Внедрение ИИ-агентов: какие процессы отдавать первыми и где агент ломается

Внедрение ИИ-агента — это перевод одного рабочего процесса компании на систему, которая получает задачу словами, сама ходит в ваши данные и меняет их состояние: заводит обращение, ставит резерв, переносит запись. Работа состоит из выбора процесса, описания регламента и границ автономии, интеграции с учётными системами, пилота на ограниченном контуре и постоянной эксплуатации с владельцем и метрикой. Покупка подписки на ассистента внедрением не считается: там ничего не меняется в ваших системах.

Ниже — по каким признакам выбирают первый процесс и какие процессы отдавать рано, как устроен пилот, который что-то доказывает, и главное: где агент ломается в действующей компании. Придуманные ответы на нетиповых обращениях, отсутствие передачи человеку, интеграция с 1С и CRM как основная часть трудозатрат, ответственность за ошибку перед клиентом и требования 152-ФЗ, когда в запрос попадают персональные данные.

С чего начинается внедрение ИИ-агента?

Коротко: с выбора одного процесса и назначения владельца, а не с выбора модели или платформы.

Цифры по российскому рынку за этот год объясняют, почему порядок важнее инструмента. Консалтинговая компания «Интеллектуальная аналитика» опросила около 50 крупнейших компаний из ИТ, промышленности, финансового сектора, госуправления, транспорта и логистики. Опрос шёл с декабря 2025 по февраль 2026 года. Что стало с пилотами, запущенными в 2025 году:

Третья строка — часть второй, а не отдельная группа. Отдельно в том же опросе половина руководителей перенесла сроки внедрения на вторую половину 2026 года.

«Запуск был не практичных ИТ-проектов, а громких инициатив с сильным эффектом лишь в маркетинговых стратегиях самих компаний» — CNews, 24 марта 2026 года.

При этом спрос никуда не делся. По исследованию «СберАналитики» и «Сбер Бизнес Софт» (опрос ноября 2025 года, 559 респондентов), «39% организаций уже используют ИИ-агентов и ИИ-ассистентов для решения различных задач» (изложение на ComNews, 22 января 2026). Разрыв между «уже используют» и «довели до эффекта» и есть содержание этой статьи.

Какие процессы отдавать агенту первыми?

Коротко: те, где много однотипных повторов, есть письменный регламент, терпимая цена ошибки и измеримый результат.

Четыре признака работают вместе, и слабость любого из них переносит процесс в конец очереди.

1. Объём повторов. Считается потоком операций в месяц и минутами на операцию. Небольшой поток не окупит сопровождение, каким бы раздражающим он ни был.
2. Письменный регламент или база знаний. Прайс, условия, ответы на частые вопросы, порядок действий с исключениями. Если процесс живёт в голове у одного сотрудника, сначала его описывают словами. Агент не восстановит логику, которой нет на бумаге, — он её придумает.
3. Цена ошибки. Ошибка в ответе на вопрос о графике работы стоит извинения. Ошибка в расчёте скидки стоит денег и всплывает через месяцы.
4. Метрика. Доля обращений, закрытых без человека; время первого ответа; количество ручных операций в месяц. Процесс, который нечем измерить, невозможно принять по акту.

Что чаще всего проходит по всем четырём:

Структура спроса эту логику подтверждает. В том же опросе «СберАналитики» чаще всего автоматизируют документооборот и обработку заявок (70%), бухгалтерию и финансовый учёт (55%), HR-процессы и стратегическое планирование (по 34%), поддержку клиентов (30%). Оговорка важная: это доли по применению ИИ в целом, а не по агентам отдельно. Международная картина похожа: по анализу «Якова и Партнёров» (30 июля 2026 года), 51% изученных агентных решений закрывают вспомогательные функции, ещё 37% — обслуживание клиентов, маркетинг и продажи.

Как это выглядит в живом контуре, видно на двух наших кейсах. У застройщика (кейс) бот ведёт первую линию входящих, а квалифицированные обращения сами попадают в CRM, где сделку дальше ведёт человек. В сети сервисных филиалов (кейс) AI-администратор записывает и переносит визиты круглосуточно, а расписание исключает двойные записи. Оба процесса попадают под все четыре признака: поток повторов, готовый регламент, терпимая цена ошибки, измеримый результат.

Почему процесс без письменного регламента нельзя автоматизировать?

Коротко: агент воспроизводит описанное поведение, а неописанное додумывает — и делает это уверенно.

Регламент решает три задачи сразу. Он задаёт источник правды для ответов, определяет исключения (когда сотрудник зовёт коллегу — там же агент обязан звать человека) и превращается в критерии приёмки. Без него нельзя ответить на вопрос «что считать ошибкой», а значит нельзя собрать ни тесты, ни акт.

Порядок здесь такой: описать процесс так, как его сегодня выполняет человек, по шагам, включая ветвления. Обычно на этом этапе выясняется, что два сотрудника делают одно и то же по-разному, и до всякого ИИ компания получает первую пользу — согласованный порядок действий.

Отдельно стоит проверить, не хватает ли обычного сценария. Anthropic рекомендует не начинать с агента, если задача решается заранее прописанным маршрутом:

«Успех в работе с языковыми моделями — не в том, чтобы построить самую сложную систему, а в том, чтобы построить систему, которая подходит вашей задаче» — Anthropic, Building effective agents, перевод с английского.

Если жёсткая логика закрывает 80% обращений, агент нужен на оставшиеся 20%, и стоить это будет заметно меньше. Разбор различий между сценарием и агентом — в статье ИИ-агенты для бизнеса: что это.

Как устроен пилот, который что-то доказывает?

Коротко: ограниченный контур, заранее записанные критерии приёмки и срок, после которого проект либо идёт дальше, либо закрывается.

Пилот проверяет пользу, а не работоспособность технологии. Работоспособность сегодня сомнений не вызывает, и именно поэтому демонстрации так легко проходят: их показывают на чистых данных и типовых вопросах.

Что задаётся до запуска:

1. Границы контура. Один филиал, один канал, один тип обращений, часть потока. Меньше поверхность — дешевле ошибка.
2. Критерии приёмки числами. Какую долю обращений агент закрывает сам, какая доля передач человеку считается нормой, что признаётся ошибкой.
3. Владелец. Живой сотрудник, который читает журнал действий, разбирает спорные случаи и обновляет базу знаний. Без него проект возвращается через полгода в виде инцидента.
4. Срок и решение на выходе. Дата, к которой смотрят на метрику и принимают одно из трёх решений: расширяем, переделываем, закрываем.
5. База сравнения. Как процесс шёл до агента: сколько операций, сколько времени, сколько стоил час сотрудника. Без замера «до» экономию потом посчитать нечем.

Пункт про сравнение выглядит скучным и пропускается чаще остальных. Он же объясняет те 30–40% пилотов, которые свернули из-за отсутствия ожидаемого финансового эффекта: эффект мог быть, но его нечем было предъявить финансовому директору. Методику расчёта окупаемости на конкретном процессе мы разбирали в статье про AI-агента первой линии, а полную смету внедрения — в разборе этапов и стоимости.

Почему пилот не превращается в работающую систему?

Коротко: потому что ломается не модель, а всё, что вокруг неё — данные, права, интеграции и отсутствие сценария отказа.

«Яков и Партнёры» изучили 30 продуктов (18 международных и 12 российских) и 65 публично описанных примеров внедрения (43 международных и 22 российских). Продукты оценивали по шести операционным критериям агентности: агентный цикл, планирование, работа с инструментами, самокоррекция, память и автономное завершение задачи. Полноценным агентом считалось решение, набравшее минимум пять.

• 7 из 18 международных продуктов (39%) прошли по критериям;
• среди 12 российских публично доступных продуктов готовых агентов не оказалось: четыре лидера — платформы для самостоятельной сборки, остальные восемь — узкие ассистенты и чат-боты;
• 23% международных внедрений дотянули до высоких уровней автономности L4–L5, среди российских кейсов таких оказалось 4 из 22;
• эффект свыше 5% EBITDA зафиксировали 9% компаний — из 150 крупнейших организаций выборки, каждая из которых провела хотя бы один пилот по ключевым ИИ-технологиям.

«Сегодня слово «агент» часто описывает не архитектуру продукта, а его маркетинговое позиционирование» — Максим Болотских, партнёр «Якова и Партнёров», CNews, 30 июля 2026 года.

Терминологию Gartner описал ещё раньше словом agent washing — переклейка названия «агент» на существующие продукты без реальных агентных возможностей. Там же прогноз, сделанный в июне 2025 года: более 40% агентных проектов будут закрыты до конца 2027 года из-за растущих расходов, неясной пользы и недостаточного контроля рисков (пресс-релиз Gartner от 25 июня 2025). Оценке больше года, и читать её стоит как прогноз, а не как замер.

Для компании-заказчика вывод простой: демонстрация показывает верхний слой, а решают нижние. Ниже — три места, где рвётся чаще всего.

Почему агент придумывает ответы на нетиповых обращениях?

Коротко: на границе базы знаний модель предпочитает складный ответ признанию незнания.

Типовые вопросы агент закрывает ровно. Проблемы начинаются там, где формулировка выходит за корпус: нестандартные условия договора, жалоба, юридический вопрос, редкий товар, ссылка на устную договорённость с менеджером. Модель по своей природе продолжает текст, и в отсутствие данных продолжение получается складным и неверным.

Что снимает большую часть риска:

1. Ответ строится только из вашей базы знаний. Регламенты, прайсы, условия. Общие знания модели используются для понимания вопроса, а не для придумывания ответа.
2. Разрешённый отказ. «Я не знаю, соединяю с менеджером» должен быть штатным поведением, а не признаком поломки. Долю таких ответов измеряют: она показывает дыры в базе знаний.
3. Список запретных тем. Юридические оценки, обещания сроков и скидок, комментарии по претензиям — фиксируются как безусловная передача человеку.
4. Регрессионные проверки. Набор реальных нетиповых обращений, на котором прогоняют каждое изменение промпта или базы. Без него правка ради одного случая тихо ломает пять других.

Отдельная проверка перед запуском — прогон на грязных данных. Не на подготовленной выборке, а на выгрузке реальных обращений за месяц, с опечатками, голосовыми расшифровками и обрывками фраз.

Что будет, если не настроить передачу человеку?

Коротко: без описанной эскалации агент доводит до конца сценарии, которые обязан был отдать оператору.

Эскалация задаётся списком сигналов, а не общей фразой «если что-то пошло не так». Рабочий набор:

• клиент прямо просит человека;
• один и тот же вопрос повторяется второй раз (ответ не подошёл);
• в диалоге появился негатив, претензия или упоминание проверяющих органов;
• запрошены данные, которых нет в базе знаний;
• действие затрагивает деньги, обязательства или необратимое изменение в учётной системе.

К каждому сигналу привязывается получатель и срок. Передача в никуда — обращение улетело в общий чат, где его никто не читает, — работает хуже, чем честное «мы не отвечаем ночью».

Права доступа относятся сюда же. «Информзащита» опубликовала данные по инцидентам с ИИ-агентами (CNews, 26 мая 2026 года); размер выборки и охват опроса в публикации не раскрыты, поэтому читать эти доли стоит как порядок величин, а не как точный замер:

• 42% организаций столкнулись с инцидентами безопасности из-за агентов в 2026 году против 31% годом раньше;
• 53% сталкивались с тем, что агент превышал заданные полномочия;
• 58% говорят, что обнаружение и реагирование занимает больше пяти часов;
• у применяющих принцип минимально необходимого доступа инциденты фиксируются в 17% случаев, у остальных — в 76%.

Даже с поправкой на нераскрытую методику разрыв между последними двумя цифрами велик, а получен он организационной мерой, а не покупкой софта. Правило из него следует одно: решение о доступе принимает ваш контур, а не модель. Агент запрашивает данные — система решает, отдавать ли их этому клиенту в этом диалоге.

Почему интеграция с 1С и CRM съедает основную часть бюджета?

Коротко: связывание с системами, где живут данные, и есть основная работа, а в смете демонстрации её обычно нет.

Разбор Александра Николайчука на Хабре «ИИ-агент работает, пока ему не дали доступ к реальным данным» (21 июля 2026 года) перечисляет, что вскрывается при переносе прототипа в компанию:

• Данные несвежие. Хранилище обновляется по расписанию, агент честно отвечает по вчерашней картине.
• Учётные системы не отдают данные сами. Работают по модели «забери сам», нужен отдельный слой сбора и нормализации.
• Модель начинает решать вопросы доступа. Клиент запрашивает чужие сведения, и агент либо выполняет запрос, либо ошибается: оба исхода плохие.
• Появляется риск цепочки поставок. Компрометация зависимости заносит чужой код внутрь контура.
• Нет сценариев и метрик. Без описанного поведения не собрать тесты и критерии приёмки.

Там же приводится оценка разработчика Андрея Носова: в отдельных случаях стоимость полноценной разработки выходила примерно в двадцать раз выше первоначального демо. Автор сам оговаривает, что это не коэффициент для расчётов, а разница между коротким рабочим сценарием и промышленной системой. Как ориентир для сметы такое число брать нельзя — это единичный опыт, а не отраслевая норма. Полезно в нём другое: направление ошибки. Бюджет, посчитанный по демонстрации, всегда занижен, потому что демонстрация не содержит интеграций, прав доступа и сопровождения.

Как выглядит готовый контур, видно на оптовом кейсе: двусторонняя интеграция с 1С, где номенклатура, остатки, отгрузки и оплаты синхронизируются сами, заказ видит реальные остатки и ставит резерв. Агенту есть чем оперировать именно потому, что этот слой существует. Разбор самого слоя связок — в статье как связать 1С, CRM, банк и Telegram в один контур.

Промышленные внедрения показывают ту же зависимость от контура, только в большем масштабе. По исследованию Strategy Partners о применении генеративного ИИ в крупных промышленных компаниях России (начало 2026 года), стратегию внедрения ИИ утвердили 63% предприятий; в «Норникеле» развёрнуто более 100 ИИ-агентов, встроенных в 30 бизнес-процессов (Юлия Датская, «Коммерсантъ», 19 мая 2026 года). Цифра «100 агентов» тут менее интересна, чем «30 процессов»: агенты живут внутри описанных процессов, а не рядом с ними.

Кто отвечает, если агент ошибся перед клиентом?

Коротко: по типовым договорам риск действий агента остаётся на заказчике, а перед клиентом и регулятором отвечает компания, которая агента запустила.

Юристы Clifford Chance описывают это как разрыв в ответственности:

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

Речь именно о договорной практике: дисклеймер вендора снимает ответственность с вендора, но не отвечает за вас перед вашим клиентом. Условия конкретного договора стоит прочитать до подписания — там и видно, кто несёт риск.

Отсюда два практических требования к проекту. Первое — границы автономии в документах: перечень действий, которые агент выполняет сам; перечень действий, требующих подтверждения оператора; перечень безусловных передач человеку. Второе — журнал действий с сохранением того, что агент читал и что менял. Разбирать спорный случай без журнала невозможно, а спорные случаи будут: превышение полномочий фиксирует половина организаций из данных «Информзащиты».

Агент, которому разрешено выставлять счета и подтверждать условия без человека, экономию не создаёт — он переносит риск на владельца бизнеса.

Что требует 152-ФЗ, когда агент видит персональные данные?

Коротко: отправка данных клиента во внешнюю модель — уже их обработка, а для зарубежной модели добавляется трансграничная передача с уведомлением регулятора.

Персональные данные попадают в контур агента буднично: имя и телефон в обращении, история заказов, выгрузка из CRM для тестов. С этого момента компания выступает оператором со всеми обязанностями.

«Оператор до начала осуществления деятельности по трансграничной передаче персональных данных обязан уведомить уполномоченный орган по защите прав субъектов персональных данных о своём намерении осуществлять трансграничную передачу персональных данных» — часть 3 статьи 12 Федерального закона № 152-ФЗ.

Порядок уведомительный, но формальностью он не является. Та же статья закрепляет за регулятором право передачу ограничить или запретить, а для стран без адекватной защиты прав субъектов данных ставит более строгие условия. Уведомить задним числом закон не предлагает.

Рабочих вариантов три, и выбирают между ними до проектирования, а не после пилота:

1. Обезличивание до отправки. В модель уходит суть вопроса без имён, телефонов и номеров договоров. Самый дешёвый путь, требует аккуратной подготовки данных и проверки, что обезличивание не ломает смысл обращения.
2. Российский провайдер модели. Договор поручения на обработку даёт легальную рамку; условия конкретного сервиса нужно читать отдельно — часть провайдеров прямо запрещает передавать персональные данные в запросах.
3. Модель с открытыми весами в своём контуре. Данные не покидают периметр компании. Дороже по инфраструктуре, снимает почти все вопросы локализации.

Полный разбор того, как собрать контур, из которого данные не утекают, — в статье нейросети без утечки данных и 152-ФЗ.

Что в плане внедрения специфично именно для агента?

Коротко: три документа, которых не бывает в обычном ИТ-проекте — режим данных, границы автономии и список интеграций с требуемой свежестью.

Общие организационные шаги — владелец процесса, замер состояния «до», критерии приёмки, бюджет и сроки — одинаковы для любого проекта автоматизации и разобраны отдельно, в статье про этапы и стоимость внедрения ИИ. Агент добавляет к ним три вещи, и именно они решают судьбу проекта.

1. Режим данных. Что уходит во внешнюю модель, что не уходит никогда, где физически обрабатываются персональные данные и в каком виде хранятся диалоги. Решение принимается до выбора платформы: оно отсекает часть вариантов целиком.
2. Границы автономии. Три списка — действия без человека, действия с подтверждением оператора, безусловная передача человеку. Плюс правило доступа: агент запрашивает данные, а решает, отдавать ли их, ваш контур.
3. Список интеграций со свежестью данных. По каждой системе: агент её читает или пишет в неё, отдаёт ли она данные сама, насколько свежие они на выходе. Строка «остатки обновляются раз в сутки» либо принимается как ограничение, либо превращается в отдельную работу — и в отдельные деньги.

Когда эти три документа есть, разговор с подрядчиком или своей командой становится предметным, а выбор способа сборки — последним шагом, а не первым. Разбор четырёх путей и их потолков — в статье как создать ИИ-агента для бизнеса. Проекты чаще всего разваливаются в обратном порядке: сначала покупают платформу, потом ищут под неё процесс.

Граница между экспериментом и системой проходит там, где агент начинает менять данные в рабочих системах и разговаривать с вашими клиентами от вашего имени. INCUBE AI работает по договору, оставляет данные в РФ и собирает агента под ваш регламент, с интеграциями и сопровождением после сдачи. Коробочный агент упирается в то же, во что и любая коробка: типовой процесс он закрывает, а регламент, справочники и список исключений у каждой компании свои — именно они определяют, что агент имеет право сделать. Развилку между готовым решением и системой под свой процесс мы разбирали отдельно — своя система или коробка. Примеряете это к своей задаче — запишитесь на консультацию: посмотрим процесс и скажем прямо, где хватит обычного сценария, а где нужен агент с доступом в контур.

Источники

• CNews, 24 марта 2026: опрос «Интеллектуальной аналитики» — около 50 крупнейших компаний, 7–10% пилотов дошли до внедрения, 30–40% свернуты из-за отсутствия финансового эффекта
• CNews, 30 июля 2026: исследование «Якова и Партнёров» — 30 продуктов и 65 внедрений, шесть критериев агентности, 23% кейсов уровня L4–L5, 9% из 150 организаций выборки с эффектом свыше 5% EBITDA
• «Коммерсантъ», Юлия Датская, 19 мая 2026 — исследование Strategy Partners по промышленности: 63% предприятий со стратегией, более 100 агентов в 30 процессах «Норникеля»
• CNews, 26 мая 2026: «Информзащита» об инцидентах с ИИ-агентами — 42% инцидентов, 53% превышений полномочий, 17% против 76% при минимально необходимом доступе; выборка в публикации не раскрыта
• ComNews, 22 января 2026: исследование «СберАналитики» и «Сбер Бизнес Софт» — 559 респондентов, 39% организаций используют ИИ-агентов и ассистентов, какие процессы автоматизируют чаще всего
• Хабр, Александр Николайчук, 21 июля 2026: «ИИ-агент работает, пока ему не дали доступ к реальным данным» — что вскрывается при переносе прототипа в компанию, единичная оценка разницы между демо и продуктом
• Gartner, пресс-релиз от 25 июня 2025 — прогноз отмены свыше 40% агентных проектов, термин agent washing
• Clifford Chance, Agentic AI and the liability gap, февраль 2026 — по условиям многих соглашений риск действий агента несёт заказчик
• Часть 3 статьи 12 Федерального закона № 152-ФЗ «О персональных данных» — уведомление регулятора до начала трансграничной передачи
• Anthropic. Building effective agents — рекомендация начинать с простейшего решения и не строить агента без необходимости