Михаил Александрович Жигальцов
Руководитель, который впервые разбирается в теме ИИ-агентов, обычно сталкивается с двумя крайностями. Одна — маркетинговые тексты платформ, где агент умеет все и решает любую задачу за один клик. Другая — технические статьи для разработчиков, где архитектура агента разобрана подробно, а про влияние на выручку или штат отдела поддержки — ни слова. Этот текст написан для тех, кто принимает решение о внедрении, а не пишет код: что такое агент по сути, какие семь решений стоит рассмотреть и, что важнее всего для российской компании, какие из них вообще можно легально подключить к данным своих клиентов.
Масштаб интереса к теме не случаен. По оценке McKinsey Global Institute об экономическом потенциале генеративного ИИ, сделанной в 2023 году, такие технологии способны добавлять мировой экономике от 2,6 до 4,4 трлн долларов ежегодно. Агенты — следующий практический шаг после чат-ботов внутри той же волны, и именно поэтому тема не сходит с повестки советов директоров уже третий год подряд.
Чат-бот отвечает на вопросы в рамках одного диалога и не выходит за пределы заложенного сценария. RPA-робот выполняет заранее прописанную последовательность действий — нажал кнопку, скопировал данные, вставил в другую систему — и ломается, как только процесс чуть меняется. ИИ-агент устроен иначе: он получает цель, а не сценарий, и сам решает, в каком порядке и какими инструментами ее достигать, меняя план по ходу работы.
Разница проявляется в трех вещах. Во-первых, автономность: агенту не нужно прописывать каждый шаг — он сам определяет порядок действий исходя из промежуточного результата. Во-вторых, доступ к инструментам: агент умеет вызывать внешние сервисы и API — отправить письмо, создать задачу в CRM, сделать запрос к базе данных, — а не только генерировать текст внутри чата. В-третьих, многошаговость: там, где чат-бот закрывает один запрос, агент способен провести всю цепочку — найти информацию, сопоставить ее с внутренними данными компании, подготовить документ и уведомить ответственного сотрудника — без участия человека на каждом шаге.
Если нужна бытовая аналогия: чат-бот — это справочная стойка, которая отвечает на вопрос по инструкции. Агент — это младший сотрудник, которому поручили задачу и дали доступ к нужным папкам и телефонам, а дальше он сам решает, кому позвонить первым. Это не значит, что он работает без контроля: грамотное внедрение почти всегда оставляет человеку точку финальной проверки — особенно там, где решение агента касается денег, юридических обязательств или данных клиентов.
Применение агентов группируется вокруг задач, где много рутинных, но нетривиальных шагов — там, где простой RPA не справляется, потому что процесс недостаточно жесткий, а нанимать отдельного человека на такой объем работы невыгодно.
В продажах и клиентской поддержке агенты квалифицируют входящие обращения, подбирают ответы по базе знаний компании и эскалируют сложные случаи на живого оператора. Вопрос, заменяют ли такие системы менеджеров по продажам целиком или меняют их роль, разобран отдельно в материале о применении искусственного интеллекта в продажах и его влиянии на работу руководителей.
В маркетинге агенты собирают и структурируют данные о конкурентах и рынке, готовят черновики контента под бренд-гайд и распределяют рекламные бюджеты между каналами по заданным правилам. В электронной коммерции похожая логика применяется к управлению ассортиментом и ценами на торговых площадках — подробнее об этом в материале про эпоху ИИ и маркетплейсов.
В финансах и бухгалтерии агенты сверяют счета с договорами, ищут расхождения в первичке и готовят черновики отчетности для проверки финансистом. В HR — проводят первичный скрининг резюме, отвечают на типовые вопросы сотрудников про отпуска и больничные, готовят черновики офферов. В операционных процессах — отслеживают отклонения на производстве или в логистике и сами формируют заявку на закупку или ремонт, когда показатель выходит за норму.
Общая логика везде одна: агент берет на себя сбор и первичную обработку информации, а человек остается на входе, формулируя задачу, и на выходе, принимая финальное решение.
Ниже — подборка решений, которые закрывают разные сценарии: от готовой платформы внутри CRM до конструктора без кода и российских аналогов, не зависящих от доступности зарубежных сервисов.
1. Salesforce Agentforce. Решение для компаний, у которых CRM уже построена на Salesforce. Агент работает внутри существующих данных о клиентах и сделках: обрабатывает обращения в поддержку, подсказывает менеджеру следующий шаг по сделке, автоматически обновляет карточки клиентов. Платформа была представлена в официальном анонсе Salesforce Agentforce в 2024 году и рассчитана на компании, где продажи и сервис уже цифровизированы, а задача — убрать ручную рутину из воронки. Управленческий результат — более короткое время реакции на обращение и ровное качество первого ответа клиенту независимо от загрузки конкретного менеджера.
2. OpenAI ChatGPT Agents. Агентный режим поверх знакомого чат-интерфейса: вы формулируете задачу в свободной форме — «собери цены конкурентов по этим позициям и оформи таблицу» — и агент сам открывает нужные источники, собирает данные и готовит результат. Подходит компаниям без своего CRM или сложной инфраструктуры для разовых и среднечастотных аналитических задач: обзор рынка, подготовка брифа, обработка больших текстовых массивов.
3. Google Gemini Agents. Встроен в экосистему Google Workspace — почту, календарь, документы, таблицы. Сценарий применения — компании, которые уже живут в Google-инфраструктуре: агент может разобрать почту по приоритетам, собрать данные из нескольких таблиц в один отчет, подготовить черновик письма по истории переписки. Управленческий эффект — экономия времени административного и офисного персонала на рутинной обработке документов.
4. Anthropic Claude с протоколом MCP. Отличие этого варианта — гибкость подключения к внутренним системам компании через открытый протокол Model Context Protocol, который позволяет агенту обращаться к внутренним базам знаний, файловым хранилищам и корпоративным инструментам напрямую, а не только к готовым коннекторам вендора. Подходит компаниям с собственной IT-командой, готовой настроить интеграцию под конкретные внутренние системы, а не ограничиваться стандартным набором.
5. Zapier AI Actions. Конструктор без кода поверх уже существующей экосистемы интеграций Zapier между сервисами. Задача агента здесь — не генерировать контент, а принимать решение, какое действие выполнить дальше в цепочке «если это, то сделай то», опираясь на контекст, а не на жестко прописанное условие. Подходит малому и среднему бизнесу без штатных разработчиков, у которого есть набор разрозненных сервисов — CRM, таблицы, мессенджеры, почта, — которые нужно связать между собой.
6. Яндекс AI Studio. Российская платформа для создания и настройки ИИ-агентов на базе собственных моделей с размещением в российском облаке. Практический довод в пользу такого выбора — данные остаются на серверах внутри юрисдикции РФ, что снимает часть вопросов о трансграничной передаче персональных данных клиентов. Подходит компаниям, для которых локализация данных — не опция, а требование: финансовый сектор, госзаказчики, компании с чувствительными клиентскими базами.
7. ГигаЧат Бизнес. Корпоративная платформа Сбербанка для внедрения генеративного ИИ и ИИ-агентов во внутренние процессы — от обработки обращений клиентов до подготовки аналитики. Решение описано на платформе ГигаЧат Бизнес от Сбера и, как и Яндекс AI Studio, развернуто на российской инфраструктуре — второй вариант для компаний, которым важна локализация и предсказуемая доступность сервиса вне зависимости от внешних ограничений.
Первые пять решений — зарубежные продукты. Последние два — российские. Это разделение не формальность: оно напрямую влияет на то, можно ли вообще подключить агента к данным о ваших клиентах без юридических рисков.
Прежде чем выбирать инструмент по функционалу, стоит ответить на два практических вопроса, которые редко задают на старте, а зря.
Первый — доступен ли сервис для российской компании технически и останется ли он доступен через полгода. Часть зарубежных платформ ограничивает регистрацию и оплату для компаний из России, часть работает только через посредников или требует валютных расчетов. Прежде чем проектировать процесс вокруг конкретного зарубежного агента, стоит уточнить условия обслуживания именно на момент подключения — политика вендоров по доступу меняется быстро.
Второй вопрос серьезнее с точки зрения права: куда физически уходят данные клиентов, когда агент подключен к CRM или базе обращений. Если агент обрабатывает персональные данные — имя, телефон, историю покупок, переписку — и эти данные передаются на серверы за пределами России, компания обязана соблюдать требования о трансграничной передаче, закрепленные в ст. 12 152-ФЗ о трансграничной передаче персональных данных. На практике это означает, что перед подключением зарубежного агента к клиентской базе стоит отдельно выяснить у юридической службы или провайдера, где физически размещаются данные, как оформлено согласие клиента на их обработку и нужно ли уведомление в Роскомнадзор.
Это не повод отказываться от зарубежных платформ — многие компании успешно их используют. Но это повод не подключать агента к живой клиентской базе в первый же день пилота: разумный порядок — сначала протестировать на обезличенных или тестовых данных, и только потом, с одобрения юриста, переходить к боевым данным клиентов. Для компаний, где соответствие 152-ФЗ особенно чувствительно — финансы, медицина, большие объемы персональных данных, — выбор в пользу Яндекс AI Studio или ГигаЧат Бизнес снимает большую часть этого вопроса с повестки, потому что данные с самого начала остаются в российской юрисдикции.
Выбор инструмента зависит не от того, какая платформа «лучше» в отрыве от контекста, а от того, что уже есть у компании и сколько готовы вложить на старте.
Бюджет на старте правильнее планировать не вокруг лицензии на платформу, а вокруг пилота: выбрать один процесс с понятной метрикой — время обработки обращения, число ошибок при сверке документов, скорость ответа клиенту, — прогнать агента на нем один-два месяца и только после этого расширять на соседние процессы. Отдельная статья расходов, о которой часто забывают на этапе планирования бюджета, — время сотрудников на обучение работе с новым инструментом и адаптацию процессов под него; это не разовая трата, а часть стоимости внедрения. Тот же принцип — точечные, измеримые инструменты вместо масштабной трансформации сразу — разобран на примере более широкого набора управленческих решений в подборке 20 инструментов для системного бизнеса.
Чтобы логика пилота была понятнее, разберем условный, иллюстративный пример — не реальный кейс конкретной компании, а модель расчета, которую можно повторить на своих цифрах.
Представим интернет-магазин одежды среднего размера, где служба поддержки из трех операторов в пиковые дни не успевает отвечать на все обращения в течение часа. Компания подключает агента к базе типовых вопросов — статус заказа, условия возврата, наличие размера — на тестовом контуре, без доступа к платежным данным. Если за несколько недель пилота агент закрывает заметную часть типовых обращений без участия оператора, а время ответа на оставшиеся сложные вопросы падает, потому что операторы больше не тратят время на повторяющиеся простые вопросы, — это сигнал к расширению: подключению агента к ограниченному набору реальных данных клиентов, например имени и статусу заказа без платежных реквизитов, с согласия клиента и под контролем юриста.
Логика переноса на другую отрасль та же: отдел с измеримым объемом однотипных обращений, тестовый контур без чувствительных данных, короткий пилот с одной понятной метрикой, и только потом — расширение.
Качество ответа агента напрямую зависит от качества данных, на которых он работает: если база знаний компании устарела или противоречива, агент будет уверенно выдавать неверные ответы клиенту — и чем лучше он звучит, тем позже это заметят.
Привязка к одному вендору — отдельный риск для компании, построившей ключевой процесс вокруг конкретной платформы: смена тарифов, изменение условий доступа или уход поставщика с рынка означают, что процесс придется перестраивать заново, а не донастраивать.
Ошибки и так называемые галлюцинации — ситуации, когда агент уверенно сообщает неточную информацию — требуют финальной проверки человеком в задачах, где цена ошибки высока: финансовые расчеты, юридические формулировки, медицинские рекомендации.
Последний риск — не технический, а управленческий: сопротивление сотрудников. Если оператор поддержки или бухгалтер узнает об агенте как о замене себе, а не как об инструменте, снимающем рутину, внедрение буксует независимо от качества технологии. Проекты, где сотрудников заранее вовлекают в выбор процессов для автоматизации и объясняют, какая часть работы остается за ними, проходят заметно спокойнее тех, где решение спускается сверху без объяснений. Более широкий разговор о том, как технологии меняют не только процессы, но и роли людей внутри компании, разобран в материале о том, как технологии меняют бизнес и повседневную жизнь.
Если компания готовит команду к такому внедрению, обучение менеджеров работе с новыми инструментами имеет смысл выносить в отдельный блок задач — этому посвящены корпоративные программы обучения для управленческих команд.
Нужен ли ИИ-агент компании с штатом до 10 человек?
Да, если в компании есть повторяющийся процесс с понятным объемом — например, однотипные вопросы клиентов или регулярная сверка документов. Если такого процесса нет, а задачи каждый раз разные, агент не даст эффекта: ему нужна повторяемость, чтобы накопить паттерн.
Сколько времени занимает внедрение агента до первого результата?
Это зависит от того, подключаетесь ли вы к готовой платформе или настраиваете интеграцию с нуля. Пилот на одном узком процессе с готовым инструментом обычно занимает недели, а не месяцы; интеграция с собственными внутренними системами через протоколы вроде MCP требует больше времени на настройку со стороны IT-команды.
Можно ли обойтись без зарубежных платформ вообще?
Да — Яндекс AI Studio и ГигаЧат Бизнес закрывают большинство типовых сценариев: поддержку, аналитику, обработку обращений, — и снимают вопрос трансграничной передачи данных, потому что инфраструктура размещена в России.
Чем агент отличается от обычной автоматизации по сценарию?
Сценарная автоматизация ломается, когда реальный случай не укладывается в заранее прописанный путь. Агент в той же ситуации способен сам скорректировать порядок действий, опираясь на цель, а не на жесткий алгоритм — это и есть практическая граница между RPA и агентом.
С чего начать, если в компании раньше не было опыта с ИИ-инструментами?
С одного процесса, а не с комплексной стратегии: выбрать задачу с понятной метрикой, протестировать на одном инструменте из подборки выше без доступа к чувствительным данным клиентов, и расширять только после того, как пилот подтвердил результат на цифрах, а не на ощущениях.
Пройти короткий курс по применению ИИ-агентов вы можете в Бизнес-школе ЦБО.
Редакция Бизнес-школы ЦБО
Комплексная программа развития ключевых современных управленческих компетенций
20 октября 2026
