Что такое AI-агенты и как внедрить их в бизнес

Разберёмся, что такое AI-агенты, без маркетингового тумана. AI-агент — это программа на основе большой языковой модели, которая не просто отвечает на вопросы, а выполняет задачу: сама решает, какие шаги сделать, обращается к вашим системам — CRM, 1С, почте, базе документов — и доводит работу до результата или передаёт её человеку в понятном виде.

За последние два года агенты прошли путь от демо на конференциях до рабочих инструментов в продажах, поддержке и документообороте. Ниже — как они устроены, где дают эффект, а где пока нет, и как внедрить их так, чтобы окупить вложения.

Чем AI-агент отличается от чат-бота

Классический чат-бот работает по сценарию: распознал намерение — выдал заготовленный ответ. Чат-бот на языковой модели отвечает гибче, но всё равно только отвечает. Агент действует. Если обобщить, ИИ-агент — это модель плюс инструменты, память и цель.

Пример. Клиент пишет: «Нужен проектор для зала на 200 человек, бюджет до 300 тысяч». Чат-бот пришлёт ссылку на каталог. Агент уточнит параметры зала, подберёт 3 модели по каталогу с учётом остатков, рассчитает комплект, подготовит коммерческое предложение и создаст сделку в CRM с назначенным менеджером.

Как устроена агентная система

Рабочая агентная система — это не один промпт, а инженерная конструкция из нескольких слоёв.

• Языковая модель — «мозг», который понимает запрос и планирует действия. Выбор модели зависит от задачи, требований к качеству и к размещению данных.
• Инструменты — функции, которые агент может вызывать: поиск по CRM, запрос остатков, создание документа. Всё чаще они подключаются через открытый стандарт Model Context Protocol (MCP).
• RAG (Retrieval-Augmented Generation) — поиск по корпоративным документам: регламентам, каталогам, договорам. Агент отвечает на основе ваших данных, а не общих знаний модели, и может сослаться на источник.
• Память — история взаимодействий с клиентом и состояние процесса.
• Оркестрация — если задач много, их делят между специализированными агентами: один квалифицирует лид, второй подбирает товар, третий проверяет КП. Такая мультиагентная схема надёжнее одного «универсального» агента.
• Контроль — права доступа, лимиты, журнал всех действий и точки, где решение подтверждает человек.

Примеры AI-агентов в бизнесе

Лучшие кандидаты на автоматизацию — процессы с большим объёмом однотипной работы с текстом и данными, где ошибка обнаруживается и исправляется до того, как нанесёт ущерб.

• Продажи: квалификация входящих заявок, подбор товара по каталогу, подготовка КП, напоминания о зависших сделках.
• Поддержка: ответы по базе знаний, классификация и маршрутизация обращений, черновики ответов для операторов.
• Документооборот: извлечение данных из счетов и актов, сверка с договором, проверка на соответствие шаблону.
• Закупки: сравнение предложений поставщиков, контроль сроков и условий.
• HR: первичный скрининг резюме, ответы кандидатам, назначение интервью.
• Аналитика: ответы на вопросы руководителя по данным из учётных систем на естественном языке.

Пример из нашей практики — отдел продаж из AI-агентов для дистрибьютора: система квалифицирует лиды, подбирает оборудование по каталогу из 40 000 позиций, готовит КП и передаёт сделку менеджеру в Bitrix24. Время ответа клиенту — меньше 30 секунд, конверсия в КП выросла на 38%. В платформе найма агент скринит резюме и помогает сократить время закрытия вакансии.

Где агент пока не нужен

• Процесс выполняется редко — раз в неделю или месяц. Затраты на разработку не окупятся.
• Задача полностью детерминирована: если правила можно записать формулой, обычная автоматизация дешевле и надёжнее.
• Нет данных: регламенты не записаны, каталог в головах сотрудников. Сначала нужно навести порядок в информации.
• Цена единичной ошибки несоизмеримо высока, а проверить результат агента человеком нельзя.

Честная оценка на этом этапе экономит больше денег, чем любая оптимизация промптов: часть задач лучше решить интеграцией, скриптом или изменением регламента, а агентов оставить там, где нужна работа с неструктурированным текстом и суждение.

Как внедрить ИИ в бизнес: пошаговый план

1. Аудит процессов. Выписываем 5–10 процессов с наибольшими затратами времени сотрудников и оцениваем каждый по объёму, повторяемости, цене ошибки и доступности данных.
2. Выбор пилота. Один процесс с измеримой метрикой: время ответа, число обработанных документов, конверсия. Не начинайте с самого сложного и самого рискованного.
3. Подготовка данных. Регламенты, каталоги, история переписок. Качество агента на 80% определяется качеством данных, а не моделью.
4. Прототип и оценка. Собираем набор из 100–300 реальных кейсов с правильными ответами и прогоняем агента. Без такого набора невозможно понять, стало ли лучше.
5. Пилот с человеком в контуре. Агент готовит решения, сотрудник подтверждает. Собираем метрики и ошибки.
6. Расширение прав и масштабирование. Где качество стабильно высокое — убираем ручное подтверждение, подключаем следующие процессы.

Такой подход похож на запуск любого нового продукта: сначала минимальная версия, потом рост по данным. Подробнее о логике — в статье разработка MVP.

Сколько стоит внедрение и как посчитать окупаемость

Справочно разработка агентной системы стоит от 500 000 ₽. Точная стоимость зависит от числа процессов и агентов, количества интеграций, требований к размещению и объёма данных — её мы называем после проработки ТЗ. Ориентиры по всем продуктам — на странице цены на разработку.

Кроме разработки есть операционные расходы: оплата вызовов языковой модели или собственных серверов с GPU, хранилище векторного поиска, мониторинг. Они зависят от объёма обращений и могут составлять от нескольких тысяч до сотен тысяч рублей в месяц.

Окупаемость считается просто. Пример на условных цифрах: 4 менеджера тратят по 3 часа в день на подбор товара и КП. Это около 260 часов в месяц. Если агент берёт на себя 70% этой работы, освобождается примерно 180 часов. При стоимости часа менеджера 800 ₽ это порядка 145 000 ₽ в месяц — плюс эффект от более быстрого ответа клиентам. Вычтите операционные расходы и получите срок окупаемости.

Важно считать эффект не только в сэкономленных часах. Высвобожденное время менеджеров должно превратиться во что-то измеримое: больше обработанных заявок, выше конверсия, быстрее цикл сделки. Если люди просто стали меньше загружены, экономия остаётся на бумаге. Поэтому метрику успеха пилота фиксируйте до его старта и сравнивайте с базовым периодом.

Безопасность и данные

Для предприятий это обычно главный вопрос. Базовые требования, которые мы закладываем с первого дня:

• Размещение в вашем контуре — on-premise или частное облако, при необходимости с моделями, развёрнутыми внутри периметра.
• Соответствие 152-ФЗ: персональные данные обезличиваются или не покидают ваших серверов.
• Минимальные права для каждого агента и журнал всех его действий.
• Защита от prompt injection: агент не выполняет инструкции, пришедшие в письмах, документах и сообщениях клиентов.
• Человек подтверждает необратимые действия: платежи, отправку документов, изменение цен.

Контроль качества после запуска

Агент — не проект «сделали и забыли». Меняются каталог, цены, регламенты, выходят новые версии моделей — и качество ответов может незаметно просесть. Поэтому в систему встраиваются: регулярный прогон эталонного набора кейсов, выборочная проверка диалогов сотрудником, метрики доли эскалаций на человека и доли исправленных черновиков, алерты при резком росте ошибок. Каждое изменение промптов или модели сначала проверяется на эталонном наборе и только затем выкатывается в работу.

Отдельно стоит продумать зависимость от поставщика модели. Архитектура, в которой модель — заменяемый компонент, позволяет переключиться на другую модель или на развёрнутую в вашем контуре без переписывания всей системы.

Подробнее о направлении — на странице разработка AI-агентных систем. Как проверить подрядчика на опыт в таких проектах, мы описали в статье как выбрать подрядчика на разработку.