ИИ-агенты: принцип работы и сценарии использования в бизнесе

Более 60% крупных российских компаний интересуются внедрением ИИ-агентов. Необходимость автоматизации процессов, снижения издержек и повышения конкурентоспособности стимулирует спрос на интеллектуальные решения для бизнеса. Это способствует росту глобального рынка ИИ-агентов, который по прогнозам MarketsandMarkets достиг 52,62 млрд долларов в 2025 году.

На Hype Cycle Gartner ИИ-агенты пока находятся на пике завышенных ожиданий. Несмотря на успешные примеры внедрения в компаниях вроде Amazon, Unilever, «Яндекса» и «Сбера», многие организации сталкиваются с трудностями при интеграции этой технологии. В статье разбираемся на примерах, как работают ИИ-агенты и как они меняют бизнес-процессы.

Что такое ИИ-агент

Сегодня нет единого понимания, что такое ИИ-агент. По мнению ведущих технологических компаний Google, IBM и SAP, ИИ-агенты — это автономные или полуавтономные программные системы, которые используют искусственный интеллект, включая генеративные модели, для выполнения задач и достижения целей от имени пользователя. Их ключевое отличие — способность рассуждать и действовать.

Google выделяет шесть основных особенностей ИИ-агентов:

• Умение рассуждать (Reasoning) предполагает использование логики и анализа данных, чтобы выявлять закономерности и делать обоснованные выводы.
• Действие (Acting) — это способность выполнять задачи и достигать поставленных целей на основе собственных выводов или сигналов извне.
• Наблюдение (Observing) подразумевает сбор информации об окружающей среде. Этот эффект достигается с помощью различных технологий, например, компьютерного зрения (CV), обработки естественного языка (NLP).
• Планирование (Planning) — способность системы выработать цепочку действий, выполнение которых приведет к желаемому результату.
• Сотрудничество (Collaborating) обеспечивает эффективное взаимодействие с человеком и системами, в том числе и другими ИИ-агентами.
• Самообучение (Self-refining) — способность адаптироваться к изменениям и корректировать свои действия на основе уже полученного опыта и обратной связи.

ИИ-агент, ИИ-ассистент и ИИ-модель: в чем разница

Сегодня на рынке существуют разные подходы к применению ИИ: от простых чат-ботов до сложных автономных систем. Однако не все понимают разницу между ИИ-моделями, ИИ-ассистентами и ИИ-агентами. Эти понятия часто путают. Разберемся, чем они отличаются.

ИИ-агент — это следующая ступень эволюции после языковых моделей. Если ИИ-модель анализирует данные и генерирует ответы, то ИИ-агент не только анализирует, но и действует. ИИ-модель — это «мозг», который обрабатывает разовый запрос и выдает результат. ИИ-агент — это «мозг и руки»: он интегрируется с внешними системами, запускается по триггерам и выполняет цепочки задач для достижения цели.

Основное отличие ИИ-агента от ИИ-ассистента — уровень автономии и проактивности. ИИ-ассистенты, например, Siri или Алиса, реагируют на прямые запросы пользователя и выполняют точечные задачи. ИИ-агенты же способны самостоятельно планировать, принимать решения и адаптироваться в процессе выполнения задач.

Источник: Google

История развития ИИ-агентов

В середине ХХ века появились первые идеи об искусственном интеллекте. Алан Тьюринг тогда задался вопросом, могут ли машины думать как человек, и предложил тест для проверки их «интеллекта». В 1957 году Фрэнк Розенблатт создал персептрон — первую нейросеть, способную анализировать данные. К ИИ-пионерам также относят Артура Самюэля. Он разработал программу для игры в шашки, которая училась на собственных ошибках.

В 1960-х появился ELIZA — чат-бот Джозефа Вайценбаума, имитировавший диалог с человеком. Тогда же в Стэнфордском университете научные сотрудники создали экспертную компьютерную систему — DENDRAL. Затем появились и другие подобные, но они были далеки от автономности современных ИИ-агентов.

В 1970–1980-х интерес к ИИ ослаб, но в 1990-е исследования возобновились. Успехи того периода связаны с развитием машинного обучения. В 1997 году суперкомпьютер Deep Blue от IBM обыграл в шахматы чемпиона мира Гарри Каспарова. Это доказало, что ИИ может мыслить стратегически.

В 2010-е глубокое обучение (Deep Learning) позволило анализировать большие данные, распознавать изображения, видео и речь. Генеративные модели, такие как GPT от OpenAI, научились создавать связный текст и отвечать на сложные вопросы. На их базе и появились ИИ-агенты в более привычном для нас понимании.

С 2024 года крупные технологические компании начали запускать первые версии автономных агентов для более широкой аудитории. Яркие примеры — сервисы Anthropic, OpenAI и Google.

• Anthropic позиционирует гибридную модель Claude Sonnet 4.5 как основу для создания ИИ-агентов, которые смогут следовать инструкциям, выбирать инструменты и вести рассуждения. Модель также умеет работать с компьютером как человек: перемещать курсор, выполнять команды и набирать текст.
• OpenAI интегрировала агента Operator в ChatGPT. Он умеет самостоятельно просматривать информацию в интернете и выполнять операции за вас. Разработчики предлагают использовать его для заполнения форм, заказа продуктов и других повседневных задач как в быту, так и в бизнесе.
• Google развивает Project Mariner. Это агенты на базе Gemini 2.0, которые могут имитировать действия человека в браузере.Они понимают и анализируют информацию на экране и использовать ее через расширение для Chrome, чтобы выполнять задачи за вас. Также у компании есть Project Astra — многомодальный агент, который может использовать Google Search, Lens и Maps для выполнения задач.

Составляющие ИИ-агента

ИИ-агенты — сложные системы, объединяющие несколько ключевых компонентов. Чтобы понять, как они работают, важно разобраться в их архитектуре. Схематично можно выделить три обязательные составляющие.

LLM

Это интеллектуальное ядро, отвечающее за понимание задач, рассуждение, планирование последовательности действий и генерацию ответов. Именно LLM интерпретирует цель, данные из памяти и результаты работы инструментов, чтобы принять решение о следующем шаге. Без этой составляющей ИИ-агент не смог бы анализировать сложные задачи или адаптироваться к новым условиям.

Инструменты

ИИ-агент всегда оснащен механизмом вызова инструментов (tool calling). Они превращают «думающую» модель в действующего агента и обеспечивают взаимодействие с внешними системами и ресурсами. В качестве инструментов могут выступать:

• API: интеграция с корпоративными системами, базами данных, облачными сервисами.
• Low-code/no-code платформы: создание и настройка бизнес-процессов.
• RPA-платформы: автоматизация рутинных операций.

Память

Память позволяет ИИ-агенту действовать контекстуально и обучаться на основе прошлого опыта. Она делится на два типа:

• Краткосрочная (оперативная) память удерживает контекст в рамках текущей задачи или диалога.
• Долгосрочная память хранит историю взаимодействий, корпоративные знания, специфичные данные компании и предпочтения пользователей. Это позволяет агенту «помнить» прошлое и извлекать из него принципы для будущих решений.

Без памяти ИИ-агент не смог бы сохранять последовательность действий в сложных процессах.

Принципы работы ИИ-агента

Работа ИИ-агентов основана на непрерывном процессе восприятия, анализа и действия (Perceive-Analyze-Act Loop). Этот цикл позволяет агентам учиться и выполнять задачи с минимальным участием человека.

Хотя ИИ-агенты разнообразны по целям, инструментам и фреймворкам, большинство из них выполняют шесть ключевых функций.

Восприятие (Perception)

На этом этапе агент собирает актуальную информацию. Помогают ему в этом датчики, базы данных или сам пользователь.

Рассуждение (Reasoning)

Агент анализирует собранные на предыдущем этапе данные, чтобы выявить закономерности и понять общий контекст, подготовиться к планированию действий. Система использует компьютерное зрение (CV), технологии обработки естественного языка (NLP) и др.

Постановка целей (Goal setting)

Агенту необходимо определить задачи, отталкиваясь от предустановленных целей или указаний пользователя. На этом этапе система разрабатывает стратегию достижения целей.

Принятие решений (Decision-making)

Система использует, например, вероятностные модели, чтобы оценить эффективность возможных действий. Из этого набора агент выбирает наиболее оптимальный вариант, который соответствует заданным изначально параметрам.

Исполнение (Execution)

Как только агент определит, какие действия необходимо совершить для достижения цели, он отправляет запрос другим системам, например, RPA.

Обучение и адаптация (Learning and adaptation)

На этом этапе агент собирает обратную связь по результатам действия и оценивает эффективность. Это необходимо для обучения с подкреплением или самообучения ИИ.

Сценарии использования и экономика ИИ-агентов

Окупаемость и экономия по отраслям

Уровень проникновения ИИ-агентов в разные отрасли отличается. В торговле, финансах и ИТ они уже включены в основные бизнес-процессы, тогда как в здравоохранении, образовании, госсекторе их потенциал до конца еще не раскрыт.

Исследование Axenix демонстрирует, что ИИ-агенты напрямую ускоряют процессы, сокращают количество ошибок и влияют на оптимизацию ФОТ. Наибольший эффект в виде экономии от их внедрения наблюдается в финансовом секторе — 30-40%, ритейле — 30-35% и в области логистики и транспорта — 20-40%.

Сравнительная таблица экономических эффектов от внедрения ИИ-агентов по отраслям. Источник: Отчет Axenix

Источник изображения: Отчет Axenix

Согласно исследованию Google Cloud, проведенному в 2025 году среди 3,5 тыс. руководителей компаний, 88% организаций, внедривших агентный ИИ на ранних этапах, уже наблюдают положительную окупаемость инвестиций (ROI). Компании, которые активно инвестируют в ИИ-агентов, выделяют на эти цели более 50% ИИ-бюджета. Они же одновременно внедряют более 10 агентов. Совокупность этих факторов позволяет достигать ROI быстрее и чаще.

Однако оценить экономическую эффективность ИИ-агентов сегодня сложно. В первую очередь из-за того, что классические методы подсчета не включают все возможные направления влияния технологий, которые можно увидеть лишь в долгосрочной перспективе, и сложно спрогнозировать в начале проекта. Для большинства организаций первоначальные затраты на внедрение обходятся дорого, но как показывают исследования стоимость владения агентным ИИ снижается при масштабировании проектов.

Популярные направления внедрения ИИ-агентов

Управление продажами и сервисом

В этом направлении существует множество сценариев использования ИИ-агентов, которые повышают эффективность и качество взаимодействия с клиентами.

• Агенты автоматически оценивают разговоры менеджеров, выставляя баллы за установление контакта, выявление потребностей и работу с возражениями, и дают персонализированные рекомендации для повышения навыков каждого сотрудника.

• Голосовые роботы, настраиваемые простыми промптами, могут самостоятельно записывать клиентов на услуги, консультировать по расписанию и отвечать на типовые вопросы, работая 24/7 и сокращая нагрузку на колл-центр.

Агенты, созданные с помощью сервиса RoboVoice, ведут полноценную беседу и автоматически выполняют поставленную клиентом задачу. Популярный сценарий — запись в клинику. Робот авторизует пациента по ФИО и дате рождения, проверяет доступные слоты у врачей, записывает на прием, а при изменении запроса — отменяет предыдущую запись. Настройка такого сценария происходит через промпт на естественном языке с описанием роли, задачи и данных.

• Подключенные к CRM агенты анализируют переписку, автоматически заполняют карточки сделок, определяют недостающую информацию для квалификации и формируют готовые к отправку технико-коммерческие предложения, персонализированные под историю клиента.

Подробнее про внедрение агентного ИИ наши эксперты рассказали на вебинаре: «ИИ-агенты: что скрывается за хайпом и как это применить в вашем бизнесе?»

Управление персоналом

В сфере HR агенты берут на себя самую рутинную часть работы рекрутера — поиск, первичный отбор и администрирование.

• ИИ-агент, подключенный к базам с резюме, по простому описанию вакансии находит наиболее релевантных соискателей. Он рассчитает процент соответствия портфолио требованиям и предоставляет краткую выжимку по каждому.

• Агентский ИИ может оперативно генерировать качественное описание вакансии с учетом особенностей компании и публиковать их на специальных площадках для поисках кандидатов. Также он может готовить вопросы для собеседования и тестовые задания. Проанализировав ответы, ИИ-агент принимает решение и выполняет конкретное действие: приглашает кандидата на собеседование или отказывает ему.

Маркетинг

Маркетинг наиболее популярное направление для использования ИИ бизнесом. Здесь применяется все разнообразие ИИ-инструментов. Чаще всего ИИ используется для подготовки контента. Специальные агенты по заданной теме генерируют варианты постов для соцсетей, создают к ним изображения и могут автоматически публиковать материал на выбранных площадках.

Разработка

ИИ-агенты активно применяются для ускорения разработки программного обеспечения, тестирования и управления проектами. Яркие примеры кодинг-агентов GitHub Copilot, Cursor или Replit. Разработчики используют их для автоматизации рутинных операций и поиска, исправления багов в коде на ранних этапах. К тому же, ИИ-агенты способны генерировать фрагменты кода на основе комментариев и контекста и взаимодействовать с системами контроля версий для автоматического тестирования.

Финансы

ИИ-агенты в финансах берут на себя задачи, связанные с обработкой транзакций, финансовым планированием, аналитикой и др. Внедрение таких технологий позволяет компаниям сократить издержки и минимизировать человеческие ошибки.

Oracle внедряет ИИ-агентов для автоматизации финансовых процессов в системы Oracle Fusion Cloud Enterprise Resource Planning (ERP) и Enterprise Performance Management (EPM). Всего компания представила агентов для автоматизации обработки счетов кредиторской задолженности, финансовой аналитики и планирования, а также оптимизации денежных потоков. Кроме этого, Oracle предлагает клиентам создавать собственных ИИ-агентов с помощью специальной платформы AI Agent Studio для Fusion Applications.

Сбер намерен передать дистанционное обслуживание бизнеса агентному ИИ. Банк уже разрабатывает 17 сервисных агентов, которые будут участвовать в наиболее востребованных операциях. По словам первого зампреда правления Сбербанка Александра Ведяхина, речь идет о расчетах и платежах, самоинкассации, зарплатных проектах и др. В перспективе компания планирует создать мультиагентную систему.

Ошибки внедрения ИИ-агентов

При внедрении ИИ-агентов компании допускают типичные ошибки, которые приводят не только к потери времени и ресурсов, но и к разочарованию в технологии в целом. Большинство проблем связано с неверной стратегией и завышенными ожиданиями. Ниже привели наиболее распространенные ошибки внедрения.

Непонимание отличий ИИ-агентов от других ИИ-инструментов

Само явление агентного ИИ достаточно новое, и, как мы выше уже писали, существуют разные подходы к его определению. Из-за этого возникает путаница, которая приводит к неверному выбору инструментов для автоматизации. Например, когда функция требует проактивных действий, а вместо этого внедряется стандартный чат-бот, и наоборот.

Излишнее доверие к автономности ИИ-агентов

Несмотря на то, что автономность агентного ИИ — это основное преимущество технологии, она же становится и главным ограничением. Проблемы могут возникнуть из-за галлюцинации моделей и ошибок в интерпретации контекста. Это приводит к подрыву доверия к ИИ-системам, а также к финансовым и репутационным потерям. Избежать подобных ошибок возможно, внедрив механизмы контроля, например, ручные проверки критически важных процессов.

Эксперты Стэнфордского университета и Университета Карнеги-Меллона выяснили, что несмотря на то, что полностью автономные агенты работают быстрее и дешевле обходятся бизнесу, они допускают ошибки и неправильно интерпретируют данные. Вывод исследователей: гибридные команды, когда ИИ-агент — это помощник человека, а не его полная замена.

Недостаточная или неправильная подготовка данных

По данным Gartner, 60% корпоративных проектов по внедрению ИИ терпят неудачу из-за некачественных или плохо структурированных данных. Эффективность ИИ-агентов зависит от чистоты, доступности и консистентности данных.

Если данные разрозненны или содержат ошибки, то это приводит к некорректным рекомендациям и сбоям в работе агентов из-за противоречивой информации. Поэтому прежде чем внедрять агентов, необходимо провести аудит данные и предусмотреть инструменты очистки и структурирования данных.

Как внедрить ИИ-агента

Внедрение ИИ-агентов требует поэтапной стратегии. Мы выделили пять ключевых этапов, которые необходимо пройти для достижения нужного результата.

1. Определить задачи и цели внедрения
   На первом этапе необходимо четко сформулировать, какую проблему или задачу должен решать ИИ-агент. Для начала проведите анализ бизнес-процессов и выявите задачи, которые можно автоматизировать. Следующим этапом определите критерии успеха. Это может быть сокращение времени обработки или снижение ошибок.
   
   
2. Выбрать технологии и инструменты
   На этом этапе необходимо определиться с технологиями, которые будут использоваться для создания агента: ИИ-модели, инструменты интеграции, платформы для разработки. Большинство компаний используют no-code- и low-code-платформы для создания агентов. Это быстро и дешево. Крупные компании могут вести собственную разработку агентного ИИ.
   
   
3. Разработать и обучить агента
   На этом этапе происходит создание логики агента, его обучение и интеграция с бизнес-системами. LLM необходимо обучить на корпоративных данных, интегрировать с базами данных и RPA, создать память агента.
   
   
4. Протестировать
   Перед полноценным внедрением необходимо протестировать агента в реальных условиях. Первым делом следует проверять:
   • Точность решений.
   • Устойчивость к ошибкам и реакции на нестандартные ситуации.
   • Безопасность, включая защиту от утечек данных и несанкционированного доступа.
     
     
   Пилот можно провести на ограниченном участке, а затем собрать обратную связь от заинтересованных сторон.
   
   
5. Масштабировать и улучшать
   После успешного тестирования можно масштабировать решение на всю компанию. На этом этапе необходимо мониторить производительность агента и отслеживать ключевые метрики, а также регулярно обновлять данные и продолжать обучать модели.

Риски и ограничения технологии ИИ-агентов

Проблема ответственности

Неопределенность в вопросах ответственности за решения является одним из главных вызовов как ИИ в целом, так и ИИ-агентов в частности. В последнем случае важную роль играет автономность технологии. Например, в случае нейросетей человек принимает финальное решение, использовать или не использовать сгенерированный контент. В продвинутых агентских ИИ-системах человек вовсе исключается из процесса принятия решений.

ИИ не является субъектом права, и до сих пор остается открытым вопрос, на кого должна ложиться ответственность за ошибку — на разработчика, компанию или же агента. В перспективе агенты смогут порождать другие ИИ-системы, что еще больше запутает вопрос контроля и ответственности. Согласно исследованиям MIT Sloan Management Review (2025), 70% руководителей считают, что существующие системы управления не подходят для контроля автономных ИИ-агентов.

Проблема «черного ящика»

ИИ-агенты принимают решения на основе сложных алгоритмов и нейронных сетей. Иногда даже разработчики не могут объяснить, почему система повела себя так, а не иначе. Из-за этого возникает множество рисков. Сложно выявить ошибки и установить их причину, понять предвзятость алгоритмов.

Сложность адаптации к новым условиям

ИИ-агенты обучаются на исторических данных и могут испытывать трудности в нестандартных и быстро меняющихся условиях. Это существенное ограничение, которое может привести к серьезным ошибкам. Если в обучающей выборке не было нужных событий, то система выдаст ложный результат или вообще откажется работать.

ИИ-агенты зависят и от качества данных. Если они устарели или неполные, то система не справится с внезапными изменениями. Яркий пример — ситуации с автомобилем Tesla. В 2021 году автомобиль принял луну за желтый сигнал светофора, а слово «стоп» на рекламном баннере — за реальный дорожный знак. С тех пор технологии далеко продвинулись, но невозможно исключать повторения подобных ситуациях в новых системах.

Будущее ИИ-агентов: ключевые тренды

По версии ведущих аналитических агентств, ИИ-агенты стали одним из ключевых технологических трендов 2025-го. В этом году тенденция продолжится и нас ждет переход от единичных ИИ-агентов до сложных мультиагентных систем. Согласно прогнозам Gartner, к 2028 году 33% корпоративных приложений будут основаны на ИИ-агентах, а их внедрение позволит автоматизировать до 15% повседневных рабочих задач. Аналитики BCG ожидают, что выручка от корпоративных ИИ-агентов достигнет $52 млрд к 2030 году.

Новые модели взаимодействия в экономике B2A и C2A

Традиционные модели B2B (бизнес для бизнеса) и B2C (бизнес для потребителя) уступают место новым форматам взаимодействия — B2A (Business-to-Agent) и C2A (Consumer-to-Agent). В этих моделях ИИ-агенты становятся посредниками между компаниями и клиентами, меняя подходы к маркетингу, продажам и обслуживанию.

В рамках направления B2A компании адаптируют свои продукты и сервисы для алгоритмов, а не для людей. Вместо традиционного маркетинга бренды оптимизируют API, скорость ответов и условия взаимодействия, чтобы их предложения выбирались агентами. В будущем компании будут «покупать приоритет» у ИИ-агентов через тендеры и аукционы.

Сегмент C2A предполагает, что потребители делегируют агентам принятие решений — от покупок до планирования поездок, а к 2030 году они будут полностью управлять бюджетами пользователей.

Развитие этих моделей приведет к формированию автономных рынков A2A (Agent-to-Agent), а спрос и предложение будут регулироваться алгоритмами. Сервисы вроде OpenAI Commerce Protocol (ACP) уже разрабатывают стандарты для взаимодействия ИИ-агентов с бизнес-платформами, где агенты будут самостоятельно совершать покупки от имени пользователей.

Переход к мультиагентным системам и платформам

Одним из ключевых направлений развития ИИ-агентов является переход к мультиагентным системам, где несколько специализированных агентов взаимодействуют друг с другом для решения комплексных задач. Компании будут активно внедрять такие системы, чтобы автоматизировать сложные бизнес-процессы и повысить эффективность работы. Этот тренд подразумевает создание платформ для управления агентами (например, Oracle AI Agent Studio).

Усиление роли безопасности

С ростом автономности ИИ-агентов возрастают и риски кибератак. В 2024–2025 годах были запущены инициативы по разработке стандартов безопасности для ИИ-агентов.

сообщество OWASP представило инициативу Agentic Security Initiative. Ее цель — разработка практических рекомендаций и лучших практик для безопасности новых архитектур агентных приложений.

В конце 2025 года организация опубликовала Top 10 for Agentic Applications 2026. Это документ с практическими рекомендациями по обеспечению безопасности ИИ-агентов и описанием 10 наиболее опасных угроз. Профессиональное сообщество продолжит разработку подобных инструментов и средств защиты агентного ИИ.

Сегодня мы наблюдаем как ИИ-агенты из эксперимента превращаются в рабочий инструмент. Однако успешное внедрение требует четкой стратегии, понимания ограничений технологии и готовности изменять процессы, а в некоторых случаях и бизнес-модели.

Статьи по теме:

Искусственный интеллект для медицины: реалии 2025 года
Контролировать нельзя игнорировать: как страны регулируют развитие ИИ
Программные роботы с интеллектом — новое поколение RPA
Российские суперкомпьютеры для искусственного интеллекта
Генеративный ИИ в промышленности: роботы, агенты и «Индустрия 6.0»