ИИ-агенты для бизнеса: где они реально работают, а где сжигают бюджет

За последний год к нам приходили с запросом «сделайте нам ИИ-агента» примерно двадцать раз. В половине случаев после разбора задачи выяснялось, что нужен не агент, а обычная интеграция на пятьдесят строк кода. В другой половине агент действительно снимал с людей десятки часов рутины в месяц. Разница между этими случаями видна заранее, и в статье мы покажем, как её различать.

Чем ИИ-агент отличается от чат-бота

Чат-бот отвечает текстом. Вы задаёте вопрос, он формулирует ответ и на этом его работа заканчивается. Агент получает доступ к инструментам — функциям, которые умеют читать базу данных, создавать заявку в CRM, отправлять письмо — и сам решает, какие из них вызвать, чтобы выполнить задачу.

Практическая разница проявляется в формулировке запроса. Боту говорят «расскажи, как оформить возврат». Агенту говорят «оформи возврат по заказу 4821», и он проверяет статус заказа, сверяет сроки с политикой возврата, создаёт заявку и сообщает её номер.

Четыре задачи, где агент окупается

Мы выделили признак, который объединяет все удачные внедрения: сотрудник тратит время не на решение, а на сбор данных для решения. Человек уже знает, что делать, но вынужден открыть четыре системы и свести данные вручную. Именно этот сбор агент забирает на себя.

1. 01Первая линия поддержки. Агент видит историю заказов и договор клиента, отвечает на типовые вопросы и передаёт человеку только нестандартные случаи. Снимает 40–60 процентов обращений.
2. 02Обработка входящих документов. Счёт, накладная или резюме приходят в почту, агент извлекает поля, сверяет их с базой и создаёт запись. Экономит время на ручном вводе и уменьшает число опечаток.
3. 03Поиск по внутренним знаниям. Регламенты, инструкции и переписка за несколько лет становятся доступны через один вопрос со ссылкой на источник.
4. 04Подготовка отчётности. Агент собирает цифры из нескольких систем и формирует черновик отчёта, который человек проверяет и утверждает.

Как выглядит агент в коде

Ниже упрощённый агент поддержки на TypeScript с AI SDK. Ключевая часть — не промпт, а описание инструментов: именно оно определяет, что агент способен сделать, а чего не сможет ни при какой формулировке запроса.

import { generateText, tool } from "ai"
import { z } from "zod"

const result = await generateText({
  model: "openai/gpt-4.1",
  system: [
    "Ты оператор поддержки интернет-магазина.",
    "Отвечай только на основании данных из инструментов.",
    "Если данных не хватает — скажи об этом и не придумывай.",
  ].join(" "),
  prompt: "Оформи возврат по заказу 4821, товар не подошёл по размеру",
  tools: {
    getOrder: tool({
      description: "Получить состав и статус заказа по его номеру",
      inputSchema: z.object({ orderId: z.string() }),
      execute: async ({ orderId }) => {
        // Здесь обращение к вашей базе. Возвращаем только нужные поля,
        // чтобы не отправлять в модель лишние персональные данные.
        return db.orders.findPublicFields(orderId)
      },
    }),
    createReturn: tool({
      description: "Создать заявку на возврат. Только для заказов со статусом delivered",
      inputSchema: z.object({
        orderId: z.string(),
        reason: z.string().max(500),
      }),
      execute: async ({ orderId, reason }) => {
        const order = await db.orders.find(orderId)
        // Проверку прав и бизнес-правил делаем в коде, а не в промпте:
        // модель можно убедить словами, код — нельзя.
        if (order.status !== "delivered") {
          return { ok: false, error: "Возврат возможен только после доставки" }
        }
        return db.returns.create({ orderId, reason })
      },
    }),
  },
  // Ограничиваем число шагов: защита от зацикливания и роста расходов
  maxSteps: 5,
})

Признаки того, что агент не нужен

• Процесс полностью детерминирован. Если правила описываются таблицей условий, дешевле и надёжнее написать эти условия кодом.
• Нет структурированных данных. Агенту нужен доступ к системам через API. Если учёт ведётся в разрозненных таблицах, сначала наведите порядок в данных.
• Ошибка стоит дорого и необратима. Платежи, юридически значимые документы, медицинские назначения — здесь модель может готовить черновик, но решение принимает человек.
• Обращений мало. При двадцати запросах в месяц агент не окупит ни разработку, ни поддержку.

Сколько стоит и как считать эффект

Мы считаем окупаемость по простой формуле: сэкономленные часы умножаем на стоимость часа сотрудника и сравниваем с суммой разработки, расхода на модель и поддержки. Расход на модель для агента поддержки при тысяче обращений в месяц обычно укладывается в три–восемь тысяч рублей — это заметно меньше, чем ожидают заказчики.

Основная статья затрат — не модель, а разработка интеграций и тестирование. Именно поэтому мы всегда начинаем с пилота на одном узком сценарии: он показывает реальную долю автоматизации до того, как вы вложите бюджет в полноценное внедрение.

Хороший агент выглядит скучно: он закрывает один процесс, делает это предсказуемо и не пытается быть универсальным помощником на все случаи.

С чего начать внедрение

1. 01Выберите один процесс с измеримым объёмом: сколько обращений или документов в месяц и сколько времени уходит на каждое.
2. 02Проверьте доступность данных: есть ли API у систем, которые нужно читать и изменять.
3. 03Соберите пилот на реальных данных за две-три недели и измерьте долю задач, закрытых без человека.
4. 04Расширяйте охват только после того, как пилот показал стабильный результат на этой доле.