не отправилось.

Надёжный агент должен корректно обрабатывать такие ситуации, а не считать процесс успешно завершённым.

Стоимость использования

Агент может совершать несколько обращений к модели на одну задачу.

Если процесс спроектирован неэффективно, расходы способны заметно увеличиться.

Сложные исключения

Реальный бизнес почти всегда сложнее первоначальной блок-схемы.

Именно поэтому пилот и наблюдение за реальными сценариями так важны.

Как контролировать работу ИИ-агента

Контроль необходимо проектировать одновременно с самим агентом.

Полезные механизмы:

• журнал всех действий;
• ограничение прав;
• лимиты на операции;
• подтверждение критичных действий;
• проверка входных данных;
• тестовый контур;
• возможность быстро остановить агента;
• уведомления об ошибках;
• передача сложных случаев человеку;
• мониторинг стоимости;
• регулярная проверка качества.

Главный принцип:

автономность должна увеличиваться по мере того, как система доказывает надёжность.

Не наоборот.

Как посчитать экономику ИИ-агента

«ИИ сэкономит сотруднику время» — слишком абстрактный аргумент для инвестиций.

Лучше посчитать конкретный процесс.

Представим:

• компания получает 500 заявок в месяц;
• на первичную обработку одной заявки сотрудник тратит в среднем 12 минут.

500 × 12 = 6 000 минут.

Это 100 рабочих часов в месяц.

После внедрения агента сотруднику требуется в среднем три минуты на проверку и сложные случаи.

500 × 3 = 1 500 минут.

Это 25 часов.

Потенциально освобождается:

100 − 25 = 75 часов в месяц.

Дальше нужно перевести этот результат в экономику бизнеса.

Например:

• может ли существующая команда обработать больше заявок;
• сократится ли время первого ответа;
• увеличится ли конверсия;
• можно ли избежать найма дополнительного сотрудника;
• сколько стоит час специалиста.

А затем сравнить эффект с расходами:

• разработка;
• интеграции;
• использование модели;
• инфраструктура;
• поддержка.

Важно считать не только «сколько минут сэкономили», а как изменился результат всего процесса.

Сколько стоит разработка ИИ-агента

Универсальной цены не существует.

Формально и простой сценарий автоматизации, и сложная корпоративная система могут называться «ИИ-агентом».

Стоимость в первую очередь зависит от архитектуры проекта.

Сложность процесса

Чем больше решений и исключений, тем больше работы требуется.

Количество интеграций

Подключение одного API и интеграция с пятью внутренними системами — задачи разного масштаба.

Корпоративные знания

Если необходимо организовать отдельную базу знаний и RAG, сложность увеличивается.

Уровень автономности

Система, которая только готовит черновик, проще агента, самостоятельно изменяющего данные и отправляющего документы.

Безопасность

Работа с чувствительной корпоративной информацией может потребовать отдельной инфраструктуры, разграничения доступа и журналирования.

Нагрузка

Сто операций в месяц и сто тысяч операций требуют разных решений.

Интерфейс

Иногда агент работает полностью в существующих системах.

В других случаях требуется отдельный кабинет или интерфейс.

Условно проекты можно разделить на три уровня.

Простой агент — одна понятная задача и небольшое количество инструментов.

Средний — несколько систем, корпоративные данные, бизнес-правила и подтверждение человеком.

Сложный — много интеграций, RAG, высокий уровень автономности, требования к безопасности, отказоустойчивости и мониторингу.

Поэтому корректную оценку стоимости можно сделать только после разбора бизнес-процесса.

Из чего складывается стоимость эксплуатации

Даже после разработки агент не работает полностью бесплатно.

Возможны постоянные расходы на:

• языковую модель;
• серверную инфраструктуру;
• внешние API;
• хранение данных;
• RAG и поиск;
• мониторинг;
• поддержку интеграций;
• доработку логики.

Поэтому полезно рассчитывать показатель:

стоимость одной выполненной операции.

Например:

• сколько стоит обработать одну заявку;
• один документ;
• один запрос;
• одну аналитическую задачу.

И уже затем сравнивать с существующим процессом.

Готовый сервис или собственный ИИ-агент

Не каждый бизнес-процесс требует индивидуальной разработки.

Если задача типовая, на рынке может уже существовать готовый продукт.

Например:

• AI для обработки встреч;
• помощник службы поддержки;
• автоматизация рекрутинга;
• AI-функции CRM;
• инструменты для аналитики документов.

Готовое решение

Преимущества:

• быстрее запустить;
• обычно дешевле;
• не нужно самостоятельно поддерживать всю инфраструктуру.

Ограничения:

• меньше возможностей адаптации;
• зависимость от логики поставщика;
• не все внутренние системы можно подключить.

Индивидуальная разработка

Имеет больше смысла, если бизнес-процесс:

• специфичен;
• создаёт конкурентное преимущество;
• сильно связан с внутренними системами;
• требует собственной логики и правил.

Хороший принцип:

не нужно разрабатывать собственного агента, если готовый сервис закрывает 90% задачи и его ограничения устраивают бизнес.

Как выбрать первый процесс для автоматизации

Удобно оценить кандидатов по пяти критериям.

Частота

Как часто процесс повторяется?

Затраты времени

Сколько человеко-часов он занимает?

Формализуемость

Можно ли объяснить правила выполнения задачи?

Цена ошибки

Насколько опасно неправильное действие?

Доступность данных

Есть ли у системы информация, необходимая для принятия решения?

Хороший первый кандидат обычно выглядит так:

выполняется часто + занимает много времени + имеет понятную логику + ошибка исправима + необходимые данные доступны.

Например, автоматическая первичная классификация заявок подходит для пилота намного лучше, чем полностью автономное подписание договоров.

Как понять, что внедрение прошло успешно

Наличие работающего агента ещё не означает успешный проект.

До разработки нужно выбрать показатели.

Например:

• время обработки заявки;
• среднее время первого ответа;
• стоимость операции;
• количество задач на одного сотрудника;
• процент корректных решений;
• долю задач, переданных человеку;
• количество ошибок;
• конверсию;
• соблюдение SLA;
• экономию рабочего времени.

Тогда после пилота можно сравнить:

до → после.

Фраза:

«Теперь у нас есть AI-агент»

не является KPI.

Заменят ли ИИ-агенты сотрудников

Наиболее реалистичный сценарий для многих компаний — автоматизация отдельных функций, а не моментальная замена профессий.

Например, менеджер по продажам выполняет десятки видов работы.

ИИ может забрать:

• первичную классификацию;
• поиск информации;
• подготовку черновика;
• заполнение CRM;
• создание типовых документов.

Но у человека остаются:

• переговоры;
• сложные ситуации;
• ответственность;
• отношения с клиентом;
• нестандартные решения;
• контроль результата.

Поэтому полезнее задавать вопрос не:

«какого сотрудника можно заменить агентом?»

а:

«какие операции внутри работы сотрудника можно выполнить быстрее и дешевле?»

Так намного проще найти реальный экономический эффект.

Частые ошибки при внедрении ИИ-агентов

«Нам нужен AI-агент — придумайте, куда его внедрить»

Технология становится целью сама по себе.

Правильнее сначала найти дорогой или медленный процесс.

Автоматизация хаоса

Если процесс работает плохо, агент может просто выполнять плохой процесс быстрее.

Попытка сразу автоматизировать весь отдел

Слишком много систем, сценариев и исключений.

Пилот лучше начинать с ограниченной задачи.

Максимальная автономность с первого дня

Для большинства бизнес-процессов этого не требуется.

Сначала агент может работать как помощник.

Отсутствие KPI

Без исходных показателей невозможно доказать эффективность.

Игнорирование сопровождения

Меняются API, бизнес-процессы, модели, цены и корпоративные документы.

Систему необходимо поддерживать.

AI там, где достаточно обычного workflow

Если задача полностью детерминирована, обычная автоматизация будет дешевле и надёжнее.

Как выбрать подрядчика для разработки ИИ-агента

Хороший подрядчик должен начинать разговор не с модели и не с модного технологического стека.

Сначала ему необходимо разобраться в процессе.

До начала разработки стоит получить ответы на вопросы:

1. Какой бизнес-процесс мы автоматизируем?
2. Как он выполняется сейчас?
3. Почему здесь нужен именно ИИ?
4. Можно ли решить задачу обычной автоматизацией?
5. Какие системы необходимо подключить?
6. Какие корпоративные данные нужны агенту?
7. Какие действия он сможет выполнять самостоятельно?
8. Какие действия потребуют подтверждения?
9. Как будет тестироваться качество?
10. Что происходит при ошибке?
11. Какие журналы и метрики будут доступны?
12. Сколько стоит одна операция после запуска?
13. Кто поддерживает систему дальше?

Формулировка:

«Сделаем вам ChatGPT для бизнеса»

сама по себе не описывает решение.

Агент имеет смысл только тогда, когда понятно, какой процесс он меняет и какой измеримый результат должен дать.

Частые вопросы об ИИ-агентах

Что такое ИИ-агент?

Это программная система на основе искусственного интеллекта, которая получает цель, анализирует ситуацию, использует доступные данные и инструменты и выполняет последовательность действий для достижения результата.

Чем ИИ-агент отличается от ChatGPT?

ChatGPT и другие AI-сервисы могут быть интерфейсом или моделью, которую использует агент.

Главное отличие заключается не в названии модели, а в возможности самостоятельно работать с инструментами и выполнять последовательность действий.

Чем ИИ-агент отличается от чат-бота?

Основная задача чат-бота — вести диалог.

ИИ-агент может использовать диалог только как один из этапов и дополнительно выполнять действия в других системах.

Чем агент отличается от обычной автоматизации?

Обычная автоматизация работает по заранее определённым правилам.

Агент полезен там, где необходимо понимать неструктурированный входящий запрос, учитывать контекст и выбирать следующий шаг.

Может ли ИИ-агент работать полностью самостоятельно?

Да, технически существуют полностью автономные сценарии.

Но уровень автономности должен зависеть от цены ошибки и надёжности конкретного процесса.

Часто разумнее оставить подтверждение человека для критичных действий.

Нужен ли агенту доступ к CRM?

Только если CRM действительно участвует в его задаче.

Агенту следует предоставлять минимально необходимые права.

Может ли ИИ-агент ошибаться?

Да.

Поэтому агентные решения требуют тестирования, ограничений прав, журналирования и контроля критичных действий.

Что такое MCP?

Model Context Protocol — протокол для подключения AI-приложений к внешним данным и инструментам.

Он помогает стандартизировать взаимодействие агентных систем с различными сервисами.

Нужен ли RAG для ИИ-агента?

Не всегда.

RAG нужен, когда системе требуется искать и использовать информацию из корпоративных документов или другой базы знаний.

Если задача не требует такой информации, RAG может быть не нужен.

Можно ли создать ИИ-агента без программирования?

Простые сценарии можно собирать в low-code и no-code инструментах.

Но при сложных интеграциях, высоких требованиях к безопасности и нестандартной логике обычно требуется разработка.

Сколько стоит ИИ-агент?

Стоимость зависит от бизнес-процесса, числа интеграций, корпоративных данных, требований безопасности и уровня автономности.

Поэтому цена определяется после разбора конкретной задачи.

Сколько времени занимает разработка?

Зависит от масштаба.

Ограниченный пилот с одной задачей значительно проще большой агентной системы, связанной с несколькими корпоративными сервисами.

Какие процессы лучше автоматизировать первыми?

Частые, трудоёмкие, достаточно формализуемые процессы с низкой или контролируемой ценой ошибки.

Безопасно ли давать ИИ доступ к корпоративным данным?

Безопасность зависит от архитектуры.

Нужно ограничивать права, разделять доступ, контролировать внешние передачи данных, вести журнал действий и учитывать требования компании к конфиденциальности.

Главное: когда бизнесу нужен ИИ-агент

На фоне интереса к искусственному интеллекту легко усложнить решение без необходимости.

Поэтому полезно помнить простую схему:

• чат-бот отвечает;
• обычная автоматизация следует сценарию;
• ИИ-агент выполняет задачу.

Если нужно всего лишь отправить уведомление после заявки — достаточно автоматизации.

Если нужно отвечать клиентам — возможно, достаточно AI-чат-бота.

Если система должна анализировать ситуацию, получать данные из нескольких источников, выбирать следующий шаг и выполнять действия — тогда появляется реальная задача для агента.

Но начинать стоит не со слов:

«Нам нужен ИИ-агент».

Начинать лучше с вопроса:

«Какой повторяющийся бизнес-процесс сейчас отнимает много времени, из каких шагов он состоит и какую часть этих шагов можно безопасно передать системе?»

Если процесс можно описать, результат измерить, необходимые данные доступны, а потенциальный эффект превышает стоимость разработки и эксплуатации — ИИ-агент превращается из модной технологии в нормальный инструмент автоматизации бизнеса.