ИИ-агенты в бизнесе: где они работают, а где сжигают бюджет
За последний год мы внедрили ИИ-агентов в десятке проектов. Где-то это снизило косты на 30%, а где-то стало дорогой ошибкой, которую пришлось откатывать. Делюсь опытом — без хайпа.
Что такое «ИИ-агент» в 2026
Агент — это не просто чат с GPT. Это автономная сущность, у которой есть: цель, набор инструментов (API, базы, действия), память, и циклы рассуждения. Хороший агент сам декомпозирует задачу, вызывает нужные tools, проверяет результат и переспрашивает себя.
Где агенты реально окупаются
1. Поддержка первой линии
80% запросов в B2C — это однотипные вопросы: статус заказа, условия возврата, как настроить продукт. Агент с RAG по базе знаний и доступом к CRM закрывает их за 4 секунды без оператора. Главное — не пытаться заменить и сложные кейсы тоже.
2. Pre-sales квалификация лидов
Агент собирает с лида данные: бюджет, сроки, размер команды, контекст. Передаёт менеджеру уже квалифицированную карточку. Конверсия из лида в встречу растёт на 25-40%, потому что менеджер не тратит время на «не наш клиент».
3. Аналитика операционных данных
Запрос «покажи топ-10 товаров с падением продаж за 30 дней и предложи гипотезы» агент превращает в SQL, выполняет, интерпретирует и пишет отчёт. Аналитик переключается на стратегические задачи.
4. Контент-операции
Перевод, локализация, переписывание под формат, генерация SEO-страниц по шаблону. Здесь агенты — рабочая лошадка, особенно если есть стиль-гайд и проверка через второго агента-редактора.
Где агенты сжигают деньги
1. Продажи сложных продуктов
Корпоративные сделки на сотни тысяч долларов всё ещё требуют живого менеджера. Агент может квалифицировать, но не закрывать. Попытки доверить ему всю воронку заканчиваются провалом и потерей доверия клиента.
2. Креативные задачи без жёстких рамок
«Придумай нам бренд» или «напиши вирусный пост» — это там, где агент даёт средний результат. Хорошему контенту нужен вкус, а у LLM его нет — есть только статистика.
3. Решения с юридическими последствиями
Возвраты, штрафы, расторжения договоров — здесь нужен человек или хотя бы human-in-the-loop. Агент, который сам отменяет заказ — это иск.
Архитектура, которая работает
Мы используем многослойную схему:
- Router-агент. Принимает запрос, классифицирует, выбирает специализированного агента.
- Tool-агенты. Каждый отвечает за свой домен: CRM, biling, knowledge base, analytics.
- Verifier. Проверяет, что вывод соответствует политике компании. Без него агент рано или поздно скажет лишнее.
- Memory. Долгосрочная (pgvector) и краткосрочная (Redis). Без памяти агент — это калькулятор с интерфейсом.
Главное правило: агент должен мочь сказать «я не знаю» и передать человеку. Если он этого не может — он не агент, а генератор галлюцинаций.
Сколько это стоит
Honestly — зависит. Внедрение полноценной агентной системы среднего размера: 3-6 месяцев, команда из 2-4 инженеров, плюс ~-8k/мес на инференс и инфраструктуру. Дешевле — пилот на 4-6 недель, на узкой задаче, с четкой метрикой успеха.
Чек-лист перед стартом
- Какую конкретную метрику вы хотите подвинуть и на сколько?
- Какие данные у вас уже структурированы и готовы к подключению?
- Кто будет владельцем агента после релиза — продакт или ops?
- Как вы измерите регресс качества через 3 месяца?
- Что делает агент, если внешний API упал?
Если вам нужен второй взгляд на проект с ИИ-агентами — пишите в @EniseevE. Внимательно смотрю архитектуру и говорю «делайте» или «не делайте» с обоснованием.
← Все статьи