
Языковые модели используют или тестируют 86% крупных российских компаний, но автономные агенты работают в промышленной эксплуатации, то есть в рабочих процессах компании, а не в тестовом пилоте, лишь у 8%. Разрыв отражает, что решение о внедрении принимается на уровне процесса и ответственности, а не только технологии.
Чтобы оценить, где агент оправдан, необходимо ввести корректное определение самого термина. В контексте генеративного ИИ агент — программная система, которая использует языковую модель для выбора последовательности действий и взаимодействия с подключёнными инструментами. Агент учитывает промежуточные результаты и действует в пределах заданных прав, ограничений и условий передачи управления человеку. В отличие от решения, которое работает по заранее заданному сценарию, агент планирует и выполняет многошаговую задачу в заданных ограничениях.
В проектных обсуждениях эти термины часто используются как синонимы, поэтому их необходимо разграничить. Ключевой критерий: ролевая ответственность при определении шагов.
| Подход | Как устроен | Кто определяет шаги | Типичная задача | Ограничение |
|---|---|---|---|---|
| RPA | Робот повторяет действия в интерфейсах по правилам | Разработчик | Перенос данных, заполнение форм, выгрузка отчётов и другие повторяемые операции в интерфейсах | Сценарии, зависящие от структуры интерфейса или формата данных, могут требовать обновления при изменениях; устойчивость зависит от реализации |
| Ассистент на языковой модели (в том числе с поиском по документам, RAG) | Модель отвечает по загруженным знаниям | Разработчик задаёт схему, модель формулирует ответ | Поиск ответа в регламентах и базах знаний | Как правило, отвечает и готовит материалы; самостоятельное выполнение цепочки действий в бизнес-системах не является основной задачей |
| LLM-цепочка (workflow) | Заранее заданные шаги, часть из них выполняет модель | Разработчик | Классификация обращений, извлечение данных из документов | Порядок и допустимые переходы задаются правилами заранее; исключения и передача человеку возможны, если предусмотрены |
| ИИ-агент | Модель выбирает шаги и инструменты в цикле до получения результата, достижения лимита или передачи задачи человеку | Модель в заданных рамках | Многошаговая задача с неопределённым путём | Нужен контроль: поведение менее предсказуемо |
Агент отличается степенью самостоятельности модели. Workflow подходит, когда порядок действий и допустимые переходы можно заранее задать правилами; агент полезен, когда следующий шаг целесообразно выбирать модели с учётом контекста и результатов инструментов.
Сравнение с RPA также приведено в статье «Как внедрить ИИ-агентов в бизнес-процессы», в настоящем материале основное внимание уделено устройству агента и границам применимости.
Внутри агента повторяется один цикл: цель, план, действие, оценка. Работу обеспечивают несколько компонентов.
Цикл работы выглядит следующим образом. Агент получает цель, решает, какая информация нужна, вызывает инструмент, анализирует результат, при необходимости вызывает следующий инструмент и до получения результата, достижения лимита или передачи задачи человеку продолжает цикл. Поскольку на каждом шаге решение принимает модель, качество работы определяется инструментами, инструкциями и ограничениями не в меньшей степени, чем самой моделью.
В настоящее время наиболее результативны задачи, в которых много текстовых данных, определены источники и результат действия поддаётся проверке.
| Область | Функционал агента |
|---|---|
| Работа с документами | Извлекает данные из договоров и писем, сверяет с правилами, проверяет оформление, готовит черновик |
| ИТ-эксплуатация | Классифицирует обращения, собирает контекст по инциденту, предлагает действия |
| HR и внутренние операции | Проводит первичный отбор резюме по формальным критериям, сопровождает адаптацию новых сотрудников |
| Разработка и тестирование | Пишет код, проверяет его по стандартам, запускает тесты, готовит документацию и отчёт о результатах |
| Аналитика и отчётность | Собирает данные из источников, сверяет их между системами, формирует сводки, отвечает на вопросы по данным |
| Область | Функционал агента |
|---|---|
| Поддержка клиентов | Отвечает на типовые обращения, находит ответ в базе знаний, создаёт заявку, сообщает статус заказа или заявки |
| Входящие заявки и продажи | Направляет заявки в нужный отдел, проводит первичную квалификацию запроса |
Другие примеры из практики описаны в материале «ИИ-агенты и RAG-системы: как автоматизировать работу с документами и знаниями».
Остаётся вопрос, подтверждается ли ценность таких задач данными: насколько внедрения окупаются на практике и как быстро растёт их масштаб.
Оценки экономического эффекта и сроков окупаемости зависят от процесса и данных. Обзор подходов к расчёту — в статье «ИИ-агенты в бизнесе: внедрение, затраты и окупаемость».
В начале статьи приведён разрыв: языковые модели используют или тестируют 86% крупных российских компаний, а автономные агенты работают в рабочих процессах лишь у 8%. Исследования помогают понять, что за ним стоит: какой результат дают внедрения и на каком этапе проекты останавливаются.
Какой результат дают внедрения.
На каком этапе останавливаются проекты.
Как меняется рынок.
Если свести данные вместе, картина получается такой: ИИ-агенты приносят результат там, где процесс описан, данные в порядке и есть сотрудник, который отвечает за итог. Трудности возникают не с выбором технологии, а при переходе от пилота к повседневным процессам, поэтому показатели успеха разумно определить ещё до запуска.
Чем больше самостоятельности получает агент, тем выше цена его ошибки, поэтому риски определяются до запуска. Большинство из них снижается архитектурными решениями, а не выбором более мощной модели.
Степень самостоятельности агента определяется ценой ошибки. Если неточность легко исправить и она не выходит за пределы компании, как в черновике отчёта или внутренней сводке, агент может работать без дополнительной проверки. Если ошибка приводит к потере денег, жалобе клиента или нарушению требований, как при переводе средств или ответе клиенту, действие подтверждает сотрудник, а агент готовит материалы и предлагает решение.
Рекомендуемый порядок действий: выбрать один процесс, где есть понятная ценность и проверяемый результат; описать входные данные, шаги и критерии успеха; собрать тестовый набор реальных случаев; провести пилот с участием человека на критичных шагах; измерить результат на тестовом наборе; принять решение о масштабировании. На пилоте оценивают долю задач, успешно завершённых от начала до конца, число ошибочных действий, частоту передачи управления человеку, время обработки, стоимость одной задачи и устойчивость к некорректным или вредоносным входным данным. Результаты сравнивают с текущим способом выполнения процесса. Шаги подробно расписаны в пошаговом гиде по внедрению.
На этапе предварительной оценки специалисты «Пруфтек ИТ» определяют, нужен ли задаче агент или достаточно RAG-ассистента либо workflow, а затем проверяют источники данных, интеграции, требования безопасности и критерии пилота. Заявку на оценку можно оставить на странице разработки ИИ-решений.
Таким образом, ИИ-агент — программная система на основе языковой модели, которая самостоятельно выбирает шаги для достижения цели и действует через подключённые инструменты. Результативнее всего он работает там, где много текстовых данных, источники определены, а результат поддаётся проверке. Основные риски — ошибки модели, избыточные права, утечки данных и непрозрачность — снижаются минимальными правами, журналом действий и проверкой человеком критичных шагов.
Для бизнеса ценность агента определяется не технологией, а измеримостью эффекта: временем обработки, нагрузкой на сотрудников и стоимостью операции. Поэтому решение о внедрении разумно принимать по результату пилота на одном процессе.
Языковая модель — нейросетевая модель, а агент — программная система, которая использует модель, инструменты и механизмы управления: инструкции, память, права и контроль. Одна и та же модель может работать как чат, как ассистент или как агент.
Ассистент обычно помогает пользователю получать информацию, готовить тексты и выполнять отдельные действия по запросу. Он тоже может использовать поиск и инструменты. Агент отличается прежде всего самостоятельным выбором следующих шагов в многошаговой задаче в пределах разрешённых полномочий. Граница между подходами зависит от архитектуры решения.
В цепочке шаги и допустимые переходы заданы правилами заранее, а модель выполняет часть из них, например классифицирует обращения. В агенте следующий шаг выбирает модель с учётом контекста и результатов инструментов, поэтому поведение менее предсказуемо и требует больше контроля.
RPA повторяет действия в интерфейсах по правилам, заданным разработчиком, и ломается при изменении интерфейса или формата данных. Агент работает с неопределённым путём решения: он сам выбирает действия в заданных рамках.
Да, если внутри разрешённого контура размещены модель, хранилища, поиск, журналы и остальные компоненты обработки. Подключённые инструменты также проверяются на внешние обращения, а решение принимается на этапе проектирования.
Модель, хранилища и журналы размещаются в разрешённом контуре либо данные маскируются перед отправкой во внешний сервис. Агенту выдаются минимально необходимые права, все вызовы инструментов журналируются, а интеграции проверяются на внешние обращения. Состав мер определяется требованиями безопасности.