ИИ-агенты для бизнеса: что это и какие процессы им отдать

Автор

Практика; различие workflows и agents описали Anthropic и OpenAI, 2024; 2025

Уровень

201 · Инструмент

Подходит

стартап, малый и средний бизнес, растущая компания

Время на внедрение

Неделя, чтобы описать процесс, пройти отбор и согласовать границы агента; затем пилот на одном процессе и постоянный контроль

Что понадобится

описанный процесс: входы, шаги, исключения и результат, по которому видно, что задача выполнена · доступ к системам и данным, которые нужны агенту, с минимально необходимыми правами · владелец процесса, который принимает решение об остановке агента · набор реальных прошлых случаев для проверки агента до запуска

ИИ-агенты для бизнеса — это программы на основе языковой модели, которые сами ведут задачу: выбирают шаги, вызывают инструменты и проверяют промежуточный результат. Для бизнеса главное — решить, какой процесс отдать агенту. Решение принимают по признакам процесса, которые описаны ниже.

Агент и сценарий: в чём разница

Anthropic в статье Building effective agents делит агентные системы на два типа. В сценариях (workflows) модели и инструменты связаны заранее заданными путями в коде. В агентах модель сама управляет своим процессом и выбором инструментов.

Главный совет статьи: искать самое простое решение и усложнять его только при необходимости. Агентные системы часто платят задержкой и стоимостью за более высокое качество. Для многих задач обычно достаточно одного запроса к модели с поиском по данным и примерами в контексте.

OpenAI в практическом руководстве определяет агентов как системы, которые самостоятельно выполняют задачи от имени пользователя. Основа агента — три компонента: модель, инструменты и инструкции.

Какие процессы можно отдать агентам

OpenAI советует искать процессы, которые раньше плохо поддавались автоматизации. Руководство называет три признака.

Первый признак — сложные решения: нужно суждение, учёт исключений и контекста. Пример из руководства — согласование возврата в службе поддержки. Второй — правила, которые трудно поддерживать: набор разросся, обновлять его дорого и легко ошибиться. Пример — проверка безопасности поставщика. Третий — много неструктурированных данных: тексты, документы, диалог с пользователем. Пример — обработка страховой заявки.

Если ни одного признака нет, руководство допускает, что хватит детерминированного решения. Anthropic добавляет условие для самих задач: агенты подходят для открытых задач, где трудно предсказать нужное число шагов. По наблюдениям Anthropic, агенты особенно полезны там, где есть понятные критерии успеха и обратная связь. В программировании решение проверяют автоматические тесты. В поддержке возврат или обновление заявки выполняются программно, а успех можно чётко измерить.

Для планирования отбора полезно сначала понять, как процесс идёт на самом деле. В этом помогает process mining. Общую логику выбора процессов для автоматизации описывает страница про автоматизацию бизнес-процессов. Если процессы не описаны и не стабильны, сначала нужна модель зрелости процессов.

Где агент должен остановиться

Автономность агента повышает стоимость и риск накопления ошибок. Anthropic рекомендует проверять агентов в изолированной среде и ставить ограничения, а также условия остановки, например максимум итераций. Агент может приостановиться и запросить обратную связь человека на контрольных точках.

OpenAI называет два типичных случая, когда агент передаёт управление человеку. Первый — превышение порога неудач: агент не понял намерение клиента после нескольких попыток. Второй — рискованные действия: чувствительные, необратимые или дорогие. Руководство приводит отмену заказов, крупные возвраты и платежи. Такой контроль сохраняют, пока не вырастет уверенность в надёжности агента.

Как построить такую контрольную точку и не допустить формальной подписи, описано в разборе human in the loop. Рамку управления рисками ИИ в целом предлагает NIST AI Risk Management Framework. Он применяется добровольно и помогает учитывать надёжность ИИ при проектировании, разработке, использовании и оценке систем.

Почему проекты не доходят до результата

25 июня 2025 года Gartner опубликовал прогноз об отмене проектов агентного ИИ. По изложению Reuters, к концу 2027 года отменят более 40% таких проектов. Причины — рост затрат и неясная бизнес-ценность.

Там же Gartner описывает «agent washing»: ИИ-ассистентов и чат-ботов без существенных агентных возможностей выдают за агентов. По оценке Gartner, из тысяч поставщиков агентного ИИ настоящих около 130. Прогноз касается рынка в целом, а не конкретной компании.

OpenAI советует начинать с малого, проверять агента на реальных пользователях и наращивать возможности постепенно. На практике это узкий пилот: один процесс, измеримый результат, журнал действий и записанные условия остановки. Итог пилота показывает, расширять агента или вернуться к обычному сценарию.

Как применять: ИИ-агенты для бизнеса: что это и какие процессы им отдать по шагам

1. Опишите процесс и его исключения. Запишите входы, шаги, системы, участников и результат. Отдельно перечислите исключения, потому что агент нужен именно там, где правила не покрывают случай. Результат: схема процесса, по которой можно судить, что в нём предсказуемо, а что нет.
2. Проверьте процесс по трём признакам. Агент оправдан, если в процессе есть хотя бы один признак: сложные решения с исключениями, громоздкий набор правил или работа с неструктурированными данными (тексты, документы, переписка). Если признаков нет, хватит обычного сценария. Результат: решение «агент» или «обычная автоматизация».
3. Начните с самого простого решения. Сначала попробуйте один запрос к модели с нужными данными, затем фиксированный сценарий из нескольких шагов. Агента подключайте, когда они не справились. Результат: самый простой вариант, который проходит проверку на реальных случаях.
4. Определите границы агента. Выпишите, какие инструменты и данные доступны агенту, какие действия он вправе выполнять сам и какие только предлагает. Выдавайте минимальные права. Результат: перечень разрешённых действий и список действий, требующих подтверждения.
5. Поставьте контрольные точки и остановку. Задайте лимит попыток и шагов. Определите условия, при которых агент передаёт задачу человеку: он не справился после нескольких попыток либо действие необратимо или дорого. Подробнее о схеме — в разборе human in the loop. Результат: записанные правила передачи управления человеку.
6. Проверьте агента на прошлых случаях. Прогоните агента по набору реальных случаев с известным правильным результатом. Отдельно проверьте исключения и ошибочные входные данные. Результат: доля верных результатов и список типовых ошибок до запуска.
7. Запустите пилот и ведите журнал. Запускайте агента на одном процессе и на части потока. Записывайте шаги, вызовы инструментов, затраты и случаи передачи человеку. Расширяйте поток, когда журнал показывает стабильный результат. Результат: решение о расширении или остановке, основанное на данных журнала.

Примеры

Разбор входящих обращений в интернет-магазине

Иллюстративный пример. Магазин получает обращения в свободной форме: вопросы о доставке, возврате, повреждённом товаре. Агент читает обращение, находит заказ в системе, готовит ответ и предлагает возврат. Возврат до 5 000 ₽ он оформляет сам, а сумму выше передаёт сотруднику. Обращения с жалобой на качество агент также передаёт человеку.

Проверка договоров с поставщиками

Иллюстративный пример. Закупочный отдел получает договоры в разных форматах. Агент извлекает из текста сроки, штрафы и условия оплаты, сверяет их с внутренним чек-листом и отмечает расхождения. Юрист читает отмеченные места и решает, подписывать ли договор. Подписывать и отправлять документы агент не вправе.

Сверка платежей

Иллюстративный пример. Бухгалтерия сверяет поступления с заказами. Платежи, где сумма и назначение совпадают точно, закрывает обычный сценарий без модели. Агент разбирает только платежи с ошибками в назначении или частичной оплатой. Любое проведение в учёте подтверждает бухгалтер.

Когда применять

Применяйте там, где процесс содержит много исключений, зависит от текстов и документов или опирается на правила, которые трудно описать и поддерживать. Подходят обращения клиентов, разбор документов, проверки по нескольким источникам, подготовка черновиков решений. Условие: у задачи есть понятный критерий успеха, а цену ошибки ограничивают права агента и подтверждение человека.

Когда не применять

Не берите агента для процесса, где шаги известны и стабильны. Обычный сценарий или RPA дешевле, быстрее и предсказуемее. Не отдавайте агенту необратимые решения без подтверждения человека и процессы, в которых результат нельзя проверить. Пока нет описанного процесса и тестовых случаев, агента запускать рано.

Частые ошибки

• Агента берут для процесса с фиксированными шагами. Сценарий решил бы задачу дешевле и без непредсказуемости.
• Агенту дают широкие права доступа «на всякий случай». Ошибка тогда затрагивает больше систем и данных, чем требует задача.
• Не задают лимит шагов и попыток, и агент зацикливается или тратит бюджет на одной задаче.
• Проверяют агента на нескольких удачных примерах, а не на потоке реальных случаев с исключениями.
• Запускают сразу на весь поток и без журнала действий. Когда агент ошибается, причину не найти.
• Принимают за агента переименованный продукт: чат-бот или ИИ-ассистент без самостоятельного выбора шагов.

Вопросы и ответы

Что такое ИИ-агенты для бизнеса?

ИИ-агент — это программа на основе языковой модели, которая самостоятельно выполняет задачу: выбирает шаги, вызывает инструменты и проверяет промежуточный результат. Anthropic противопоставляет агентов сценариям (workflows), в которых пути выполнения заданы кодом заранее. OpenAI приводит примеры инструментов агента: запросы к базам данных и CRM, чтение PDF-документов, отправка писем.

Какие процессы можно отдать ИИ-агентам?

Те, где есть сложные решения с исключениями, громоздкие правила или неструктурированные данные. OpenAI в практическом руководстве называет такие примеры: согласование возврата, проверка поставщика, обработка страховой заявки. Процессы с фиксированными шагами лучше оставить обычной автоматизации.

Создание ИИ-агентов для бизнеса: с чего начать?

Начните с описания одного процесса и набора реальных случаев для проверки. Затем попробуйте простое решение: один запрос к модели или фиксированный сценарий. Агента подключайте, если простое решение не справилось. Права выдавайте минимальные, границы действий записывайте до запуска.

Разработка ИИ-агентов для бизнеса: что нужно для запуска?

Нужны три вещи: модель, инструменты (доступ к системам и данным) и инструкции, которые задают поведение агента. Так OpenAI описывает основу агента. Сверх этого нужны проверка на прошлых случаях, лимиты шагов, правила передачи человеку и журнал действий.

Как создать ИИ-агента для бизнеса без разработчика?

Способ сборки не меняет требований к агенту. Нужны описанный процесс, минимальные права доступа и проверка на реальных случаях. Рискованные действия агента подтверждает человек. Основа агента та же: модель, инструменты и инструкции.

ИИ-агенты для бизнеса: обучение, чему учить команду?

Команде нужно уметь описывать процесс и исключения, отбирать задачи для агента, писать инструкции и проверять результат на тестовых случаях. Отдельный навык — ведение журнала и разбор ошибок. По описанию OpenAI, основа агента — модель, инструменты и инструкции, поэтому команда работает прежде всего с инструкциями и инструментами.

Заменят ли ИИ-агенты сотрудников?

Anthropic и OpenAI описывают агентов, которые работают под контролем человека. OpenAI советует передавать задачу человеку при повторных сбоях агента. Необратимые и дорогие действия, например крупные возвраты и платежи, подтверждает человек. Anthropic предлагает контрольные точки, где агент ждёт обратной связи.

Почему проекты с ИИ-агентами не доходят до результата?

По данным Reuters, Gartner прогнозирует отмену более 40% проектов агентного ИИ к концу 2027 года. Причины — рост затрат и неясная бизнес-ценность. OpenAI советует начинать с малого, проверять агента на реальных пользователях и расширять его возможности постепенно.

Источники

1. Anthropic, Building effective agents
2. OpenAI, A practical guide to building agents
3. Gartner, Gartner Predicts Over 40% of Agentic AI Projects Will Be Canceled by End of 2027, press release, 25 June 2025
4. Reuters via The Star, Over 40% of agentic AI projects will be scrapped by 2027, Gartner says
5. NIST, AI Risk Management Framework

Обновлено 14 ноября 2026

Илья ПушинОснователь PUSHERS & COO Fintech ServiceИлья строит операционные системы для растущих компаний в медицине и финтехе. С 2021 года руководит трансграничными платежами в ARBI Exchange, лицензированном обменнике в Таиланде, включая KYC, AML и выход в новые юрисдикции.Об автореLinkedIn