ИИ-агенты: что это такое, как работают и где применяются в бизнесе
ИИ-агент — это программа на основе языковой модели, которая получает цель, сама разбивает её на шаги, обращается к нужным системам и доводит задачу до результата. В отличие от чат-бота, который отвечает текстом, агент выполняет действие: открывает заявку, проверяет документ, выдаёт доступ, формирует отчёт.
Разбираем, как агенты устроены, где реально приносят пользу, сколько стоят и с чего начинать внедрение, без обещаний «замены сотрудников».
Разбираем, как агенты устроены, где реально приносят пользу, сколько стоят и с чего начинать внедрение, без обещаний «замены сотрудников».
Что такое ИИ-агент простыми словами
Обычная языковая модель работает по схеме «вопрос - ответ». Вы пишете запрос, получаете текст, дальше всё делаете сами.
Агент устроен иначе. Ему ставят цель, а не вопрос: «обработай входящие заявки за смену», «проверь договор на соответствие шаблону», «подготовь сводку по инцидентам».
Дальше он работает сам:
Ключевое отличие от автоматизации прошлого поколения: агент не следует жёсткому сценарию. RPA-робот ломается, когда меняется форма или порядок полей. Агент читает то, что видит, и подстраивается.
Агент устроен иначе. Ему ставят цель, а не вопрос: «обработай входящие заявки за смену», «проверь договор на соответствие шаблону», «подготовь сводку по инцидентам».
Дальше он работает сам:
- Планирует. Разбивает цель на шаги: что нужно узнать, где взять данные, в каком порядке действовать.
- Использует инструменты. Обращается к API, читает базу, открывает документ, отправляет письмо, меняет статус тикета.
- Оценивает результат. Проверяет, получилось ли, и при неудаче меняет подход.
- Помнит контекст. Держит в памяти историю задачи и результаты предыдущих шагов.
- Отдаёт результат человеку. В корпоративных сценариях последнее слово почти всегда остаётся за сотрудником.
Ключевое отличие от автоматизации прошлого поколения: агент не следует жёсткому сценарию. RPA-робот ломается, когда меняется форма или порядок полей. Агент читает то, что видит, и подстраивается.
Чем ИИ-агент отличается от чат-бота
Разница между ИИ-агентами и традиционными системами вроде ChatGPT, GitHub Copilot или RPA-скриптов — фундаментальная. Если классические ИИ-инструменты отвечают на вопросы или решают узкоспециализированные задачи, то агенты работают в связке, сохраняют память, адаптируются к контексту и взаимодействуют с внешним миром. Разница не в «уме» модели, а в правах и возможностях: чат-бот говорит, агент делает.
ИИ-агенты — это автономные, настраиваемые и интегрируемые системы, которые становятся ядром цифровой трансформации компаний.
Сам агент при этом только исполнитель. Чтобы он доводил длинную задачу до конца, а не останавливался на середине, вокруг него строят внешний цикл с проверкой результата и условием остановки. Разбираем отдельно, как проектируют петли для ИИ-агентов и во что это обходится в токенах.
Простой пример. Сотрудник спрашивает про статус заявки на доступ. Чат-бот ответит: «Проверить статус можно в портале самообслуживания, раздел "Мои заявки"». Агент откроет тикет-систему, найдёт заявку по идентификатору сотрудника, увидит, что она висит на согласовании у руководителя, отправит руководителю напоминание и вернёт человеку конкретику: «Заявка №4821 на согласовании с 14 июля, напоминание отправлено».
Если вы выбираете между моделями для такой задачи, полезно посмотреть сравнение YandexGPT, GigaChat, ChatGPT, Claude и DeepSeek — требования у агента жестче, чем у чата: важны длина контекста, стабильность вызова инструментов и цена за токены при постоянной работе.
Сам агент при этом только исполнитель. Чтобы он доводил длинную задачу до конца, а не останавливался на середине, вокруг него строят внешний цикл с проверкой результата и условием остановки. Разбираем отдельно, как проектируют петли для ИИ-агентов и во что это обходится в токенах.
Простой пример. Сотрудник спрашивает про статус заявки на доступ. Чат-бот ответит: «Проверить статус можно в портале самообслуживания, раздел "Мои заявки"». Агент откроет тикет-систему, найдёт заявку по идентификатору сотрудника, увидит, что она висит на согласовании у руководителя, отправит руководителю напоминание и вернёт человеку конкретику: «Заявка №4821 на согласовании с 14 июля, напоминание отправлено».
Если вы выбираете между моделями для такой задачи, полезно посмотреть сравнение YandexGPT, GigaChat, ChatGPT, Claude и DeepSeek — требования у агента жестче, чем у чата: важны длина контекста, стабильность вызова инструментов и цена за токены при постоянной работе.
Из чего состоит ИИ-агент
Любой агент состоит из пяти слоёв. Понимание этой схемы помогает оценивать предложения подрядчиков и отличать рабочее решение от красивой демонстрации.
1. Языковая модель
Мозг агента: понимает задачу, планирует шаги, формулирует результат. Модель может быть облачной (YandexGPT, GigaChat, ChatGPT, Claude) или развёрнутой на своих серверах — от этого зависит, покидают ли данные периметр компании.
2. Инструменты и интеграции
Руки агента: доступ к 1С, CRM, тикет-системе, почте, файловому хранилищу, внутренним API. Именно здесь проходит граница между демо и рабочим решением. Красивый прототип собирается за день, а на реальную интеграцию с 1С и Active Directory уходит основная часть проекта.
Отраслевым стандартом подключения инструментов постепенно становится MCP (Model Context Protocol) — он позволяет описывать доступы единообразно, а не писать обвязку под каждую систему заново.
Отраслевым стандартом подключения инструментов постепенно становится MCP (Model Context Protocol) — он позволяет описывать доступы единообразно, а не писать обвязку под каждую систему заново.
3. Память и знания
Кратковременная память держит контекст текущей задачи. Долговременная — базу знаний компании: регламенты, инструкции, историю обращений. Чаще всего используется RAG: агент ищет релевантный фрагмент в вашей документации и опирается на него, а не на общие знания модели. Это резко снижает выдумывание.
4. Оркестратор
Логика, которая решает, в каком порядке выполнять шаги, что делать при ошибке, когда остановиться и позвать человека. В простых сценариях её роль выполняет n8n или похожая платформа, в сложных — код на LangGraph и аналогах.
5. Ограничения и контроль
То, что отличает корпоративное внедрение от эксперимента: какие действия агенту разрешены, какие требуют подтверждения, что логируется, какие данные нельзя отправлять во внешнюю модель. Без этого слоя агент нельзя выпускать в продуктив.
Где ИИ-агенты реально работают
Агент оправдан там, где операция повторяется десятки раз в день, имеет понятный вход и выход, а ошибку можно поймать проверкой. Ниже — сценарии, которые чаще всего окупаются.
1. Поддержка и обработка обращений
Агент классифицирует входящее обращение, поднимает историю клиента, готовит ответ и в простых случаях закрывает вопрос сам. Спорные обращения уходят оператору с готовым проектом ответа. Обычно автоматизируется 60–80% типовых обращений — не 100%, и это нормально.
2. ИТ-операции и выдача доступов
Наш собственный сценарий: агент принимает заявку в тикет-системе, сверяет её с матрицей доступов, проверяет согласование руководителя, выполняет операцию в Active Directory и закрывает тикет с комментарием. Человек подключается только к нестандартным случаям.
Здесь особенно важен слой ограничений: агент, который умеет выдавать доступы, должен уметь и отказывать по правилам, а не по настроению модели.
Здесь особенно важен слой ограничений: агент, который умеет выдавать доступы, должен уметь и отказывать по правилам, а не по настроению модели.
3. Работа с документами
Проверка договоров на отклонения от шаблона, извлечение реквизитов, сверка данных между системами, подготовка сводок. Агент отмечает расхождения и передаёт юристу или бухгалтеру — решение остаётся за человеком, но время на вычитку сокращается кратно.
4. Продажи и подготовка предложений
Сбор информации о клиенте из CRM и открытых источников, подготовка коммерческого предложения по шаблону, напоминания менеджеру о зависших сделках, черновики писем после встреч.
5. Внутренние сервисы для сотрудников
Ответы по регламентам, оформление заявок на отпуск и командировки, помощь новичкам. Хороший вход в тему: цена ошибки низкая, а эффект заметен сразу.
Похожие сценарии для одной конкретной модели мы разбирали в статье про YandexGPT в бизнесе — там пять кейсов российских компаний с цифрами.
Похожие сценарии для одной конкретной модели мы разбирали в статье про YandexGPT в бизнесе — там пять кейсов российских компаний с цифрами.
Обзор платформ и готовых агентов
Рынок делится на три группы, и выбор между ними — это выбор компромисса между скоростью и контролем.
Готовые агенты общего назначения. OpenAI Operator работает с браузером: бронирует, заполняет формы, оформляет заказы. ChatGPT Agent подключается к почте, репозиториям и файлам. Manus самостоятельно пишет код и планирует задачи. Быстрый старт, но данные уходят во внешний сервис, а поведение агента вы не контролируете.
Агенты внутри корпоративных платформ. Microsoft, SAP, Salesforce и ServiceNow встраивают агентов в свои продукты. Логично, если компания уже живёт в этой экосистеме: интеграция готова из коробки. Ограничение то же — вы работаете в чужой логике и платите за лицензии.
Собственные агенты на своей инфраструктуре. Модель (открытая или через российское облако), оркестратор, интеграции с вашими системами. Дольше и дороже на старте, зато данные не покидают контур, а логика подстраивается под ваши процессы. Для банков, госсектора и операторов КИИ это единственный допустимый вариант.
Отдельная группа — специализированные решения вроде Artisan AI для продаж или Contextual AI на базе RAG для финансовых компаний. Их стоит смотреть, если ваш процесс совпадает с их специализацией почти дословно.
Готовые агенты общего назначения. OpenAI Operator работает с браузером: бронирует, заполняет формы, оформляет заказы. ChatGPT Agent подключается к почте, репозиториям и файлам. Manus самостоятельно пишет код и планирует задачи. Быстрый старт, но данные уходят во внешний сервис, а поведение агента вы не контролируете.
Агенты внутри корпоративных платформ. Microsoft, SAP, Salesforce и ServiceNow встраивают агентов в свои продукты. Логично, если компания уже живёт в этой экосистеме: интеграция готова из коробки. Ограничение то же — вы работаете в чужой логике и платите за лицензии.
Собственные агенты на своей инфраструктуре. Модель (открытая или через российское облако), оркестратор, интеграции с вашими системами. Дольше и дороже на старте, зато данные не покидают контур, а логика подстраивается под ваши процессы. Для банков, госсектора и операторов КИИ это единственный допустимый вариант.
Отдельная группа — специализированные решения вроде Artisan AI для продаж или Contextual AI на базе RAG для финансовых компаний. Их стоит смотреть, если ваш процесс совпадает с их специализацией почти дословно.
Как внедрить ИИ-агента: пять шагов
1. Выбрать процесс, а не технологию
Начинают не с «нам нужен агент», а с инвентаризации рутины. Хороший кандидат: операция повторяется десятки раз в день, у неё понятный вход и выход, результат может проверить человек, и её стоимость можно посчитать в часах.
2. Посчитать экономику заранее
Сколько человеко-часов в месяц съедает процесс, сколько стоит час специалиста, какую долю операций реально автоматизировать. Если экономия меньше 100 000 ₽ в месяц, процесс не первый кандидат: у внедрения есть фиксированная стоимость входа.
3. Определить доступы и границы
До написания кода: к каким системам агент подключается, что он может делать сам, что требует подтверждения человека, какие данные нельзя отправлять во внешнюю модель. Эти правила потом превращаются в технические ограничения.
4. Собрать пилот на одном сценарии
Три месяца, один процесс, измеримая метрика. Пилот показывает три вещи, которые невозможно узнать заранее: реальную точность на ваших данных, стоимость токенов на вашем объёме и то, как сотрудники примут агента.
5. Вывести в работу с человеком в контуре
На старте агент готовит результат, человек утверждает. По мере накопления статистики часть операций переводят в автоматический режим — те, где точность подтверждена цифрами.
Полный порядок с расчётом экономики и типичными ошибками — в пошаговом плане внедрения ИИ.
Полный порядок с расчётом экономики и типичными ошибками — в пошаговом плане внедрения ИИ.
Сколько стоит разработка ИИ-агента
Прайса «на агента» не существует ни у кого, включая нас: агент — не коробочный продукт, а способ автоматизировать конкретный процесс. Считают стоимость проекта под этот процесс.
Ориентир внедрения корпоративного ИИ: от 300 000 ₽ и от 3 месяцев. В работу входят разбор задачи и данных, проектирование логики, интеграции с 1С, CRM или тикет-системой, настройка ограничений и доступов, тестирование на реальных данных. Агент может быть всем содержанием такого проекта или его частью — зависит от того, что автоматизируется.
Дальше стоимость складывается из трёх регулярных статей.
Токены. Плата за каждый запрос к модели. Считается по объёму: число обращений в месяц, средняя длина промпта и ответа. У агента расход выше, чем у чата: одна задача — это несколько обращений к модели, потому что он планирует, вызывает инструменты и проверяет себя.
Инфраструктура. Для облачных моделей — почти ноль. Для развёртывания в своём контуре — серверы с GPU или их аренда.
Поддержка. Процессы меняются, интеграции ломаются, модель обновляется. Агент — не коробка, которую поставили и забыли.
Точка окупаемости считается просто: стоимость проекта и месячных расходов против высвобожденных часов. Если процесс съедает 200 часов в месяц при стоимости часа 1 500 ₽, а агент закрывает 70% — экономия около 210 000 ₽ в месяц, и проект окупается за второй-третий месяц работы.
Ориентир внедрения корпоративного ИИ: от 300 000 ₽ и от 3 месяцев. В работу входят разбор задачи и данных, проектирование логики, интеграции с 1С, CRM или тикет-системой, настройка ограничений и доступов, тестирование на реальных данных. Агент может быть всем содержанием такого проекта или его частью — зависит от того, что автоматизируется.
Дальше стоимость складывается из трёх регулярных статей.
Токены. Плата за каждый запрос к модели. Считается по объёму: число обращений в месяц, средняя длина промпта и ответа. У агента расход выше, чем у чата: одна задача — это несколько обращений к модели, потому что он планирует, вызывает инструменты и проверяет себя.
Инфраструктура. Для облачных моделей — почти ноль. Для развёртывания в своём контуре — серверы с GPU или их аренда.
Поддержка. Процессы меняются, интеграции ломаются, модель обновляется. Агент — не коробка, которую поставили и забыли.
Точка окупаемости считается просто: стоимость проекта и месячных расходов против высвобожденных часов. Если процесс съедает 200 часов в месяц при стоимости часа 1 500 ₽, а агент закрывает 70% — экономия около 210 000 ₽ в месяц, и проект окупается за второй-третий месяц работы.
Риски и как их контролировать
Самый полезный раздел, который обычно пропускают.
Модель выдумывает. Агент может уверенно сообщить несуществующий факт. Лечится опорой на вашу документацию через RAG, проверкой критичных полей по формальным правилам и обязательным подтверждением человека на важных шагах.
Избыточные права. Агент с широкими доступами способен натворить больше, чем ошибающийся сотрудник, и быстрее. Права выдаются по минимуму, необратимые действия — только с подтверждением.
Утечка данных. При работе с облачной моделью фрагменты документов уходят наружу. Решения два: развернуть модель в своём контуре или пропускать запросы через AI-гейтвей с фильтрацией и журналированием.
Неконтролируемые расходы. Агент, зациклившийся на задаче, может сжечь месячный бюджет токенов за ночь. Нужны лимиты на задачу и на пользователя, плюс мониторинг.
Сопротивление сотрудников. Если агент воспринимается как угроза рабочему месту, его будут саботировать. Работает честная рамка: агент забирает рутину, решения остаются за человеком.
Модель выдумывает. Агент может уверенно сообщить несуществующий факт. Лечится опорой на вашу документацию через RAG, проверкой критичных полей по формальным правилам и обязательным подтверждением человека на важных шагах.
Избыточные права. Агент с широкими доступами способен натворить больше, чем ошибающийся сотрудник, и быстрее. Права выдаются по минимуму, необратимые действия — только с подтверждением.
Утечка данных. При работе с облачной моделью фрагменты документов уходят наружу. Решения два: развернуть модель в своём контуре или пропускать запросы через AI-гейтвей с фильтрацией и журналированием.
Неконтролируемые расходы. Агент, зациклившийся на задаче, может сжечь месячный бюджет токенов за ночь. Нужны лимиты на задачу и на пользователя, плюс мониторинг.
Сопротивление сотрудников. Если агент воспринимается как угроза рабочему месту, его будут саботировать. Работает честная рамка: агент забирает рутину, решения остаются за человеком.
Чего не стоит ждать
Трезвая рамка перед началом проекта.
Агент не заменит отдел. Он закрывает 60–80% типовых операций одного процесса, оставляя людям сложные случаи и решения.
Агент не работает «из коробки». Ценность создаётся интеграциями и правилами, а не самой моделью — она у всех примерно одинаковая.
Агент не даст 100% точности. Ни одна модель не даёт. Правильная схема — «агент делает, человек проверяет критичное», и компании, которые ждут идеала, не внедряют ничего.
Первый проект не будет быстрым. Три месяца на пилот — реалистичный срок. Второй и третий процессы подключаются быстрее: архитектура и интеграции переиспользуются.
Агент не заменит отдел. Он закрывает 60–80% типовых операций одного процесса, оставляя людям сложные случаи и решения.
Агент не работает «из коробки». Ценность создаётся интеграциями и правилами, а не самой моделью — она у всех примерно одинаковая.
Агент не даст 100% точности. Ни одна модель не даёт. Правильная схема — «агент делает, человек проверяет критичное», и компании, которые ждут идеала, не внедряют ничего.
Первый проект не будет быстрым. Три месяца на пилот — реалистичный срок. Второй и третий процессы подключаются быстрее: архитектура и интеграции переиспользуются.
Если у вас есть процесс, который выглядит подходящим для агента, самый короткий путь — посчитать его экономику до старта: сколько часов он съедает, какую долю операций реально передать агенту и что это даст в деньгах. Мы занимаемся разработкой и внедрением ИИ-агентов под конкретные процессы: интеграции с 1С, CRM и тикет-системами, работа в защищённом контуре, контроль доступов и расходов.
Частые вопросы об ИИ-агентах
- Чем ИИ-агент отличается от чат-бота?Чат-бот отвечает на вопросы по базе знаний, агент выполняет процесс: получает цель, планирует шаги, обращается к системам компании и доводит задачу до результата. Бот подсказывает, где посмотреть статус заявки, агент сам открывает заявку, проверяет данные и меняет её статус.
- Сколько стоит разработка ИИ-агента?Фиксированной цены на агента нет — считают стоимость проекта под конкретный процесс. Ориентир: внедрение корпоративного ИИ под одну задачу стоит от 300 000 ₽ и занимает от 3 месяцев — разбор процесса, интеграции с 1С, CRM или тикет-системой, настройка доступов, тестирование и поддержка.
- Можно ли развернуть ИИ-агента в закрытом контуре?Да. Агент строится на открытой LLM, развёрнутой на серверах компании, и работает без выхода в интернет. Такой вариант выбирают, когда в процессе есть персональные данные или коммерческая тайна.
- С каких процессов начать внедрение ИИ-агентов?С операций, которые повторяются десятки раз в день и имеют понятный вход и выход: обработка заявок, выдача доступов, проверка документов, ответы на типовые вопросы сотрудников. Критичные решения оставляют человеку — агент готовит результат, человек утверждает.
- Хотите понять, как ИИ-агенты могут работать на ваш бизнес? Свяжитесь с нами, и мы подберем решение, соответствующее вашим целям.