ИИ-агенты становятся следующим этапом практического использования искусственного интеллекта в компаниях. Если первые годы генеративного ИИ были связаны в основном с текстами, изображениями, аналитикой и ответами на запросы, сейчас технологии постепенно переходят к выполнению рабочих задач.

ИИ уже может не только подготовить ответ сотруднику. Агент способен получить цель, определить последовательность действий, обратиться к нужным данным и инструментам, выполнить часть работы и вернуть результат человеку на проверку.

Именно способность действовать меняет подход к автоматизации бизнеса.

ИИ-агент — это система на базе искусственного интеллекта, которой можно поручить определённую задачу и предоставить необходимые для её выполнения инструменты.

Упрощённо работу агента можно представить как последовательность:

цель → анализ ситуации → план действий → использование инструментов → проверка результата → следующий шаг.

В отличие от обычного диалога с нейросетью сотруднику не обязательно вручную проводить систему через каждый этап работы.

Например, нейросеть может помочь написать коммерческое предложение. Агентный сценарий способен получить информацию о клиенте, изучить материалы компании, подготовить документ по установленному шаблону, сохранить его и передать менеджеру на проверку.

Поэтому ключевой вопрос при выборе агента — не название конкретной нейросети, а какую задачу, в какой рабочей среде и с какими правами компания готова ему поручить. Эта логика лежит и в основе нашей карты ИИ-агентов.

Рынок агентных решений быстро расширяется, и сравнивать все продукты только по качеству модели уже недостаточно. Они предназначены для разных типов работы.

В нашей практике удобно разделять их на несколько классов.

Codex, Claude Code, Cursor, Devin и другие решения работают с кодом, файлами, Git, тестами и терминалом. Они могут получать инженерную задачу, изучать проект, вносить изменения, запускать тестирование и готовить результат для проверки разработчиком.

Это одна из наиболее зрелых областей агентного ИИ: программный код хорошо структурирован, а результат работы во многих случаях можно автоматически проверить.

К этому классу относятся решения, которые способны выполнять последовательность действий в различных цифровых средах.

Они работают с браузером, файлами и подключёнными сервисами, самостоятельно переходя от одного этапа задачи к следующему. В презентации «Эра ИИ-агентов» к этому классу отнесены, например, Manus и Hermes.

Именно здесь особенно хорошо заметна разница между обычным ИИ-помощником и агентом: пользователь задаёт результат, а система выполняет цепочку действий для его получения.

Это сценарии работы с большим количеством информации: документами, таблицами, исследованиями, отчётами и презентациями.

В зависимости от задачи здесь могут использоваться ChatGPT, Claude, Kimi, Manus и другие решения.

Для бизнеса такие сценарии интересны тем, что позволяют собирать информацию из нескольких источников, приводить её к единой структуре, искать расхождения, готовить аналитические материалы и формировать итоговые документы.

Отдельное направление — агенты, встроенные непосредственно в процессы компании.

Например, система может объединять мессенджер, корпоративную базу знаний, CRM, аналитику и другие сервисы.

В таком сценарии компания получает уже не отдельную нейросеть, а рабочий цифровой контур под конкретный процесс.

Наиболее перспективны процессы, в которых есть повторяющиеся действия, понятные правила и цифровые данные.

В продажах агент может собирать информацию о клиенте, готовить материалы к встрече, анализировать переписку, формировать проект коммерческого предложения, контролировать заполнение CRM и напоминать о следующих действиях.

В клиентском сервисе — обращаться к базе знаний, классифицировать обращения, готовить ответы, создавать заявки и передавать сложные случаи сотруднику.

В маркетинге — собирать данные, проводить исследования, анализировать конкурентов, готовить контент и контролировать выполнение регулярных операций.

В административной работе — собирать информацию из документов, готовить отчёты, структурировать данные и выполнять повторяющиеся операции с файлами.

В разработке — работать с кодовой базой, исправлять ошибки, писать тесты и вести отдельные инженерные задачи.

Российская практика также постепенно движется в эту сторону. По данным исследования State of AI, которые приводит «Российская газета», готовые решения внешних поставщиков уже являются наиболее распространённой моделью внедрения ИИ: их используют 78% опрошенных компаний, при этом многие адаптируют технологии под собственные процессы.

Это один из главных вопросов, который часто выпадает из обсуждения технологии.

Агент автоматизирует тот процесс, который существует в компании.

Если сотрудники используют разные версии документов, CRM заполняется нерегулярно, ответственность между подразделениями не определена, база знаний устарела, а правила принятия решений существуют только «в голове» опытного сотрудника, агент получает тот же организационный хаос.

Только выполняет операции значительно быстрее.

Поэтому автоматизация слабого процесса способна масштабировать его недостатки. Эта проблема отдельно отмечена и в материалах «Эры ИИ-агентов»: если в процессе хаос, агент автоматизирует именно его.

Отсюда следует важный принцип внедрения: сначала нужно понять процесс, данные и правила, затем выбирать технологию.

Для первого проекта не требуется автоматизировать целый отдел.

Гораздо эффективнее выбрать одну повторяющуюся задачу с понятным входом и ожидаемым результатом.

Например:

подготовка регулярного отчёта;

обработка определённого типа обращений;

сбор информации перед встречей;

проверка документов;

подготовка коммерческого предложения;

анализ отзывов клиентов;

контроль заполнения определённых данных;

работа с внутренней базой знаний.

После выбора задачи необходимо определить, какие документы и данные нужны агенту, какие действия ему разрешены и где обязательно подтверждение человека.

В нашей модели первый пилот рассчитан примерно на две недели: выбор задачи, подготовка базы знаний, создание сценария, тестирование, разбор ошибок и формирование регламента работы.

Такой формат позволяет проверить технологию на конкретном процессе и получить данные для решения о дальнейшем масштабировании.

Чем больше действий может выполнять агент, тем важнее заранее определить границы его полномочий.

Особого контроля требуют финансовые операции, персональные и конфиденциальные данные, публикации и сообщения от имени компании, доступ к рабочей инфраструктуре и критические управленческие решения.

На первых этапах разумно использовать принцип human-in-the-loop: агент собирает информацию, анализирует, готовит действие или решение, а человек подтверждает критический шаг.

Например, агент может подготовить коммерческое предложение, но отправку клиенту подтверждает менеджер. Может обнаружить проблему в данных, но изменение исходной базы выполняется после проверки. Может предложить решение по обращению клиента, но нестандартный случай передаётся сотруднику.

Так компания получает пользу от автоматизации и одновременно сохраняет управляемость процесса.

Агент нужен далеко не для каждой задачи.

Если операция выполняется несколько раз в месяц и занимает пять минут, создание отдельного агента может оказаться сложнее самой работы.

Не стоит начинать и с процессов, которые постоянно меняются и пока не имеют понятных правил.

Отдельный вопрос — готовность самой компании. Если сотрудники ещё практически не используют нейросети в ежедневной работе, иногда эффективнее сначала повысить базовую ИИ-грамотность команды, научиться работать с документами, аналитикой и корпоративными знаниями, а уже затем переходить к более автономным системам.

Агентность имеет смысл там, где появляется понятная экономическая или управленческая задача.

В ближайшие годы количество агентных решений будет только увеличиваться. Уже сейчас существуют отдельные инструменты для разработки, исследований, работы с документами и выполнения действий в цифровых системах.

Поэтому компании важно не пытаться следить за каждым новым продуктом.

Практический путь начинается с собственного бизнеса: какие операции занимают много времени, где сотрудники регулярно выполняют одинаковые действия, где возникают задержки, какие процессы можно формализовать и какой результат действительно имеет ценность.

ИИ-агенты не отменяют управление. Напротив, они делают качество управления особенно заметным.

Если процесс невозможно нормально объяснить сотруднику, определить его вход, результат, правила и ответственность, агенту тоже придётся работать на догадках. Поэтому безопасная стартовая модель выглядит достаточно просто: один процесс, один агент, ограниченные права, измеримый результат и контроль человека. Именно такой принцип сформулирован и в материалах «Эры ИИ-агентов».

В «Цифровых трансформациях» мы начинаем работу с диагностики процессов компании: определяем, какие задачи имеет смысл передавать ИИ уже сейчас, где достаточно обычной нейросети или ассистента, а где действительно нужен агент. После этого формируем карту подходящих решений, оцениваем риски и можем спроектировать пилотный сценарий внедрения. Такой подход позволяет выбирать ИИ под рабочую задачу компании, а не перестраивать процессы под очередной новый инструмент.