Три сценария эффективности: как использовать ИИ-агентов для ускорения рабочих процессов

В 2026 году до 40% корпоративных рабочих процессов будут усилены агентами искусственного интеллекта, прогнозирует Gartner. Автономные системы становятся цифровыми сотрудниками, выполняющими многоэтапные операции — от поддержки переговоров с клиентами до предотвращения производственных потерь. Разбираем практические сценарии: эксперты Сбера, компаний «Неофлекс» и «Операционное совершенство» делятся опытом разработки и внедрения ИИ-агентов и дают рекомендации по запуску ИИ-инициатив.

Содержание:

• Умный помощник для клиентских встреч
• Лаборатория для проверки ИИ-гипотез
• Мультиагентная система для бережливого производства
• Рекомендации для бизнеса: как запустить проект с ИИ-агентами
• Главное по тексту

Умный помощник для клиентских встреч

В Сбере менеджеры департамента по работе с крупным бизнесом тратили до 40 минут на ручное составление протокола по итогам встречи с клиентом. При этом фиксировалось менее половины полезной информации, а данные могли искажаться субъективной интерпретацией сотрудника. Оценить качество коммуникации по отчёту было невозможно.

Чтобы автоматизировать этот процесс и улучшить качество коммуникаций, разработали приложение с умным ассистентом. Его работу координируют несколько ИИ-агентов, и каждый отвечает за свой блок задач.

Как работает ИИ-команда

• Агент-протоколист записывает встречу с клиентом, автоматически переводит в текстовый формат, идентифицирует участников и определяет повестку, а также фиксирует договорённости, сроки и ответственных в системе CRM (от англ. customer relationship management — «управление взаимоотношениями с клиентами»).
• Агент-аналитик извлекает инсайты (потребности, цели), заполняет цифровой профиль клиента и подбирает для него релевантное предложение в базе знаний о продуктах банка.
• Агент-наставник даёт менеджеру обратную связь по результатам проведённой встречи: оценивает компетенции и предлагает обучение в рамках доступных корпоративных программ, чтобы прокачать переговорные навыки.

Какие использовали технологии

• SaluteSpeech: ИИ-платформа для распознавания и синтеза речи.
• Мультимодальная модель ГигаЧат (GigaChat 2 Max): обеспечивает высокое качество (валидность более 90%).
• Когнитивная модель компетенций для агента-наставника: научно обоснованная методика анализа эффективности коммуникации.
• RAG (от англ. retrieval augmented generation — «генерация с дополненной выборкой»): технология оптимизации ответов больших языковых моделей, позволяющая подключать их к внешним источникам (базам знаний, документам).
• API (от англ. application programming interface — «интерфейс программирования приложений»): для бесшовной интеграции ИИ-агентов с CRM.

Результат

Итоги четырёх месяцев тиражирования ИИ-ассистента для проведения встреч:

• 90% менеджеров используют приложение;
• 50 000 цифровых профилей клиентов сформировано в CRM;
• 4% — прирост объёма продаж на сотрудника на этапе пилота: клиенты отмечают, что менеджеры стали лучше слышать их потребности.

Глобальный рынок ИИ-ассистентов для проведения встреч (AI Meeting Assistants) демонстрирует стремительный рост, трансформируясь из инструментов для записи и транскрибации к глубокому анализу и агентским сценариям. По оценкам аналитиков Data Bridge Market Research, к 2032 году его объём может превысить 15 млрд долларов.

Объём глобального рынка ИИ-ассистентов для проведения встреч, млрд долларов

Источник: Data Bridge Market Research

Лаборатория для проверки ИИ-гипотез

Медиахолдинг столкнулся с ограничением при масштабировании ИИ-помощников для создания контента. Каждую новую гипотезу нужно проверять: создавать прототипы моделей, тестировать на пилотных пользователях, оценивать эффект. Развёртывание полноценной ИИ-лаборатории с нуля (с соблюдением требованием безопасности, контролем данных, логированием) занимает минимум четыре месяца. Для компании это слишком большой срок.

Чтобы ускорить запуск, медиахолдинг решил развернуть лабораторию для проверки ИИ-гипотез на базе платформы AgentOps (от англ. agent operations — «операции с агентами») — с подключением нейросетевой модели ГигаЧат по API.

Как работает AgentOps-подход

AgentOps — это специализированная платформа и набор практик, которые обеспечивают централизованное управление жизненным циклом ИИ-агентов, контроль затрат и прозрачную оценку эффективности каждой гипотезы на основе заданных критериев успеха. Доступ к платформе осуществляется по модели SaaS (от англ. software as a service — «программное обеспечение как сервис») в облачной среде по подписке.

Процесс проверки ИИ-инициатив на платформе организован в виде конвейера по схеме: формирование гипотезы →создание требований к работе агента →сборка прототипа по шаблону →тестирование на пилотной группе пользователей →оценка метрик (скорости, стоимости, качества) →принятие решения о масштабировании.

Какие технологические решения использовали

• AgentOps-платформа Neoflex Neon — разработка ИТ-компании «Неофлекс».
• GigaChat API — программный интерфейс, позволяющий интегрировать нейросетевую модель в сайты, приложения, чат-боты, бизнес-системы.
• ИИ-лаборатория на базе AgentOps — конвейер для проверки гипотез и разработки агентов. Особенности: пошаговый процесс, прототипирование low-code («с минимальным программированием») и быстрый переход от пилота к масштабированию.

Результаты

• 52 дня на запуск лаборатории для проверки ИИ-гипотез (вместо 120 дней).
• 1500 пользователей — готовая пилотная группа для тестирования решений.
• На 60% снизилась стоимость экспериментов.
• На 40% ускорился вывод успешных ИИ-инициатив.

После проверки гипотез решения масштабируются на всю компанию: ИИ-агенты переходят в промышленную эксплуатацию и начинают использоваться в рабочих процессах. Платформа AgentOps обеспечивает контроль их работы: фиксирует все взаимодействия, отслеживает качество ответов, учитывает затраты и снижает риски, связанные с ошибками моделей, безопасностью и управляемостью системы.

Мультиагентная система для бережливого производства

Для горнодобывающих предприятий критическая проблема — простои. Производственный цикл представляет собой непрерывную цепочку, и остановка на одном участке неизбежно отражается на всей системе. При этом весомая часть потерь возникает не из-за серьёзных поломок техники или оборудования, а за счёт регулярных мелких задержек, которые постепенно накапливаются. Совокупные потери могут достигать несколько миллионов рублей в день.

За смену (12 часов) на горном предприятии фиксируется более 10 000 отклонений от техрегламента, в то время как диспетчер способен обработать вручную лишь 0,1% событий.

Для диспетчеризации горнодобывающих техпроцессов ИТ-компания «Операционное совершенство» создала мультиагентную среду OES.MAS. Система автоматически контролирует простои горной техники и потери производства в реальном времени.

Мультиагентная архитектура включает два уровня:

1. Модуль измерения потерь. Фиксирует отклонения от регламентов в реальном времени, оценивает их влияние на производственные показатели;
2. ИИ-агенты. Следят за потерями (необоснованные заправки, ненормативные простои, холостые пробеги, недогрузы, узкие места в процессах), моделируют сценарии, дают команды операторам техники и контролируют их выполнение.

Технологии

• Цифровая платформа OES для горной промышленности — модульная система на базе ИИ и алгоритмов обработки телеметрии (для анализа дорожной ситуации), интегрируется с ИТ-системами на производстве.
• IIoT (от англ. Industrial Internet of Things — «промышленный интернет вещей») — сеть датчиков и оборудования, которые собирают и передают данные о работе техники в реальном времени.
• Мультиагентная среда OES.MAS: специализированные ИИ-агенты с оркестратором на базе модели ГигаЧат — это управляющий агент, который распределяет задачи для других агентов и консолидирует информацию для принятия управленческих решений.
• BI-инструменты (от англ. business intelligence — «бизнес-аналитика»): для отображения показателей, контроля отклонений, отслеживания эффективности.

Результаты внедрения системы на крупном угольном разрезе

• На 50% уменьшилось число нарушений простоев техники.
• На 15–25% сократились простои оборудования за счёт оптимизации процессов.
• На 17% увеличилась производительность техники без дополнительных инвестиций.
• Около 50 млн рублей в месяц экономия за счёт снижения потерь.

Управление производством переходит от постфактум-анализа к работе в реальном времени: мультиагентная система одновременно обрабатывает тысячи событий, выявляет отклонения в режиме реального времени и напрямую влияет на действия операторов.

Рекомендации для бизнеса: как запустить проект с ИИ-агентами

С чего начать, если у компании есть бюджет только на один пилот? Эксперты сходятся во мнении: отправная точка — не технологии, а процессы и данные.

Исполнительный директор департамента развития корпоративного бизнеса Сбера Алексей Щербаков рекомендует начинать с задач, где есть понятный эффект: работа с неструктурированными данными, суммаризация встреч и звонков, генерация контента. По его словам, такие сценарии быстрее всего переходят из пилота в практику.

Быстрый результат дают решения для обработки документооборота и поиска по базам знаний, они позволяют структурировать информацию и сократить время доступа к экспертизе внутри компании, добавляет главный архитектор «Неофлекс» Светлана Маркова. Она говорит, что не нужно пытаться сразу охватить все бизнес-процессы с помощью ИИ. Более устойчивый подход — начать с одного сценария с понятной экономикой и постепенно масштабировать решения.

Чек-лист по запуску ИИ-агентов от «Неофлекс»

1. Начните с SaaS-версии ГигаЧат для исследований и пилотных проектов. Это обеспечит быстрый запуск, низкие риски и оплату по факту использования.
2. Создайте ИИ-лабораторию. Фиксируйте измеримые критерии отбора пилотных проектов (время, стоимость, качество), ведите реестр гипотез и результатов, сравнивайте сценарии между собой.
3. Применяйте передовые практики AgentOps. Определите метрики качества ответов, настройте логирование запросов и результатов, введите контроль версий промптов и агентов. Это позволит управлять затратами, быстро находить деградацию качества и причины ошибок.
4. При масштабировании переходите к развёртыванию в собственной инфраструктуре (on-premise) или гибридной модели. Преимущество такого подхода — фиксированная стоимость, тонкая настройка ИИ-модели (fine-tuning) под задачи бизнеса, учёт корпоративной терминологии, безопасный доступ к данным.
5. Ориентируйтесь на сценарии с понятным ROI (от англ. return of investments — «возврат инвестиций»). Проверенные сценарии для корпоративных ассистентов: суммаризация, классификация, генерация контента и работа с базами знаний.

Редакция СберПро

Автор

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