Дилемма ИИ-агентов: почему компании увольняют людей, а потом зовут их обратно (и как не повторить этот путь)
46% российских компаний уже внедрили или тестируют автономных ИИ-агентов, свидетельствует статистика «Яков и Партнёры» и “Яндекса”. При этом аналитики Gartner отмечают, что около 80% пилотных проектов с ИИ так и не доходят до промышленной эксплуатации. Разбираемся, как неправильный подход к внедрению ИИ-агента может поставить под угрозу бизнес — и на какие грабли лучше не наступать.
Всемогущие ИИ-агенты - или нет?
Февраль 2024 года, Стокгольм. Финтех-сервис Klarna запускает ИИ-агента на базе технологии OpenAI — и за месяц тот закрывает 2,3 млн диалогов с клиентами, заменяя по объему работу 700 штатных сотрудников. Время ответа падает с 11 минут до двух. Гендиректор компании Себастьян Семятковски публично заявляет: «ИИ уже сегодня может делать всю работу, которую делаем мы, люди». Проходит немногим больше года — и та же Klarna снова нанимает живых операторов, потому что «слишком сильно срезали расходы, а в результате получили низкое качество», что признал Семятковски.
Нет, это история не про провал ИИ-агентов — она, скорее про неправильный подход к их использованию и несоответствие реальности ожиданиям. Рассказываем, как грамотно использовать технологию, чтобы действительно улучшить бизнес-процессы.
Чем агент отличается от чат-бота
Для начала разберем простой вопрос: чем агент отличается от чат-бота. Обычный чат-бот отвечает на вопрос и ждет следующего сообщения. RPA-робот (Robotic Process Automation — роботизированная автоматизация процессов) жестко следует прописанному сценарию и ломается при малейшем отклонении.
ИИ-агент устроен принципиально иначе: он самостоятельно решает, какие шаги предпринять для достижения цели, обращается к внешним сервисам через API и корректирует план по ходу дела. Условно, бот подскажет статус заказа, а агент сам оформит возврат, спишет деньги и отправит подтверждение — без участия человека на каждом шаге.
Работает это по циклу «восприятие — планирование — действие»: агент получает данные о ситуации, строит план из нескольких шагов и выполняет его, используя инструменты — базы данных, CRM, поисковые системы, платёжные шлюзы. Память бывает короткой — контекст текущего диалога, и долгой, векторной — агент ищет прошлый опыт по смысловой близости, а не по ключевым словам, что и позволяет ему «помнить» клиента спустя недели.
Инструменты — это то, что превращает агента из “говорящей головы” в исполнителя. Через API он читает и пишет данные в CRM и учетных системах, ищет информацию в интернете и во внутренней базе знаний компании, вызывает калькуляторы и внешние сервисы — от платежного шлюза до службы доставки, заполняет формы, генерирует документы и ставит задачи другим агентам или сотрудникам. Ключевое отличие от жесткого скрипта: агент сам решает, какой инструмент вызвать и в каком порядке, и может перестроить план, если первый шаг не дал результата.
По прогнозу Gartner, к 2028 году треть корпоративных приложений будет включать автономных агентов. Когда задача слишком сложна для одного агента, подключают мультиагентные системы: один агент собирает данные, второй анализирует, третий готовит документ — как конвейер, только цифровой.
Так, “Т-Банк” вывел в эксплуатацию ИИ-сотрудника, которого внутри называют «Афанасий Иванов»: он работает внутри банковских систем и закрывает около 30% из 19 млн обращений клиентов в месяц, входя в тройку лучших операторов поддержки по качеству.
“Сбер” заявляет, что ИИ участвует в 100% решений по потребительским кредитам физлицам и в 70% — по бизнес-кредитам. На маркетплейсах агенты уже меняют цены под конкурентов и отвечают на отзывы: в одном из кейсов на Wildberries автоматическое управление ценами подняло выручку продавца на 14%.
Как аккуратно запустить ИИ-агентов и не навредить
Стратегия внедрения начинается не с выбора модели, а с одной узкой и измеримой задачи — обработка заявок, сверка документов, мониторинг цен. Дальше — пилот с четкими метриками, ручное подтверждение критичных действий и постепенное расширение прав агента. Именно отсутствие внятной стратегии — по данным Strategy Partners, она есть лишь у 26% крупных российских компаний — и объясняет высокую долю неудачных пилотов.
Важно помнить о том, что измеримый эффект агенты дают там, где есть однотипные, повторяющиеся операции с четкими критериями результата: обработка обращений в клиентской поддержке, сверка данных и подготовка отчетности в финансах, подбор резюме и онбординг в HR, мониторинг цен и ответы на отзывы в e-commerce, разбор и маршрутизация инцидентов в IT, квалификация лидов и обновление карточек в CRM для продаж. Отдел агент не заменяет — он забирает рутинный слой задач, оставляя людям решения, где нужны контекст, эмпатия или юридическая ответственность.
Риски, которые нужно все время держать в голове: агент может «галлюцинировать» — уверенно выдавать неверную информацию, а доступ к реальным системам делает его ошибки дороже ошибок чат-бота. История Klarna показала: экономия на живых операторах бьет по качеству в сложных, эмоциональных обращениях. Поэтому ответственный подход выглядит так — гибридная модель, где агент берет рутину, а человек остается доступен по запросу.
Отдельная группа рисков связана с доступом и ответственностью. Агент, подключенный к внутренним системам, — новая точка входа для атак и утечек персональных данных, поэтому его права должны быть минимально достаточными и разграниченными по ролям. Остается открытым и юридический вопрос: кто отвечает, если агент ошибся при оформлении возврата или кредитного решения, — сейчас ответственность несет компания, а не алгоритм.
Добавляются и внутренние риски: сопротивление сотрудников, которые видят в агенте угрозу, и зависимость от одного поставщика модели, из-за которой смена платформы превращается в отдельный проект. Это не повод отказываться от агентов, а повод внедрять их поэтапно, с четкими правилами эскалации к человеку.
Предлагаем пошаговую инструкцию для запуска ИИ-агента:
1. Выбрать одну задачу с измеримым результатом — не «автоматизировать поддержку», а «закрывать без эскалации вопросы о статусе заказа».
2. Проверить готовность данных и систем: есть ли API, база знаний и история обращений, на которых агент сможет опираться.
3. Подобрать платформу — от no-code конструктора для простых сценариев до разработки на базе GigaChat, YandexGPT или зарубежных моделей для сложных интеграций. Существуют сервисы, которые позволяют получить доступ к ведущим иностранным LLM по API и оплачивать их в рублях.
4. Запустить пилот с ограниченными правами и ручным подтверждением критичных действий, зафиксировав метрики «до».
5. Сравнить результат с этой базовой линией — временем решения, долей эскалаций, удовлетворенностью клиентов — прежде чем расширять права и охват задач.
6. Встроить логирование и мониторинг: каждое действие агента можно проследить и отменить, если нужно.
Так или иначе, в 2026 году агенты уже перестали быть экспериментом — но заменить людей так и не смогли. Это все еще инструмент, который освобождает сотрудников для решений, требующих реальной эмпатии и ответственности.
Часто задаваемые вопросы
-
Как понять, что агент работает хорошо?
По конкретным метрикам — доле закрытых без эскалации обращений, времени решения, динамике удовлетворенности клиентов.
-
Нужно ли агентам программирование?
Для простых сценариев — нет, есть no-code платформы. Для интеграции с внутренними системами компании обычно нужна помощь разработчиков.
-
Насколько это безопасно?
Безопасно при поэтапном внедрении, логировании действий и ручном подтверждении критичных операций — платежей, увольнений, юридических решений.
-
Может ли агент заменить сотрудника полностью?
Кейс Klarna лучший ответ: заменяет рутину, но в чувствительных ситуациях сотрудник незаменим.
-
Сколько стоит внедрение?
Зависит от масштаба — от готовой no-code подписки за недели до многомесячной интеграции с CRM и учетными системами.
-
Несколько специализированных агентов, которые совместно решают задачу, слишком сложную для одного универсального агента.
