Чат отвечает на вопрос, а агент двигает задачу вперёд: достаёт нужные данные, выбирает следующий шаг, вызывает разрешённый инструмент и проверяет результат. Для бизнеса это значит, что у агента есть вход, права, точки проверки и цена за каждую обработанную операцию.
ИИ-агент — это модель с инструкцией, контекстом и инструментами, которая в заданных границах сама выбирает последовательность шагов. Если путь заранее жёстко прописан кодом, перед вами ИИ-workflow. Оба варианта полезны, и во многих процессах хватает второго.
Различие используют инженеры Anthropic: workflow следует заранее заданному маршруту, а агент динамически выбирает процесс и инструменты. Они же советуют начинать с простого решения, потому что агентность добавляет стоимость, задержку и риск накопления ошибок.
Ситуация: счета приходят на почту
Условный пример. В бухгалтерии небольшой компании счета поставщиков приходят в общий почтовый ящик в виде PDF и сканов. Сотрудник открывает письмо, переписывает реквизиты, сумму и позиции, ищет заказ на закупку, сверяет цены и отправляет счёт на согласование. Часть счетов идёт по типовой схеме, часть содержит расхождения. Владелец процесса хочет убрать переписывание и ускорить сверку, но оставить за людьми решение об оплате. Посмотрим, как этот процесс выглядит для агента.
Путь одного счёта
Рабочий агент состоит из шести слоёв. Для счетов они выглядят так.
- Задачаразобрать счёт, сверить с заказом, подготовить карточку на согласование
- Контекстправила компании, образцы хорошо разобранных счетов, список поставщиков
- Источникипочтовый ящик со счетами, реестр заказов, справочник цен
- Методинструкция: какие поля извлечь, как сверять, в каком формате вернуть
- Действиесоздать черновик карточки в очереди согласования, пометить расхождение
- Контрольжурнал, лимиты, передача человеку
Большая часть шагов здесь фиксирована: прочитать письмо, извлечь поля, найти заказ, сравнить. Это скорее workflow, а языковая модель нужна внутри него для чтения разных форматов счетов. Свободный выбор действий понадобится в нестандартных случаях, например когда в счёте другая валюта или позиции названы иначе, чем в заказе. Тогда агент решает, какой справочник открыть и какой вопрос задать человеку. Такое разделение держит стоимость и риск в разумных границах.
Принципы совпадают с практическим руководством OpenAI: базовая система состоит из модели, инструментов и инструкций, а сверху добавляются оценка качества и защитные слои. В собственной инфраструктуре я отдельно проектирую ещё память, происхождение данных и границы личного и корпоративного доступа.
Права, проверка человеком и сбои
Какие права получает агент
Агент читает почтовый ящик для счетов, читает реестр заказов и справочник цен, а пишет только в очередь черновиков. Платёж он не создаёт и реквизиты в учётной системе не меняет. Любое расширение прав проходит по списку вопросов: кто владелец системы, для какой задачи, какие данные, какие действия, на какой срок и кто может это остановить. Первый запуск идёт на тестовых или обезличенных счетах и в режиме чтения.
Где вмешивается человек
Человек проверяет карточку, если сумма расходится с заказом сверх допуска, если поставщик новый или если в счёте изменились банковские реквизиты. Последний случай стоит держать под ручным контролем всегда: подмена реквизитов давно известная схема мошенничества. Остальные счета сотрудник просматривает быстро, сверяя карточку с оригиналом, и подтверждает согласование.
Что происходит при ошибке
Нечитаемый скан уходит в ручную очередь с пометкой причины. Счёт, который агент не смог сопоставить с заказом, получает статус «нужен человек» вместе с найденными кандидатами. Каждое действие попадает в журнал: что агент прочитал, что решил и на каком основании. Если после обновления инструкции доля правок выросла, возвращаем прежнюю версию. Агент должен уметь безопасно остановиться, потому что скорость без остановки только умножает ошибку.
Общее правило: когда агент оправдан
Агент нужен там, где число шагов заранее неизвестно, а цель, инструменты и критерий готовности понятны. Если операция стабильно раскладывается на фиксированные шаги, обычный workflow обходится дешевле и надёжнее. Если хороший ответ даёт один запрос к модели с качественным контекстом, агент вообще не нужен. Самый дорогой агент — тот, которого построили раньше, чем поняли процесс.
Как считать окупаемость
Окупаемость считается для конкретной операции. Универсального процента экономии не существует. Формула месяца: сэкономленное время, умноженное на полную стоимость часа, плюс дополнительный результат, минус стоимость моделей, интеграций, проверки, поддержки и ошибок. До пилота фиксируются объём операций, медианное время, доля переделок и стоимость исключений.
| Статья | Вручную | С агентом |
|---|---|---|
| Счетов в месяц | 400 | 400 |
| Время обработки | 40 ч (6 мин на счёт) | 16 ч (8 ч проверки и 8 ч на исключения) |
| Стоимость времени при 1 000 ₽ за час | 40 000 ₽ | 16 000 ₽ |
| Модель и сервис | — | 6 000 ₽ |
| Поддержка и разбор ошибок, 4 ч | — | 4 000 ₽ |
| Итого в месяц | 40 000 ₽ | 26 000 ₽ |
Это пример, а не данные клиента. Допущения: 80 счетов из 400 идут по ручному маршруту по 6 минут, на проверку остальных уходит по 1,5 минуты. Месячная разница составляет 14 000 ₽. Если разработка и настройка стоят 60 000 ₽, окупаемость наступит примерно через 4,3 месяца. Стоимость ошибок в расчёт не вошла, её нужно добавить по вашим данным.
После запуска считайте долю результатов, которые человек принял без правок, время полного цикла и стоимость одной принятой операции вместе с проверкой. Количество ответов агента ничего не говорит о пользе. Отдельно учитывайте необратимые действия и инциденты доступа: они показывают цену автономности.
Что говорят исследования и компании
Поле для сомнений остаётся, поэтому нужна точка «до». В эксперименте NBER с 5 179 агентами поддержки средний рост производительности составил 14%, а у новичков 34%. В другом полевом исследовании 7 137 работников в 66 компаниях активные пользователи ИИ тратили примерно на два часа в неделю меньше на электронную почту, но общего изменения состава задач исследователи не нашли. Обе работы касаются конкретных условий и не заменяют ваш замер.
Klarna сообщала, что её ассистент обработал 2,3 млн диалогов за первый месяц и взял на себя две трети обращений. Это оценка самой компании в пресс-релизе, а не независимый аудит, и переносить её на другой бизнес как прогноз нельзя.
Следующий шаг
Выберите одну операцию и сначала посчитайте её по формуле выше на реальных данных за месяц. Затем запустите пилот с подтверждением человеком и разберите каждую критическую ошибку отдельно. Автономность расширяйте после доказанного качества. NIST предлагает встраивать управление рисками в проектирование, использование и оценку ИИ-систем, а для генеративного ИИ есть отдельный профиль рисков. Он не даёт сертификата агенту и служит набором вопросов для команды.
Подробный путь от замера до решения я показал на другом процессе в статье «Как внедрить ИИ в бизнес-процесс: пример с недельным отчётом». Если нужен агент вокруг измеримой операции, это формат внедрения AI. Если хотите научить команду собирать такие инструменты самой, смотрите корпоративную программу.
Источники
- Anthropic — Building effective agents.
- OpenAI — A practical guide to building agents.
- NBER — Generative AI at Work.
- NBER — Shifting Work Patterns with Generative AI.
- NIST AI Risk Management Framework.
- Klarna — company-reported customer-service case.
- Пример со счетами поставщиков и все цифры в расчёте иллюстративные и взяты для демонстрации метода.
Вопросы и ответы
Чем ИИ-агент отличается от чат-бота?
Чат-бот отвечает на запрос. Агент получает цель, сам выбирает шаги, использует разрешённые инструменты и проверяет результат. Поэтому ему нужны права, журнал и точка передачи человеку.
Всегда ли для автоматизации нужен агент?
Нет. Если шаги известны заранее, хватает обычного workflow с вызовом модели на отдельных этапах. Он дешевле и проще в проверке.
Как оценить окупаемость до запуска?
Замерьте объём операций, время на одну операцию и долю переделок. Прибавьте стоимость модели, проверки и поддержки, затем сравните с ручным вариантом. Расчёт стоит повторить после пилота на фактических данных.