ИИ-агенты для бизнеса: что это, какие задачи берут и где ломаются

Содержание статьи

ИИ-агент, или AI-агент, это программа на основе языковой модели, которая получает задачу целиком, сама раскладывает её на шаги и выполняет их через подключённые системы вроде CRM, почты или мессенджера. Чат-бот и ассистент отвечают человеку, а дальше с ответом работает он сам. Агент доводит работу до результата и возвращается со сводкой о том, что сделано.

Для собственника полезнее держать в голове более приземлённую картинку: агент похож на очень быстрого стажёра, который точно выполняет инструкцию и ничего не умеет сверх неё. Поэтому ниже меньше про технологии и больше про то, какую работу ему можно отдать, где он ломается и что подготовить до первого запуска. На разборах с собственниками я раз за разом упираюсь в одну и ту же вещь: автоматизировать начинают раньше, чем процесс заработал руками. Агент такую ошибку только ускоряет.

Что такое ИИ-агент без технических терминов

Возьмём менеджера, которому пришло сообщение «хочу узнать про ваши услуги». Он открывает CRM, смотрит, откуда пришёл клиент, находит подходящий ответ, пишет его, ставит себе задачу перезвонить и отмечает контакт в таблице. На одно входящее сообщение уходит пять действий в трёх программах.

Агент проходит ту же цепочку сам. Его запускает событие. Пришло письмо, упала заявка с сайта, наступило время по расписанию. Дальше модель решает, какой шаг сделать первым, вызывает нужный инструмент, смотрит на результат и выбирает следующий шаг, пока задача не закрыта или пока агент не упрётся в правило «здесь нужен человек».

Разницу с обычным чатом видно на одной просьбе. Попросите нейросеть в окне чата собрать заявки за неделю, разделить их по срочности и завести задачи в CRM, и она напишет инструкцию, как это сделать. Агент с той же просьбой зайдёт в почту, достанет заявки, оценит каждую, заведёт задачи и пришлёт итог.

Внутри у агента три части. Языковая модель, например GPT, Claude, Gemini, YandexGPT или GigaChat, отвечает за план и за понимание текста. Инструменты дают ему руки, то есть доступ к CRM, почте и календарю. Память держит контекст между шагами, и агент помнит, что уже сделал и что ему вернула система на прошлом шаге.

Агенты существовали и пару лет назад, но длинные цепочки шагов у них часто разваливались на середине. Сейчас модели заметно лучше держат инструкцию из нескольких шагов, а в конструкторах вроде n8n и Make появились готовые блоки для подключения моделей, поэтому простого агента собирают без программиста. Отсюда и волна, в которой агентом называют себя даже чат-боты с кнопками.

Чем агент отличается от чат-бота, ассистента и RPA

Путаница здесь стоит денег. Собственник покупает «агента», а получает бота с кнопками, или ждёт от ассистента, что тот сам разнесёт заявки по CRM. Классы инструментов удобно развести по тому, кто доводит дело до конца.

Инструмент	Как работает	Кто доводит до результата	Где ломается
Чат-бот на сайте или в мессенджере	Идёт по заранее написанному сценарию	Сценарий, за его пределами менеджер	Клиент пишет не по сценарию
ИИ-ассистент в окне чата	Отвечает, пишет черновики, разбирает документы и таблицы	Человек копирует, правит и отправляет	Уверенно ошибается в фактах, не знает вашего контекста
RPA-робот	Повторяет записанные клики в интерфейсе программы	Робот, пока экран не поменялся	Программу обновили, кнопка переехала
ИИ-агент	Сам выбирает шаги и действует в подключённых системах	Агент, человек разбирает исключения	Грязные данные, неописанный процесс, нет хозяина

Ассистент в этой четвёрке самый недооценённый, хотя начать с него проще всего. Собственник сам пробует модель на своих задачах, видит, где она полезна, и только потом решает, какую работу отдавать агенту. Хорошо ассистенту даются тексты и документы. Он перепишет коммерческое предложение под другой сегмент, сделает выжимку длинного договора с вопросами для юриста, соберёт регламент из надиктованного голосом описания процесса или задание подрядчику. Отдельная роль, о которой вспоминают редко, это собеседник. Описываете проблему и варианты, которые видите сами, просите назвать варианты, которых не видите, и риски каждого. Решение модель за вас не примет, но думать вдвоём быстрее, особенно когда в компании не с кем поспорить.

Граница между классами размывается. Чат-боты получают агентные функции, ассистенты учатся работать с почтой и календарём. Поэтому при выборе я смотрю на один признак, только отвечает система или сама что-то меняет в ваших данных. От этого зависит, сколько контроля ей нужно.

RPA списывать рано. Для одинаковой операции в программе, где интерфейс годами не меняется, записанный робот дешевле и предсказуемее агента. Агент выигрывает там, где на входе живой текст вроде письма клиента или сообщения в мессенджере.

Какую работу бизнес отдаёт ИИ-агентам

Агенту подходит работа, которая повторяется часто, идёт по понятным правилам и собирает данные из нескольких систем. Ниже задачи, которые в небольших компаниях отдают агентам первыми.

Входящие заявки и первичная квалификация

Заявки с сайта, письма, сообщения в мессенджерах. Агент читает обращение и относит его к заказам, вопросам, жалобам или спаму. Потом достаёт контакты и суть запроса, при работе с юрлицами проверяет компанию клиента по открытым реестрам, сверяет её с портретом клиента, заводит сделку в CRM и пишет первый ответ. Менеджер получает подготовленную карточку с приоритетом вместо сырого письма. Выигрыш здесь в скорости первой реакции, особенно вечером и в выходные, когда заявка иначе пролежала бы до утра.

Еженедельный отчёт собственнику

Агент забирает данные из учёта, CRM и трекера задач, сводит их по шаблону, считает отклонение от плана и пишет короткий текст с пометками по показателям, которые вышли за границу. Руководитель открывает готовую сводку в понедельник утром. Данные агент не придумывает, он берёт их из подключённых систем, поэтому отчёт ровно настолько точен, насколько аккуратно эти системы ведут люди.

Когда источников много, такой отчёт собирают несколько агентов. Один ходит в учётную систему, второй в CRM, третий в трекер, а последний сводит всё в связный текст и отправляет в мессенджер. Так устроена мультиагентная система. Небольшой компании хватает нескольких агентов на ключевые потоки, и начинать всё равно стоит с одного.

Мониторинг и сигналы

Агент следит за показателями, которые иначе смотрят раз в неделю, а то и реже. Остатки на складе, просроченная дебиторка, цены конкурентов, новые отзывы на маркетплейсах. Пока всё в норме, он молчит. Лишних уведомлений нет. Как только показатель вышел за порог, ответственный получает сообщение с контекстом. Скажем, клиент, который всегда платил вовремя, просрочил оплату, и агент прикладывает историю платежей и предлагает позвонить.

Сопровождение после сделки

После подписания договора агент запускает чек-лист. Он отправляет приветственное письмо, напоминает заполнить бриф, фиксирует ответы в CRM и сообщает менеджеру, что клиент готов к старту. Между «подписали» и «начали работу» клиент больше не теряется. Именно в этом промежутке обычно случаются первые разочарования.

Документы и черновики

Коммерческие предложения по шаблону, ответы на типовые вопросы, должностные инструкции, письма кандидатам. Граница с ассистентом здесь тонкая. Агент собирает черновик сам, по событию, например когда сделка перешла на этап подготовки предложения, и кладёт его менеджеру на проверку. Отправляет человек. Всё, что уходит клиенту или партнёру, читают перед отправкой, потому что модель уверенно ошибается в фактах, цифрах и специальных терминах.

За людьми остаются переговоры, конфликты, управление командой, стратегия и решения с юридическими последствиями. Принцип простой: где нужно понимать отношения, брать ответственность или где ошибку дорого заметить поздно, агент помогает с подготовкой, но решает человек.

Где ИИ-агенты ломаются

Продавцы агентов говорят об этом неохотно. Сама технология подводит редко, чаще ломается то, на что её поставили.

Автоматизировали хаос

Если процесс не описан, регламента нет и ответственность размыта, агент будет быстро и аккуратно делать неправильные вещи. Ответы клиентам ускоряются, а качество падает, потому что агент следует тому алгоритму, который ему смогли описать, со всеми его дырами. Он сделает ровно то, что ему сказали, только быстрее и в большем масштабе.

Данные не готовы

Агент работает с тем, что лежит в системах. Дубли клиентов в учёте, контакты без почты, сделки, которые менеджеры фиксируют как придётся, агент воспроизводит в автоматическом режиме. Первые недели кажется, что всё работает, потом выводы агента начинают расходиться с реальностью, команда перестаёт им доверять и возвращается к своим таблицам.

Отчёт, в котором никто не понимает цифр

На трекинге в компании, которая работает с клиентами по записи, руководитель пришла с разумным на вид вопросом. Ежедневную таблицу план-факт собирают руками из множества разрозненных табличек, сбор настолько ручной, что в нём путаются, давайте это автоматизируем. Я предложил сначала научиться собирать её руками и про каждую метрику записать, откуда она берётся, то есть пройти по следу каждой цифры. Пока человек вписывает число сам, он на ходу его проверяет, а про автоматически выгруженное число никто не знает, откуда оно взялось и можно ли ему верить. Там же я сказал фразу, которую повторяю на разборах: «Нельзя автоматизировать что-то неэффективное».

Я объяснил, что продавцам на маркетплейсах такую таблицу автоматизируют, потому что данные можно тянуть по API из личного кабинета. Но если таблицу регулярно ломают руками и в ней слетают формулы, автоматическим сбором по API никто пользоваться не будет. Агент, который пишет отчёт собственнику, упирается в то же самое. Сначала команда должна понимать, из чего собрана каждая цифра, и только потом отдавать сборку машине.

Агенту дали лишнюю свободу

Агент следует инструкции. Когда ситуация выходит за её рамки, он ошибается или останавливается, и собственник, который ждал полного автопилота, разочаровывается в первые же недели. Отсюда три правила безопасности, о которых договариваются до запуска: агенту дают ровно те права доступа, без которых он не справится, все его действия пишутся в журнал, а решения, которые стоят денег или уходят наружу, подтверждает человек.

Интеграции съели срок

На словах подключить агента легко. В жизни у компании учёт в 1С, CRM, таблицы в трёх версиях и почта, и с каждой системой нужно договориться. Со старыми программами без API приходится ставить коннектор, робота или переезжать. Срок чаще растягивается на организационном. Ждут доступов, согласуют правила, учат того, кто будет отвечать за агента.

У агента нет хозяина

Кто проверяет, что агент не начал делать лишнее? Если ответ «никто конкретный», через месяц его либо перестают использовать, либо он работает вхолостую. Первые недели работу агента читает живой человек и собирает ошибки, и дальше агент требует поддержки, потому что меняются подключённые системы и правила бизнеса. Команде заранее объясняют, какая рутина уходит и зачем, иначе сопротивление сотрудников похоронит запуск не хуже кривых данных.

Как посчитать, окупится ли агент

Цен я здесь не называю. Тарифы сервисов и моделей меняются, а стоимость настройки сильно зависит от того, в каком состоянии ваши данные. Полезнее знать, из чего складывается расход. Разово платят за настройку и интеграцию, каждый месяц за подписки на сервисы или сервер, за обращения к модели по объёму и за поддержку. Ещё есть время сотрудника, который отвечает за агента, и его забывают посчитать.

Дальше две формулы. Месячная экономия равна часам, которые агент снимает с людей за месяц, умноженным на стоимость часа этих людей. Срок окупаемости равен разовой настройке, делённой на разницу между месячной экономией и ежемесячными расходами на агента.

Пример на условных числах. Агент снимает 40 часов в месяц, час сотрудника стоит 500 рублей, экономия 20 000 рублей в месяц. Ежемесячные расходы на агента 8 000 рублей. Остаётся 12 000. Настройка стоила 120 000 рублей, значит, она окупится за 10 месяцев.

Здесь есть ловушка, на которой спотыкаются. Сэкономленные часы становятся деньгами, только когда освободившееся время уходит в работу, которая приносит выручку, или когда без агента пришлось бы нанимать человека. Если менеджер просто стал меньше занят, экономия есть на бумаге, а в отчёте о прибылях её нет. Бюджет подготовки к тому же обычно выходит больше первой оценки, потому что чистка данных и описание процесса всплывают по ходу.

С чего начать внедрение ИИ-агента

Я начинаю с того, что на первом шаге агентов не трогаю вообще. Собственник пару недель пользуется ассистентом сам. Выписывает задачи, которые делает руками каждую неделю. Берёт три из них и для каждой пишет подробный запрос, где есть роль модели, контекст, сама задача, формат ответа и пример. Запросы, которые сработали, складывает в отдельный документ, а потом показывает их одному-двум ключевым сотрудникам. Через несколько недель такой работы понятно, какие сценарии работают именно в этом бизнесе, и решение про агентов принимается по собственному опыту.

Первый агент должен быть простым и частым. Обработка входящих заявок каждый день подходит, анализ конкурентов раз в квартал нет. Проверка готовности процесса тоже простая: опишите его текстом на одной странице так, чтобы понял посторонний человек. Описание не складывается? Значит, процесс к автоматизации не готов.

Иногда и простой процесс автоматизировать рано. На трекинге в компании, которая работает с объектами недвижимости и ищет собственников через доску объявлений, новый сотрудник первым делом попросил инструмент, который будет сам обновлять базу объектов: объявления каждый день появляются и исчезают, следить руками долго. Собственник сам сомневался, нужна ли автоматика на таком небольшом рынке, и спросил моё мнение. Я ответил, что без цифр это решение пальцем в небо, и предложил один раз пройти круг руками: отработать несколько десятков уже найденных объектов, понять конверсию, а заодно посчитать, сколько действительно новых объектов появляется за неделю. По ходу разговора выяснилось, что объявление живёт около месяца, а потом его поднимают заново, поэтому первый месяц почти целиком состоит из старых объектов, и честную статистику по новым можно снять только со второго. Решать про инструмент договорились по этим цифрам.

Перед запуском агента я прохожу с командой короткий список:

Процесс описан текстом вместе с исключениями.
Понятно, из каких систем агент берёт данные, и в них наведён порядок. Убраны дубли, заполнены обязательные поля, статусы у всех менеджеров одни и те же.
Прописано, что делать, если данных не хватает, клиент пишет не по теме или система недоступна.
Назначен хозяин агента.
Метрики сняты до запуска, например время ответа на заявку или часы на отчёт, чтобы потом было с чем сравнить.
Записан список того, что агент не делает никогда, например скидки, возвраты и обещания по срокам.
Тест идёт на настоящих заявках и данных прошлого месяца, потому что на придуманных примерах агент ведёт себя иначе.

Один процесс, стабильный результат, потом следующий. Запуск нескольких агентов сразу, без обкатки каждого, почти гарантированно заканчивается тем, что команда не может понять, какой из них ошибся.

Часто задаваемые вопросы

ИИ-агент (AI-агент) это программа на основе языковой модели, которая получает задачу, сама планирует шаги и выполняет их через подключённые системы вроде CRM, почты и мессенджеров. Чат-бот или ассистент отвечает человеку, агент доводит работу до результата и сообщает, что сделано.

Чат-бот идёт по заранее написанному сценарию и теряется, когда клиент пишет что-то нестандартное. Агент получает цель и сам выбирает шаги, умеет разобрать живой текст и действует в ваших системах, например заводит сделки и ставит задачи. Чат-бот ведёт диалог, агент выполняет работу.

Ассистент в окне чата отвечает на вопросы, пишет черновики и разбирает документы, а дальше с результатом работает человек. Агент подключён к рабочим системам и сам вносит изменения. С ассистента удобно начинать. Собственник пробует модель на своих задачах и видит, что из этого стоит отдавать агенту.

Первыми агентам обычно отдают разбор входящих заявок и их первичную квалификацию, сборку еженедельного отчёта из нескольких систем, мониторинг показателей с сигналами ответственному, сопровождение клиента после сделки и черновики типовых документов. Общее у них одно. Они часто повторяются и идут по понятным правилам.

Переговоры, разрешение конфликтов, управление командой, стратегию и решения с юридическими последствиями. Туда же относятся задачи, где ошибка стоит дорого и её трудно быстро заметить. Там агент готовит материалы. Решает и отправляет человек.

Для простых агентов на конструкторах вроде n8n или Make программист обычно не нужен, хватает специалиста по автоматизации. Разработчик понадобится для сложных интеграций, особенно с 1С и самописными системами без понятного API. Частая ошибка: поручить внедрение сотруднику, который хорошо пользуется ChatGPT. Пользоваться моделью и строить цепочки агентов это разные умения.

Через API. У распространённых CRM, например Битрикс24 и amoCRM, и у мессенджеров с официальными интерфейсами для ботов готовые подключения есть. 1С подключают через веб-сервисы или готовые коннекторы. Со старыми системами без API нужен отдельный коннектор, робот, который повторяет клики, или переезд на другую программу.

Это несколько агентов, у каждого своя узкая задача, а один распределяет работу и собирает результат. Например, один берёт цифры из учёта, второй из CRM, третий сводит их в отчёт и отправляет собственнику. Небольшой компании это нужно, когда процесс тянет данные из многих источников, и начинать всё равно стоит с одного агента.

Рисков три. Агент может выдать неверный результат, данные могут утечь через внешние сервисы, а сам агент способен сделать то, чего от него никто не ждал. Защита тоже понятная. Нужны минимальные права доступа, журнал всех действий и подтверждение человеком для решений, которые стоят денег или уходят клиенту. Условия хранения данных у каждого сервиса свои, их читают до того, как загружать финансы и персональные данные клиентов.

Галлюцинацией называют правдоподобный, но неверный ответ модели. Агенту, который берёт данные из ваших систем, это грозит меньше, чем модели, которую просят что-то сочинить. Защищаются двумя способами. Агенту дают только задачи, где факты берутся из ваших систем, и ставят шаг проверки человеком перед тем, как результат уйдёт клиенту.

Для одного изолированного процесса с парой интеграций это недели, для процесса, который тянет данные из нескольких систем, дольше. Срок обычно растягивается на организационном, пока получают доступы и согласуют правила. Техническая часть редко становится главной задержкой.

Не обязательно. Если роботы CRM уже ставят задачи, двигают сделки и шлют уведомления, добавлять агента ради моды не нужно. Агент оправдан там, где на входе неструктурированный текст вроде писем и документов, или где логика сложнее, чем умеют стандартные триггеры CRM.

Возьмите процесс-кандидат и опишите его текстом на одной странице так, чтобы понял посторонний. Если описать не получается, процесс к автоматизации не готов. Второе условие: процесс повторяется часто, потому что разовые задачи не окупают настройку. Третье: в компании есть человек, который первые недели будет каждый день читать работу агента.

Месячная экономия равна часам, которые агент снимает с людей, умноженным на стоимость часа. Срок окупаемости равен разовой настройке, делённой на разницу между месячной экономией и ежемесячными расходами на агента. Часы превращаются в деньги, только когда освободившееся время уходит в работу на выручку или избавляет от найма.

Первый шаг на этой неделе

Выпишите три задачи, которые команда каждую неделю делает руками, и прикиньте, сколько часов на них уходит. Попробуйте описать каждую пошаговой инструкцией на одной странице. Получилось: у вас есть кандидат на агента. Не получилось: сначала нужна операционная работа над регламентом и ответственностью, и агент её не заменит.

Как мы в Nexops выстраиваем операционную основу и потом подключаем к ней ИИ-инструменты, описано на странице внедрения ИИ-агентов в процессы компании.

Смотрите также:

ИИ-агенты для бизнеса: что это такое и какую работу бизнес им отдаёт