Интересное
Агентный AI: от автоматизации задач к цифровой автономии бизнеса
Агентный AI — новый тип цифровых помощников, которые могут действовать автономно: ИИ сам ставит цели, принимает решения, учится, взаимодействует с бизнес-системами без участия человека. Такие агенты уже применяются в реальных бизнес-процессах, трансформируя отрасли от программирования до логистики. Рынок растёт и сулит компаниям высокую эффективность при правильной интеграции.
Что это значит для бизнеса
О принципах работы AI-агентов и их применении — читайте в статье.
По оценкам Gartner, агентный AI уже вошёл в стратегические бизнес-тренды, а к 2028 году он будет автономно принимать около 15% ежедневных рабочих решений. AI-агент способен писать код, управлять рекламой, обрабатывать запросы клиентов, выполнять рутинные задачи бэк-офиса без участия человека. Такой искусственный интеллект — дополнительный сотрудник, который сам ставит цели, достигает их, оценивает результаты, корректирует работу. По прогнозам MarketsandMarkets, рынок агентного AI к 2030 году вырастет почти в 10 раз и превысит 47 млрд долларов. Развитие систем принятия решений и других инструментов поддержат этот темп.
Отличия агентного AI от традиционного
В отличие от традиционных AI-систем, которые просто исполняют заданные инструкции, агентный ИИ выходит за рамки автоматизации процессов.
Автономность
ИИ-агент способен работать без участия человека. Причём самостоятелен он на всех этапах, от постановки целей до контроля бизнес-процессов. Он сам ставит цели, принимает решения, управляет процессами.
Самообучаемость
AI-агент анализирует результаты своих действий, накапливает опыт, адаптирует поведение в реальном времени. Это повышает эффективность и устойчивость системы, снижает количество ошибок.
Взаимодействие с внешней средой
Агентный AI интегрируется в бизнес-системы, работая с базами данных, CRM, каналами связи. ИИ может параллельно работать с разными инструментами: общаться с клиентом, извлекать данные из баз, подключаться к сервисам через API. Взаимодействие с AI не требует навыков, он понимает естественный, то есть используемый людьми для общения, язык.
LAM (Large Action Models, большие модели действий) — это системы искусственного интеллекта, которые не просто обрабатывают запросы, а сразу переходят к действиям. Они понимают контекст, запоминают последовательность шагов пользователя, учатся в процессе работы, могут анализировать большие объёмы данных и выполнять сложные, меняющиеся сценарии.
Другой подход — MCP (протоколы контекстного моделирования), универсальные интерфейсы для взаимодействия ИИ с внешними программами и корпоративными сетями. Стандартизированное подключение к разным источникам обеспечивает большую надёжность и функциональность агентов.
LAM можно использовать, например, для управления заводом: от отслеживания складских запасов до производства с контролем качества продукции. Или для комплексной автоматизации в финансовой и юридической сферах. MCP позволяет создать опережающих обычные чат-боты по качеству пользовательского опыта ИИ-ассистентов для электронной коммерции и розничной торговли. Но более распространено использование MCP для автоматизации внутренних корпоративных процессов: ведения отчётности, работы с базами данных, аналитики.
Как работают AI-агенты
Работа агентного ИИ состоит из трёх этапов: он воспринимает информацию из доступных источников, с помощью LLM — ИИ, который распознаёт и генерирует текст — анализирует данные, планирует действия, а затем через интерфейсы взаимодействует с нужными службами, другими системами и пользователем.
Для прохождения этих этапов нужны одинаковые компоненты:
По словам Арсения Груздева, директора технологической практики «Территории доверия», в основе работы агентных систем AI лежит несколько технологий (LLM, RAG (Retrieval Augmented Generation) — поисковая дополненная генерация). Их сочетание позволяет агенту не только извлечь информацию, но и принять решение, а затем совершить осмысленное действие.
Системы ИИ могут работать с разной степенью автономности — от гибридного формата, когда AI-агент дополняет человека, до полностью автономной работы. В так называемых мультиагентных системах несколько ИИ-агентов взаимодействуют между собой без участия человека: один проверяет оплату, другой — наличие товара, третий отправляет клиенту трекинг-ссылку. Как отмечает Груздев, такие системы позволяют назначать отдельных агентов для контроля качества работы других ИИ, что усиливает самопроверку и надёжность всей архитектуры.
Примеры агентных AI
GigaChain и GigaChat API (Сбер) — российское решение, адаптированное под бизнес‑кейсы: поддержка клиентов, внутренние помощники, summarise‑агенты.
YandexGPT и AI Assistant API (Яндекс) — платформа для создания агентов и ассистентов без настройки инфраструктуры и сложных работ с кодом. Системы могут осуществлять техническую поддержку, работать с документацией, вести умный поиск по корпоративным данным в таблицах, презентациях, текстовых файлах.
Operator (OpenAI) — ИИ-агент от OpenAI, который самостоятельно работает с браузерами, выполняя рутинные задачи от заказа товаров до заполнения форм или других многоэтапных поручений.
Google Agents (Gemini family) — набор инструментов, работающих с текстами, изображениями, аудио. Могут самостоятельно работать в браузерах, общаться с пользователями в реальном времени с распознаванием акцентов, разрабатывать программный код.
1Forma AI‑агент (Первая Форма) — платформа, позволяющая без навыков в программировании создавать агентов под конкретные задачи: протоколирование встреч, OCR‑поиск, анализ данных, резюмирование документов, общение с контрагентами и сотрудниками.
Как AI-агентов применяют в бизнесе
Агентный AI в деле: практические решения
Сбербанк внедрил AI-агентов в работу контактных центров. Задача агентного AI — отвечать на вопросы пользователей не по шаблонам, а самостоятельно обращаясь к нужным сервисам и корпоративным базам, предоставлять персональные рекомендации, в том числе с эмоциональной составляющей. Голосовые и текстовые боты помогают решать около 70% вопросов клиентов.
У одного из крупнейших российских автопроизводителей AI-агенты оптимизируют цепочки поставок и участвуют в управлении материальными запасами. Постоянный анализ запросов позволяет планировать работу без дефицита или избытка, оптимизируя издержки на логистику, хранение, закупки.
Агентные системы искусственного интеллекта используют крупные металлургические компании. AI мониторит состояние оборудования, определяет темпы износа, корректирует настройки оборудования для повышения качества продукции.
Как агентный AI изменит бизнес-модели и взаимодействие в командах
Появление агентного AI — переход к новой логике работы внутри компаний. По словам Арсения Груздева, стратегические решения всё равно остаются за людьми, но многие задачи бэк-офиса и центров операционной активности можно автоматизировать. При этом цифровые агенты не требуют точного технического задания: они понимают задачи, сформулированные разговорным языком без специальных терминов. А самостоятельность ИИ в работе и принятии решений меняет взаимодействие внутри команды и с внешними стейкхолдерами, освобождая сотрудников от части задач.