ИИ-агенты для бизнеса: что это и чем отличаются от ботов

ИИ-агент - это программа на базе нейросети, которой ты ставишь цель, а дальше она сама подбирает шаги, обращается к нужным инструментам и доводит дело до результата. Чат-бот устроен проще: ловит входящее сообщение, находит подходящую ветку заранее написанного сценария и выдаёт заготовку.

Разница обычно вылезает на третьем-четвёртом сообщении диалога, когда клиент спрашивает то, чего в сценарии никто не предусмотрел. Бот в такой момент упирается в стену и предлагает выбрать пункт меню, тогда как агент отправляется искать ответ по доступным ему источникам.

Внутри обеих систем может крутиться одна и та же модель, хоть GPT, хоть Claude. Агентом её делает обвязка вокруг: сформулированная как результат цель, подключённые доступы и разрешение самому решать, какой шаг делать следующим.

Чем ИИ-агент отличается от чат-бота?

Запускаются они от разных вещей. Боту требуется входящее сообщение, без него он просто ждёт. Агент стартует от поставленной цели, и реплика клиента для него становится одним из источников данных наравне с таблицей, почтой и прайсом.

Разберу на живом примере. В директ пишет клиент: «сколько стоит?».

Сценарный бот цепляется за ключевое слово «стоит», находит соответствующую ветку и присылает прайс картинкой. Пока вопросы простые, всё выглядит прилично. Дальше человек уточняет: «а если брать двадцать штук с доставкой в Новосибирск и оплатой по счёту?». Такой развилки в сценарии нет, поэтому бот отдаст тот же прайс второй раз либо честно признается, что не понял. Клиент уходит читать конкурентов, а ты об этом даже не узнаешь. Механику сценарных ботов, их сильные стороны и потолок я подробно разбирал в отдельном материале про то, что такое чат-бот для бизнеса.

У агента задача сформулирована иначе: квалифицировать заявку и подготовить ответ менеджеру. Он открывает прайс, находит условия по оптовым партиям, смотрит таблицу с тарифами доставки, видит, что для юрлица нужны реквизиты, и задаёт клиенту уточняющий вопрос. Потом складывает всё в черновик письма и кладёт его в папку, откуда менеджер заберёт готовое. Когда данных не хватает, агент переспрашивает вместо того, чтобы замолчать посреди диалога.

Держи в голове простую картинку: бот работает как меню, приклеенное к стене, где написано ровно то, что кто-то заранее туда написал. Агент ближе к официанту, который сходит на кухню, уточнит у повара и вернётся с ответом на любой вопрос про блюдо.

Отсюда растёт и главное неудобство агента. Официант способен ошибиться, перепутать, забыть уточнить. Меню на стене врать не умеет по той причине, что оно вообще ничего не решает.

Из чего собран агент?

Четыре вещи вокруг модели превращают её в агента: цель, инструменты, память и право действовать. Убери любую, и останется собеседник, который красиво рассуждает и ничего не меняет в твоём бизнесе.

Цель формулируется как результат, который можно проверить глазами. «Помогай с заявками» - это пожелание, по нему агент будет плавать. «Каждую входящую заявку разобрать на срочные и обычные, вытащить контакт, город и объём, положить строку в таблицу и подготовить черновик ответа» - это уже цель, потому что понятно, когда она выполнена, а когда нет.

Инструменты - это руки. Почта, таблица, CRM, поиск по сайту, календарь, API склада. Без них модель умеет только писать текст в окно чата. Каждый подключённый инструмент расширяет и пользу, и радиус возможных разрушений, поэтому подключают их по одному.

Память - всё, что агент знает о твоём деле. Прайс, условия доставки, список того, что вы точно не делаете, тон общения, десяток типовых ситуаций с готовыми развязками. Модель не читает мысли: если в памяти нет цены на срочный заказ, она эту цену придумает. Как собирать такую базу знаний, чтобы нейросеть в неё действительно попадала, я разбирал в материале о том, как дать нейросети базу знаний.

Право действовать - самый дорогой пункт из четырёх. От ширины разрешения зависит, сколько агент успеет натворить, пока ты обедаешь. Ошибка при праве складывать черновик в папку обойдётся в десять секунд на удаление файла. Промах при праве писать клиенту потребует звонка с извинениями, а разрешение выставлять счета добавляет к этому ещё и разбирательство с бухгалтерией.

Проще всего понять эту конструкцию через найм живого помощника. Ты говоришь ему, что должно лежать у тебя на столе к вечеру. Даёшь пароли от почты и доступ к таблице. Пару дней рассказываешь про продукт и клиентов. И где-то на второй неделе разрешаешь отвечать без твоей визы. С агентом порядок ровно тот же, только рассказывать нужно один раз, а на больничный он не уходит. Развёрнутое сравнение с наймом живого человека есть в статье про то, что такое цифровой сотрудник.

У сценарного бота из четырёх пунктов присутствует только первый, да и тот в засушенном виде: жёсткая ветка без рук, без настоящей памяти и без возможности свернуть с маршрута.

Как агент работает изнутри?

Полезно один раз представить, что происходит между твоей командой и готовым результатом. Внутри крутится цикл из четырёх шагов.

Сначала модель читает цель и текущее состояние дел. Потом решает, какой шаг приблизит её к результату: спросить у человека, открыть таблицу, посчитать, написать текст. Дальше вызывает подходящий инструмент и получает от него ответ. И последним делом смотрит на этот ответ, чтобы решить, достигнута цель или нужен ещё круг.

Выбор инструмента устроен прозаичнее, чем кажется со стороны. Каждому инструменту при подключении пишут короткое описание: что он делает, какие параметры принимает, в каких случаях его звать. Модель читает эти описания вместе с целью и возвращает имя инструмента с набором аргументов, а платформа выполняет вызов и подсовывает результат обратно в диалог. Отсюда практический вывод: половина качества агента лежит в том, насколько внятно описаны его руки. «Таблица заказов» ничего модели не говорит. «Таблица подтверждённых заказов за текущий месяц, поля: дата, клиент, город, сумма, статус» задаёт границы, внутри которых агент не полезет туда за прошлогодними цифрами.

Из такого устройства следуют три вещи, которые удивляют новичков.

Скорость проседает по сравнению с ботом, потому что каждый круг - это отдельное обращение к модели. Ответ бота приходит мгновенно, у агента сборка результата занимает десятки секунд. Для внутренней рутины это неважно, в живом диалоге с клиентом иногда критично.

Зацикливание случается чаще, чем хочется. Инструмент вернул ошибку, модель попробовала ещё раз, снова ошибка, снова попытка. В нормальных конструкторах есть ограничение на число шагов и на бюджет, выставить его надо сразу, до первого запуска.

Счёт за работу растёт пропорционально числу кругов. Одна задача обходится то в десятую долю копейки, то в заметную сумму, если агент двадцать раз перечитывал длинную таблицу. Здесь спасает простое правило: подавать агенту только тот кусок базы, который нужен для текущей задачи.

Есть и четвёртая деталь механики, про которую вспоминают уже в процессе, - размер контекста. Модель держит перед глазами ограниченный объём текста, куда влезает цель, история шагов и всё, что вернули инструменты. Когда объём подходит к пределу, ранние куски вытесняются, и агент начинает противоречить сам себе. Лечится тем, что длинную задачу режут на несколько коротких, а промежуточные результаты складывают в файл и подтягивают по мере надобности.

Собрать первого агента по шагам, с готовыми формулировками цели и разбором типовых ошибок, можно на бесплатном обучении ИИмперии - там та же логика, только с примерами и упражнениями.

Что агент реально снимает с тебя?

Он вывозит там, где работа повторяется и её можно объяснить словами. Ровно та рутина, ради которой раньше искали отдельного человека на полставки.

• Разобрать входящие заявки, вытащить главное и разложить по приоритету.
• Собрать черновик поста, письма или коммерческого предложения по брифу и в твоём тоне.
• Свести цифры из выгрузки в короткий отчёт с выводами и вопросами к тебе.
• Ответить на типовые вопросы поддержки, а нестандартное передать человеку с уже собранным контекстом.
• Подготовить бриф для дизайнера или монтажёра по расшифровке твоей голосовухи.
• Прошерстить длинный документ и достать оттуда конкретные условия.

Обрати внимание на общее свойство списка: почти везде агент готовит черновик, а финальную кнопку жмёт человек. Такой порядок стоит держать даже на задачах, где агент месяцами не промахивался.

Если пока непонятно, какая именно рутина у тебя годится первой, помогает инвентаризация недели по часам. Разбор такой инвентаризации есть в материале о том, с каких задач начинать автоматизацию рутины, а готовый набор задач для небольшой компании собран в подборке семи задач для ИИ-ассистента в малом бизнесе. Более полный перечень участков, которые вообще имеет смысл отдавать помощнику, разложен в разборе про то, какие задачи закрывает ИИ-ассистент для бизнеса.

Когда хватает обычного бота?

Довольно часто хватает, и в этом нет ничего обидного. Если задача сводится к пяти типовым вопросам с фиксированными ответами, сценарный бот дешевле в разы, отвечает мгновенно и никогда не удивит тебя ночью новой трактовкой прайса. Тащить агента туда, где хватает трёх кнопок, - примерно как нанимать водителя, чтобы переставить машину во дворе.

Агент оправдывается в других условиях. Вариантов запроса много, данные каждый раз разные, ответ приходится собирать из нескольких мест, а цена неточности терпимая. Пёстрые заявки, черновики под разный контекст, сведение цифр, работа с длинными документами.

Есть и рабочая связка из обоих. Бот встречает клиента, задаёт три вопроса с кнопками и отсекает всё очевидное. Дальше он передаёт диалог агенту, который разбирается со сложным. Обходится такая схема дешевле сплошного агента на всех входящих, при этом нестандартный вопрос в ней не упирается в тупик.

Простой ориентир: чем больше в задаче «а что если», тем быстрее сценарий превращается в клубок из сотни веток, который ты сам через полгода перестанешь понимать. Как только рисование веток начинает занимать больше времени, чем сама работа, пора смотреть в сторону агента. Более широкая карта того, какие процессы вообще поддаются автоматизации, разложена в материале про автоматизацию бизнес-процессов с ИИ.

Как это выглядит на заявках в мебельной мастерской?

Возьмём типовую ситуацию, знакомую любому, кто продаёт что-то с вариантами. Мастерская делает мебель на заказ. Заявки падают из четырёх мест: сайт, директ, почта и мессенджер. Каждую нужно прочитать, понять, чего человек хочет, прикинуть, укладывается ли это в производство, и ответить.

Владелец тратит на это первые полтора часа рабочего дня, потому что заявки приходят вперемешку с мусором, а половина написана в стиле «здравствуйте, а вы шкафы делаете?».

Сценарный бот такую задачу закрывает частично. Он спросит имя, город и что нужно, но на фразе «нужен шкаф в нишу два двадцать на девяносто, но с выступом под трубу» он сдастся.

Что делает агент. Он забирает все входящие в одно место, читает текст целиком и вытаскивает из него город, тип изделия, примерные габариты и срок. Дальше сверяется с памятью: какие материалы есть, какие сроки реальны в этом месяце, куда мастерская не возит. Когда человек просит то, чего мастерская не делает, агент готовит вежливый отказ с рекомендацией, куда обратиться. Живую заявку он считает по грубой вилке из прайса, помечает как срочную или обычную, добавляет строку в таблицу и складывает черновик ответа.

Владелец утром открывает таблицу, видит отсортированный список и десять готовых черновиков. Правит два из них, остальные отправляет как есть.

Полезно посмотреть, из чего в этом случае состоит регламент агента. Первый блок - что считать заявкой, а что игнорировать: реклама, спам, вопросы про вакансии уходят в отдельную папку без ответа. Второй блок - какие поля вытащить обязательно и что делать, если поля нет: город неизвестен, значит, вопрос про город идёт первым. Третий - список того, чего мастерская не делает: кухни под ключ с техникой, монтаж в чужих регионах, срочные заказы к завтрашнему дню. Четвёртый - тон: короткие фразы, обращение на «вы», никаких обещаний по срокам без визы владельца.

Обрати внимание на одну деталь. Агент не принял ни одного решения, которое стоит денег: вилку он посчитал по правилам из памяти, отказ сформулировал по заранее описанному шаблону, отправку оставил человеку. При этом он снял самую скучную часть работы - чтение и раскладывание.

Слабое место видно тут же. Если в памяти нет свежего прайса, вилка будет посчитана по старым цифрам, причём уверенным тоном. Актуализация базы знаний становится отдельной небольшой обязанностью, про которую при запуске обычно забывают. Здоровый вариант выглядит так: прайс лежит в одном файле, дата последнего обновления написана прямо в его первой строке, и агент цитирует эту дату в каждом черновике. Владелец видит в письме «прайс от 14 числа» и мгновенно понимает, что пора обновить файл.

Где всё равно нужен человек?

Агент снимает рутину, ответственность при этом остаётся на тебе целиком.

Решения уровня «поднять цену», «взять этого сложного клиента», «поменять продукт» нейросети не отдают. Агент выдаст десять вариантов заголовка, но какой из них звучит твоим голосом, слышишь только ты. А если он ошибся в цифре и это ушло клиенту, объясняться поедешь ты.

Через человека проходит всё, что связано с деньгами, юридическими обязательствами и репутацией. Отправка коммерческого предложения, публикация от лица компании, ответ на жалобу, любое обещание срока.

Есть и второй слой, о котором говорят реже. Человек нужен, чтобы замечать медленную деградацию. Агент не ломается громко: он начинает чуть чаще путать похожие позиции прайса, чуть суше писать, чуть хуже понимать новые формулировки клиентов. Без регулярного выборочного просмотра результатов это накапливается месяцами. Полчаса в неделю на чтение случайных десяти ответов окупаются лучше любой настройки.

Как собрать первого агента?

Попытка сразу построить отдел цифровых сотрудников заканчивается одинаково: через две недели работает ноль агентов, потому что ни один не доведён до ума. Бери одного.

1. Выбери одну задачу. Повторяющуюся, минут на двадцать-тридцать в день, с понятным результатом. Разбор заявок, черновики ответов поддержке, свод недельных цифр.
2. Опиши её словами. Что приходит на входе, что должно получиться на выходе, каким тоном, чего нельзя делать никогда. Этот текст и есть регламент агента, и он же потом станет инструкцией для живого стажёра.
3. Дай примеры. Два-три хороших ответа из прошлой переписки и один плохой с пометкой, чем он плох. На примерах модель попадает в тон заметно быстрее, чем на объяснениях.
4. Гоняй вручную. Первую неделю проверяй каждый результат руками. Занятие скучное, зато к пятому дню становится видно, где инструкция дырявая. Альтернатива - узнать об этом через месяц из жалобы клиента.
5. Подключай инструменты по одному. Черновики стабильно приличные - дай доступ к таблице. Прижилось - дай CRM. Право писать клиенту добавляй последним.

Пошаговая сборка с выбором конструктора, написанием регламента и первым запуском разобрана в гайде о том, как собрать ИИ-сотрудника с нуля. Если хочется связывать несколько сервисов между собой без программиста, посмотри разбор n8n с нуля: там как раз про то, как склеивать почту, таблицы и модель в один поток.

Отдельный вопрос - выбирать ли модель под задачу. Для черновиков и разбора текста разница между ведущими моделями заметна меньше, чем разница между хорошим и плохим регламентом. Сравнение по типам задач есть в материале Claude или ChatGPT.

Сколько это стоит?

Расходы на агента складываются из четырёх частей, и последние две обычно оказываются неожиданностью.

Оплата модели идёт либо подпиской с фиксированной суммой в месяц, либо по объёму обработанного текста. Для одной внутренней задачи с десятками запусков в день суммы получаются скромные, и разговор о токенах становится осмысленным ближе к сотням обращений в сутки.

Дальше идёт конструктор или платформа, где живёт агент. Разброс тут большой: бесплатные тарифы с ограничением по числу запусков, средние подписки для одного пользователя, заметные суммы за командную работу с историей и правами доступа.

Твоё время на настройку - третья статья. Первый агент почти всегда обходится в несколько вечеров, даже когда механика простая. Основное уходит на формулировки и на выяснение того, что ты сам не можешь внятно объяснить: как именно ты решаешь, срочная заявка или нет, по каким признакам отсеиваешь несерьёзного клиента.

Четвёртая статья - проверка. Пока агент не устоялся, кто-то читает его результаты. Эти часы стоит честно посчитать заранее и сравнить с тем, сколько сейчас съедает сама рутина. Иногда арифметика показывает, что задачу проще отдать человеку или вовсе перестать её делать.

Отсюда же растёт выбор между «собрать самому» и «заказать под ключ». Самостоятельная сборка дешевле деньгами и дороже временем, у подрядчика соотношение обратное, а поддержка требуется в обоих случаях. Развёрнутое сравнение есть в статье про то, стоит ли брать ИИ-агентов под ключ или собирать самому. Часть задач вообще закрывается скриптом без всякой нейросети, если данные строгие и правила не меняются, - про эту границу есть отдельный разбор о том, что реально автоматизируется на Python.

Где агент ломается и как это ловить?

Главная неприятность в том, что он говорит одинаково уверенно и когда прав, и когда выдумывает. У явления есть название - галлюцинация. Модель заполняет пробел правдоподобным текстом, поскольку её работа состоит в том, чтобы продолжить фразу связно.

Четыре привычки закрывают большую часть риска.

• Проси источник. Вопрос «откуда цифра?» должен получать ответ со ссылкой на конкретный файл или строку. Ответ в стиле «по общим данным рынка» означает, что цифра выдумана.
• Держи узкое разрешение. Пусть агент складывает результат в отдельное место и клиенту ничего не пишет. Право отправки добавляется последним и только после спокойного месяца.
• Проверяй на краю. Прогоняй через агента нетипичные случаи: путаный текст, противоречивые условия, запрос на то, чего вы не делаете. На удобных примерах любой агент выглядит гением.
• Начинай с обратимого. Всё, что нельзя отменить одной кнопкой, держи под ручным контролем дольше, чем кажется нужным.

Есть и менее очевидные поломки. Агент теряет контекст в длинном диалоге и начинает противоречить себе. Он путает похожие позиции, когда в базе знаний они описаны одинаковыми словами: «шкаф распашной» и «шкаф-купе» в одном абзаце с общими характеристиками гарантированно смешаются. Он молча меняет поведение после обновления модели у поставщика, и это особенно обидно: вчера работало, сегодня отвечает иначе, а ты ничего не трогал.

Лечится набором из десятка тестовых запросов, которые ты прогоняешь раз в месяц и глазами сравниваешь с эталонными ответами. Держи их в отдельном файле вместе с правильными ответами, чтобы проверка занимала пятнадцать минут. Тестовые случаи полезно набирать из реальных провалов: каждый раз, когда агент промахнулся, запрос отправляется в этот файл. За полгода набирается неплохой набор, по которому видно любую просадку.

Отдельно про данные. Прежде чем давать агенту доступ к клиентской базе, реши, что именно уходит на сторону поставщика модели, и вычисти лишнее. Персональные данные в промпте - это отдельная ответственность, и никакая экономия времени её не оправдывает. Практический минимум: заменять имена и телефоны на условные метки перед отправкой, а сопоставление хранить у себя.

Что отвечать на частые возражения?

«Он всё равно ошибается, значит, бесполезен». Живой стажёр в первую неделю ошибается тоже, разница в том, что от него никто не ждёт безупречности. Агент полезен на задачах, где ошибка ловится проверкой за минуту и стоит дёшево. Там, где промах обходится дорого, он остаётся черновиком под человеком.

«У меня слишком специфичный бизнес». Специфика почти всегда сидит в базе знаний. Механика разбора заявки, свода цифр и подготовки черновика устроена одинаково у мастерской, стоматологии и подрядчика по кровле, отличается наполнение памяти и список запретов.

«Некогда этим заниматься, у меня операционка». Ровно поэтому и стоит начать с одной задачи из этой операционки. Первый агент отбивается тем, что освобождает кусок утра, из которого потом берётся время на второго.

«Клиенты не любят общаться с роботом». В большинстве сценариев клиент вообще не встречается с агентом: тот работает внутри, а наружу выходит человек с уже подготовленным ответом. Раздражает людей бесконечное меню, которое гоняет по кругу и не решает вопрос.

«Это дорого». Одна внутренняя задача стоит меньше, чем один рабочий день помощника в месяц. Дорого получается, когда стартуют сразу с десятком агентов и большой интеграцией, ни разу не проверив гипотезу на простом.

«А если завтра отключат доступ к модели». Регламент, база знаний и описания инструментов живут у тебя, они написаны обычным текстом и переносятся на другую модель за вечер. Привязка возникает тогда, когда всю логику зашивают в интерфейс одного сервиса без выгрузки. Держи тексты в своих файлах, и смена поставщика превратится в техническую операцию.

Зачем тебе больше одного агента?

Один агент - это личное удобство. Заметный эффект начинается там, где у каждой роли появляется свой исполнитель: продавец, маркетолог, аналитик, и все они опираются на общую память о твоём деле.

Такая конструкция выигрывает по двум причинам. Узкий агент проще отлаживается, потому что у него меньше поводов ошибиться. И замена модели становится дешёвой операцией: новая встаёт на место старой, а регламенты, база знаний и связи остаются нетронутыми.

Сборка команды из ролей упирается в аккуратность описаний. Каждому нужно объяснить границы: что он делает, чего не делает никогда, кому передаёт непонятное. Без этого два агента начинают дублировать работу и спорить друг с другом в общей таблице. Разграничение проще держать через данные: у каждого своя вкладка или своя папка на запись, а общая база доступна только на чтение.

Как к сборке таких команд подходят на нашем рынке и какие инструменты доступны без зарубежных карт, я разбирал в обзоре про ИИ-агентов для бизнеса в России. Отдельный сюжет - попытка сделать копию конкретного сотрудника со всеми его знаниями: где это работает, а где остаётся красивой идеей, разобрано в материале про цифрового двойника сотрудника. Для аналитической роли полезно заранее понимать, какие вопросы вообще имеет смысл задавать машине, - об этом есть разбор про ИИ для бизнес-аналитики.

С чего начать на этой неделе?

Открой календарь и найди дело, которое повторялось каждый рабочий день последние две недели. Опиши его на страницу текста: вход, выход, тон, запреты. Собери три примера хорошего результата. Запусти агента в режиме черновика и неделю проверяй руками.

Через неделю у тебя будет либо работающий помощник, либо понимание, что задача описана криво, и это тоже полезный результат: криво описанную задачу живому человеку ты передал бы с тем же успехом.

Шаблоны ролей, готовые регламенты и разборы, что кому можно доверять, мы выкладываем в закрытый канал ИИмперии. Заходи, если хочешь довести своего агента до рабочего состояния.

Доведи одну задачу до состояния, когда результат перестаёт тебя удивлять, и в понедельник у тебя выйдет на смену исполнитель, который не переспрашивает, где лежит прайс.

Источники

• Интеллектуальный агент - Википедия: базовое определение агента, который воспринимает среду и действует для достижения цели.
• Чат-бот - Википедия: как устроены сценарные боты, отвечающие по заранее заданным правилам.
• Галлюцинация (искусственный интеллект) - Википедия: почему языковые модели уверенно выдают недостоверные факты.
• Building effective agents - инженерный разбор Anthropic про то, когда нужен цикл с инструментами, а когда хватает простой цепочки вызовов.