ИИ-агенты для бизнеса: что это такое и какие бывают

ИИ-агент — это программа, которой вы задаёте цель, а она сама выбирает шаги к ней: ходит в ваши системы, вызывает нужные инструменты, проверяет результат и повторяет цикл, пока задача не закрыта. Чат-бот в этой же логике только отвечает на вопрос и останавливается. Разница не в вежливости ответов, а в том, кто решает, что делать дальше.

Ниже — что вендоры называют агентом, какие типы агентов существуют, где они уже работают в российских компаниях, почему Gartner прогнозирует отмену больше 40% агентных проектов, как отличить настоящего агента от перекрашенного бота и кто по закону отвечает за его ошибку.

Что такое ИИ-агент простыми словами?

Агент — это связка «модель + инструменты + цикл принятия решений». Человек ставит цель, модель разбивает её на шаги, дёргает инструменты (CRM, база данных, почта, внешний API), смотрит на результат каждого шага и корректирует план. Google в своём техническом описании раскладывает агента ровно на три части: модель как «мозг», инструменты как руки, и слой оркестрации как нервная система, которая крутит петлю «наблюдение — рассуждение — действие».

Самую практичную границу провела Anthropic. Сценарий (workflow) — это система, где «LLM и инструменты оркестрируются заранее прописанными путями в коде». Агент — система, где «LLM сам динамически управляет своими процессами и использованием инструментов». То есть в сценарии маршрут задал программист, в агенте маршрут выбирает модель по ходу дела.

Ещё одна важная оговорка от IBM, которая экономит деньги на переговорах с подрядчиком: «сам по себе вызов инструментов не делает LLM агентом». Если модель умеет дёргать API, но порядок вызовов зашит в код, у вас сценарий — и это нормально. Агентом система становится там, где порядок шагов заранее неизвестен.

Чем ИИ-агент отличается от чат-бота и RPA?

Тремя вещами: кто выбирает последовательность шагов, что происходит при отклонении от сценария и с какими данными система умеет работать. Чат-бот идёт по дереву диалога, RPA-робот исполняет скрипт «если — то», агент строит план под цель и пересобирает его на ходу.

Отсюда рабочая эвристика для собственника. Если задача формулируется глаголом «ответить» — это бот. Если глаголом «сделать» — это агент. Разобрать входящее письмо, вытащить из него позиции заказа, сверить с остатками, создать сделку и написать клиенту уточняющий вопрос — «сделать».

RPA при этом никуда не девается. Он хорош там, где операции массовые, правила жёсткие, а системы годами не меняются. Частая рабочая схема — гибрид: агент выносит суждение (что это за документ, куда его отнести, надо ли звать человека), а RPA выполняет механический перенос данных.

Какие бывают ИИ-агенты по устройству?

Классификация с настоящим первоисточником одна — из учебника Стюарта Рассела и Питера Норвига «Искусственный интеллект: современный подход», глава про интеллектуальных агентов. Она описывает пять типов по нарастанию сложности поведения.

1. Простой рефлексный. Правило «условие — действие», без памяти. Пришло письмо со словом «счёт» — положить в папку «Бухгалтерия».
2. Рефлексный с моделью мира. Держит внутреннее состояние и учитывает историю: помнит, что этот клиент уже писал вчера и о чём.
3. Целевой. Рассуждает о будущем и выбирает действия исходя из цели: «собрать полный комплект документов по сделке», а не «обработать одно письмо».
4. Утилитарный. Оценивает исходы не по шкале «получилось или нет», а по функции полезности: какой маршрут дешевле, какой ответ клиенту повышает шанс сделки.
5. Обучающийся. Меняет поведение по обратной связи: то, что оператор поправил вручную, в следующий раз агент делает сам.

Осторожно с «уровнями автономии». Единого стандарта, как SAE-уровни для беспилотных автомобилей, для ИИ-агентов не существует. Красивые лестницы «от бота до автономной системы» в блогах — редакционная метафора, полезная для объяснения спектра, но ссылаться на неё как на стандарт нельзя.

Где ИИ-агентов применяют в российских компаниях?

Прежде всего в документообороте и обработке заявок. По исследованию СберАналитики и Сбер Бизнес Софт (ноябрь 2025, 559 респондентов), ИИ-агентов и ассистентов используют около 39% опрошенных компаний. Из процессов чаще всего автоматизируют документооборот и обработку заявок (70%), бухгалтерию и финансовый учёт (55%), HR (34%) и клиентскую поддержку (30%).

Эффект в том же исследовании тоже посчитан: ИИ-ассистенты на первой линии поддержки и в колл-центрах снижают трудозатраты до 30–40%, 45% респондентов отмечают ускорение рутинных задач, 36% — меньше ошибок в документах.

Если разложить по функциям, картина такая:

• Первая линия поддержки и продаж — отвечает на типовые вопросы, квалифицирует лид, кладёт сделку в CRM. Про экономику этого сценария у нас есть отдельный разбор с расчётом окупаемости: когда AI-агент первой линии окупается.
• Документооборот — распознаёт входящую первичку, сверяет реквизиты, заводит документ в учётную систему. Как это выглядит на 1С — в разборе про распознавание первичных документов.
• Финансы и учёт — сверка платежей с накладными, разнесение по статьям, подготовка отчётности.
• Аналитика — собирает данные из разных систем и отвечает на вопрос владельца словами, а не выгрузкой в Excel.
• Закупки и снабжение — оценивает отгрузки, ищет расхождения в поставках.

Общее у всех сценариев одно: агент окупается там, где есть поток однотипных операций с неструктурированными данными и с понятной ценой ручного труда.

Почему Gartner прогнозирует отмену больше 40% агентных проектов?

Из-за растущих издержек, неясной бизнес-ценности и слабого контроля рисков. В пресс-релизе от 25 июня 2025 года Gartner прогнозирует, что свыше 40% проектов агентного ИИ будут свёрнуты до конца 2027 года. Формулировка аналитика жёсткая.

«Большинство проектов агентного ИИ сейчас — это ранние эксперименты или proof of concept, которые в основном движимы хайпом и часто применяются не по адресу» — Анушри Верма, старший директор-аналитик Gartner, из пресс-релиза от 25 июня 2025 года (перевод с английского).

Похожую картину показал доклад MIT NANDA «The GenAI Divide» (август 2025): около 95% корпоративных пилотов генеративного ИИ не дают измеримого эффекта на прибыль. Причина в докладе названа не технологической: универсальные инструменты хороши для людей, но не встраиваются в рабочие процессы компании. Показателен второй вывод того же исследования — проекты, где решение покупали у профильного вендора, доходили до результата примерно в 67% случаев, а собственные внутренние разработки — втрое реже.

Читать это стоит не как «ИИ не работает», а как «агент без посчитанного процесса и без ответственного владельца не работает». Провал закладывается до старта: нет потока, нет метрики в деньгах, нет базы знаний.

Как отличить настоящего агента от перекрашенного бота?

По тому, кто выбирает порядок действий, и по тому, что происходит на границе сценария. Gartner для явления, когда старый продукт переклеивают ярлыком «agentic», ввёл термин «agent washing» и оценивает, что из тысяч вендоров, называющих себя агентными, реальные агентные возможности есть примерно у 130.

Пять вопросов подрядчику, которые снимают большую часть тумана:

1. Что произойдёт, если клиент задаст вопрос, которого нет в сценарии? Ответ «мы допишем сценарий» означает бот.
2. Какими инструментами агент пользуется и решает ли он сам, когда их вызвать? Список из одного вызова — это интеграция, не агентность.
3. Как агент понимает, что задача выполнена? Если критерия успеха нет, петли принятия решений тоже нет.
4. Что происходит при низкой уверенности модели? Должна быть явная передача человеку с контекстом диалога, а не выдуманный ответ.
5. Где живёт база знаний и кто её обновляет? Без ответа на этот вопрос агент через три месяца отвечает по устаревшему прайсу.

Ответы на эти пять вопросов, зафиксированные в договоре, отличают систему от демонстрации.

Когда ИИ-агент не нужен?

Когда задачу закрывает сценарий. Это говорит сам разработчик одной из ведущих моделей.

«Найдите простейшее возможное решение и наращивайте сложность только при необходимости. Это вполне может означать, что агентные системы строить не нужно вовсе. Агентные системы часто разменивают задержку и стоимость на качество решения задачи» — Anthropic, Building Effective Agents (перевод с английского).

Логика простая: агент дороже и медленнее сценария, потому что модель делает несколько проходов вместо одного. Платить за это имеет смысл там, где жёсткие правила ломаются, — на неструктурированных данных и в задачах с ветвлением, которое нельзя перечислить заранее.

Второй ограничитель — цена ошибки без человека в петле. Taco Bell развернула голосовой ИИ более чем в 500 драйв-тру, а затем начала пересматривать ставку на него после серии сбоев: один из посетителей заказал 18 000 стаканов воды, чтобы система сдалась и позвала живого человека. Директор по цифровым технологиям сети Дэйн Мэтьюз описал опыт коротко: «Иногда он меня подводит, а иногда по-настоящему удивляет». Вывод компании — в час пик в загруженных точках человек справляется лучше.

Кто отвечает, если ИИ-агент ошибся?

Бизнес, который развернул агента, — даже если систему делал подрядчик. Юристы Clifford Chance описывают это как «liability gap»: дисклеймеры вендора снимают ответственность с вендора, но не снимают её с компании перед её собственным клиентом и регулятором.

«По условиям многих технологических соглашений об агентном ИИ бизнес, приобретающий технологию (то есть заказчик), в конечном счёте несёт риск действий, предпринятых ИИ-агентами» — Clifford Chance, Agentic AI: the liability gap your contracts may not cover, февраль 2026 (перевод с английского).

Практический вывод для договора и для архитектуры: границы автономии агента должны быть описаны явно. Что он делает сам, что делает только с подтверждением оператора, где обязана произойти передача человеку. Агент, которому разрешено выставлять счета и подписывать документы без подтверждения, — это не экономия, а перенос риска на владельца бизнеса.

Что с персональными данными и 152-ФЗ?

Отправка текста с персональными данными во внешнюю языковую модель — это уже обработка персональных данных. Если модель зарубежная, добавляется трансграничная передача со своими требованиями к нотификации и согласию субъекта.

«Как только ты отправил такой текст в модель — ты начал обрабатывать персональные данные и попал под 152-ФЗ» — Александр Ерошкин, материал на vc.ru, 17 июня 2025 года.

Рабочих вариантов три, и они различаются по цене и по строгости:

1. Обезличивание до отправки. Если в модель не уходит ни одного персонального данного, вопрос трансграничной передачи снимается целиком. Самый дешёвый путь, требует аккуратной подготовки данных.
2. Российский провайдер. Yandex Cloud заключает договор поручения на обработку, что даёт легальную рамку. GigaChat отправку персональных данных в запросах прямо запрещает — только обезличенные.
3. Модель с открытыми весами в своём контуре. Данные не покидают периметр компании, локализация выполняется по построению. Дороже по инфраструктуре, но снимает почти все вопросы.

Подробный разбор того, как собрать контур, из которого данные не утекают, — в статье «Нейросети без утечки данных».

С чего начать, если агент всё-таки нужен?

С процесса и цифры, а не с выбора модели. Порядок, который экономит бюджет:

1. Найдите поток. Сколько однотипных операций в месяц, сколько минут занимает каждая, сколько стоит час сотрудника. Если поток небольшой, экономия не покроет стоимость сопровождения.
2. Сформулируйте цель в деньгах или часах. «Внедрить ИИ» — не цель. «Снять 70% типовых обращений с первой линии» — цель, у которой есть метрика.
3. Соберите базу знаний. Регламенты, прайсы, ответы на частые вопросы. Без неё агент будет уверенно выдумывать, и это заметят клиенты раньше вас.
4. Начните со сценария. Если жёсткая логика закрывает 80% случаев, агент нужен только на оставшиеся 20% — и стоить это будет заметно меньше.
5. Опишите границы автономии и передачу человеку. До запуска, а не после первого инцидента.
6. Заведите владельца системы. Того, кто обновляет базу знаний и смотрит на метрику. Без него проект попадает в те самые 40% отменённых.

Если вы пока выбираете, что вообще автоматизировать первым, начните с общей карты — мы собрали её в разборе «Автоматизация бизнеса: с чего начать». А если процесс уже понятен и нужен агент под него — это заказная разработка: система собирается под ваш регламент, по договору, с данными в РФ и с сопровождением после сдачи.

Источники

• Anthropic, Building Effective Agents — граница между сценарием и агентом.
• OpenAI, A Practical Guide to Building Agents — определение агента и область применения.
• IBM, AI agents vs. AI assistants — почему вызов инструментов сам по себе не делает модель агентом.
• Gartner, пресс-релиз от 25 июня 2025 года — прогноз отмены свыше 40% проектов и оценка «agent washing».
• СберАналитика и Сбер Бизнес Софт (ноябрь 2025, 559 респондентов), изложение на CNews — доля компаний РФ и автоматизируемые процессы.
• MIT NANDA, «The GenAI Divide: State of AI in Business 2025», изложение в Fortune — 95% пилотов без эффекта на прибыль.
• TechCrunch, Taco Bell пересматривает ставку на ИИ в драйв-тру, 30 августа 2025 года.
• Clifford Chance, Agentic AI and the liability gap, февраль 2026 года.
• Александр Ерошкин, LLM и персональные данные: как избежать нарушений 152-ФЗ, vc.ru, 17 июня 2025 года.
• Stuart Russell, Peter Norvig, «Artificial Intelligence: A Modern Approach», глава 2 — пять типов агентов.