Агентный ИИ по отраслям: где и как внедряется

Российский рынок корпоративных цифровых ассистентов в 2026 году оценивается примерно в 30 млрд рублей. На смену точечным помощникам приходят ИИ-агенты — автономные системы, использующие искусственный интеллект для самостоятельного выполнения задач и принятия решений. Разбираем, где такие инструменты уже работают на практике, какие процессы им доверяет бизнес и какой эффект получают компании в шести отраслях.

Содержание:

• Финансовый сектор
• ИТ и кибербезопасность
• Ретейл и онлайн-торговля
• Промышленность и производство
• Транспорт и логистика
• Здравоохранение и фармацевтика
• Главное по тексту

Финансовый сектор: одна из наиболее зрелых областей применения агентного ИИ

По данным Банка России, каждый пятый участник финансового рынка уже использует искусственный интеллект на постоянной основе, 15% реализуют пилоты, а 61% организаций готовятся к внедрению генеративных моделей. В 2026 году компании расширяют применение ИИ: от отдельных ассистентов — к системам из нескольких взаимодействующих агентов. По оценкам экспертов, финансовым компаниям проще масштабировать такие сценарии благодаря развитой ИТ-инфраструктуре и большому объёму структурированных данных. Один из первых эффектов — автоматизация рутинных операций.

В рамках пилотов Ассоциации ФинТех (АФТ) с участием ведущих российских банков созданы десятки прототипов ИИ-агентов на базе отечественных языковых моделей. В пилотах тестируют голосовых и текстовых ассистентов, работу с документами, комплаенс и разработку ПО.

Ожидаемые результаты от внедрения ИИ в финансовом секторе

Источник: Банк России

Практические сценарии

Обслуживание клиентов. ИИ-агенты берут на себя до 80% типовых операций: обработку кредитных заявок, клиентский учёт и консультации по проведённым платежам. Для дистанционного сопровождения юридических лиц создаются мультиагентные комплексы (например, система из 17 ИИ-агентов в Сбере), сопровождающие бизнес по ключевым продуктам: расчётам, эквайрингу, зарплатным проектам. В сегменте крупного бизнеса, где условия сделок индивидуальны, ИИ-агент выполняет роль аналитика: собирает контекст, анализирует риски и готовит предварительную документацию для менеджера.

Инвестиционный анализ. Агенты автоматически обрабатывают финансовую отчётность, новости и рыночные индикаторы, формируя профили активов и персонализированные предложения по депозитно-инвестиционным продуктам.

Комплаенс и контракты. Автоматическое извлечение данных из сложных договоров и нормативных актов сокращает время проверки сделок.

ИТ и кибербезопасность: разработка, поддержка и мониторинг

Информационные технологии — одна из сфер, где агентный ИИ быстрее других начинают применять на практике. Здесь уже сформировались несколько сценариев такого применения: разработка ПО, ИТ-поддержка и мониторинг кибербезопасности. Эти задачи удобны для автоматизации: у них понятные форматы, доступные агенту базы знаний и проверяемый результат (код проходит тесты, заявка закрыта, инцидент квалифицирован).

Автономные цифровые разработчики. SWE-агенты (от англ. software engineering agents — агенты программной инженерии) GigaCode могут самостоятельно работать с файловыми структурами, запускать тесты, устранять ошибки и выполнять коммиты (от англ. commit — фиксировать) в системах контроля версий, ускоряя написание кода до 50%.

По данным АФТ, 96% лидеров финтехе используют ИИ в разработке: 44% — на регулярной основе, 52% — в рамках пилотов.

Как искусственный интеллект меняет процессы разработки ПО

Источник: АФТ

Автоматизация сервис-деска (от англ. service desk — система для управления заявками, автоматизации работы техподдержки и сервисных служб). Агент определяет причину сбоя, ищет решение в базе знаний и выполняет необходимые действия в связанных ИТ-системах. Это сокращает время первичной обработки обращений в 4 раза (с 30 до 7–8 минут) и снимает до 80% рутины с первой линии поддержки.

Автономный SOC (от англ. security operations center — центр мониторинга кибербезопасности). ИИ-агенты собирают контекст и классифицируют угрозы. Объединение функций мониторинга (SIEM) и автоматического реагирования (SOAR) в едином продукте с агентным ИИ экономит до 40% затрат на интеграцию. В крупных SOC, обрабатывающих более 1 млн событий в год, агенты закрывают типовые инциденты без участия операторов.

Ретейл и онлайн-торговля: от ассистентов продавцов к агентной коммерции

Искусственный интеллект охватывает обе стороны рынка: помогает продавцу анализировать продажи, управлять контентом и ассортиментом, а покупателю — искать, сравнивать и выбирать товары.

Для продавцов и площадок

• Автономная аналитика. Виртуальные ассистенты маркетплейсов анализируют финансовые показатели магазина, подсвечивают дефицит товаров, рекомендуют промомеханики и генерируют ответы на отзывы покупателей.
• Генерация контента. Агенты автоматически создают инфографику, локализованный контент и карточки, оптимизированные для поисковой выдачи (SEO), а также подготавливают студийные фото товаров на сгенерированных фонах.

Для покупателей

• Мультимодальный поиск. ИИ-ассистенты подбирают товары по фотографии или описанию сценария (например, «комплект для ремонта смесителя» или «набор продуктов для гипоаллергенного ужина»).
• Персональные подборки и виртуальная примерка. ИИ сопоставляет сотни отзывов, проверяет техническую совместимость деталей и генерирует визуализацию образа или мебели в интерьере, снижая процент возвратов.

Следующий сценарий — агентная коммерция, при которой ИИ сопровождает покупателя от выбора товара до оформления заказа. По прогнозу Data Insight, на российском рынке агентный ИИ будет управлять 2–4% электронных продаж (400–850 млрд рублей) к 2028–2029 году и 7–11% продаж (2–3 трлн рублей) к 2030–2032 году.

Прогноз объёма продаж через ИИ-агентов в России

Источник: Data Insight

Промышленность и производство: управление процессами и снижение простоев

В промышленности ИИ-агенты применяют не только в офисных задачах, но и в инженерных, ремонтных и закупочных процессах. Больше всего востребованы сценарии, где ИИ обрабатывает большие массивы данных, находит отклонения и предлагает действия: предиктивное обслуживание, технологическая аналитика, управление запасами, логистика, проектирование.

В производственных системах ИИ-агенты могут учитывать контекст технологического процесса и помогать управлять режимами и действиями. Однако масштабирование агентных систем требует решения вопросов безопасности и валидации результатов.

Собственные доменные модели и платформы

Крупные предприятия создают инфраструктуру для разработки и масштабирования ИИ-решений — от отраслевых языковых моделей до корпоративных платформ.

• «Норникель» на базе собственной доменной модели MetalGPT внедряет десятки ИИ-агентов для проектирования, управления запасами и финансового контроля. В компании ожидают, что через несколько лет эффект от генеративного ИИ сравняется с эффектом от машинного обучения и компьютерного зрения, которые уже приносят более 100 млн долларов дополнительного эффекта в год.
• Крупная сталелитейная и горнодобывающая компания использует корпоративную платформу «Да Винчи» для сборки мультиагентных систем с подтверждённым эффектом на уровне PnL-отчётов (от англ. profit and loss — прибыли и убытки).

Практические сценарии

Предиктивное обслуживание. Операторы передают данные о поломках голосом, без ручного ввода, а ИИ-агент классифицирует инцидент. В будущем он сможет сразу выдавать инструкцию для устранения неполадок и сокращать простой оборудования.

Добыча и геологоразведка. При поиске месторождений ИИ-агенты точнее определяют аномальные зоны для локализации запасов, при разработке прогнозируют аварии во время бурения и регулируют режимы работы оборудования. Такие решения в нефтяной отрасли помогают нарастить добычу на 2% в год и сократить число инцидентов на сложных скважинах на 12%. По оценке предприятия, предотвращение одной аварии даёт экономический эффект в сотни миллионов рублей, это окупает затраты на создание агентов.

Закупки и управление запасами. ИИ-агенты сравнивают коммерческие предложения, очищают справочники, находят аналоги отсутствующих позиций. В металлургии это помогает сберечь 3–7% бюджета закупок (более 1 млрд рублей в год).

Проектирование и капитальное строительство. В алмазодобывающей отрасли агентные сценарии переносят в управление капитальным строительством и операционную поддержку. Агенты анализируют большие массивы сметной документации и ускоряют поиск внутренних регламентов. Другие направления. В агрохимической компании агенты работают с дебиторской задолженностью, дают юридические консультации по нормативной базе и оптимизируют поставки. Результат — двузначное снижение внеплановых простоев оборудования и сокращение расходов сырья.

Транспорт и логистика: ИИ для пассажирского сервиса и контроля

Транспорт — отрасль с широким спектром сценариев применения агентного и мультимодального ИИ. Уровень применения ИИ различается по сегментам. Авиаперевозчики и разработчики B2B-решений для документооборота уже внедряют готовые продукты, а фундаментальные направления вроде автономного транспорта пока прорабатываются в исследовательских центрах.

Пассажирский сервис. Интеллектуальный помощник на базе ГигаЧата самостоятельно решает 86% вопросов клиентов авиакомпании «Азимут», тогда как классические сценарии ботов покрывают лишь 20% обращений. Технология RAG (от англ. retrieval-augmented generation — генерация с дополненным поиском) позволяет модели корректно отвечать на нестандартные запросы. Переобучение системы на новых документах занимает секунды, а базу знаний сотрудники актуализируют без участия программистов.

Мультимодальный контроль документов. Модель «Шерлок 2o» в аэропортах проверяет подлинность документов по 600 параметрам — анализирует изображения в оптическом, ультрафиолетовом и инфракрасном спектрах, распознавая сложные подделки.

Беспилотный транспорт. В ИИ-центре МГУ создаётся платформа «ИИ-водитель», объединяющая технологии автономного управления для дорожного, воздушного и водного транспорта.

Здравоохранение и фармацевтика: от документооборота к синтезу молекул

ИИ-агенты и мультимодальные модели помогают сектору справляться с ключевыми проблемами: высокой бюрократической нагрузкой на врачей, долгим и дорогим циклом разработки лекарств, рисками ошибок в медицинской документации.

Главные барьеры при внедрении ИИ — высокий регуляторный риск и цена ошибки. В первую очередь автоматизируют процессы, не связанные с принятием клинических решений.

Медицинский документооборот. Разработчик платформ предиктивной медицинской аналитики запустил сервис проверки медицинских карт на основе гибридного стека — NLP (от англ. natural language processing — обработка естественного языка) и LLM (от англ. large language model — большая языковая модель). Агент анализирует корректность заполнения данных и формирует отчёт за 5–15 секунд. Проект тиражируется в регионах России. На практике генеративный ИИ в здравоохранении чаще начинают применять в административных задачах, они не требуют клинической валидации и одобрения регулятора.

Фармацевтический ретейл. «Цифровой фармацевт» на базе отечественной языковой модели формирует консультацию по дозировкам и противопоказаниям за три секунды, но ответ уходит клиенту только после проверки оператором. Модель работы построена по принципу human-in-the-loop («человек в контуре»): агент готовит ответ, а финальное решение принимает сотрудник. Сама модель прошла аккредитацию по направлениям «терапия» и «кардиология» на базе ведущего медицинского университета.

Разработка лекарств. Лаборатория ИИ Сбера и фармкомпании используют генеративные модели для проектирования в иммуноонкологии молекул-кандидатов, сокращая начальный этап исследований с трёх лет до одного года.

Наталья Тетюшева

Автор

• Чтобы быть в курсе важных трендов и мнений ведущих экспертов, следите за нами в канале в Max. О развитии навыков управления, личностном росте пишем в «Дзене». Про технологии и развитие в IT — в блоге на VC.