Развитие искусственного интеллекта вступает в новую фазу: на смену генеративным моделям и чат-ботам приходит агентский ИИ. В отличие от предшественников, которые просто отвечали на запросы, ИИ-агенты способны самостоятельно выполнять многошаговые задачи без постоянного контроля со стороны человека. И именно это делает их перспективной и такой интересной для бизнеса технологией. Так, согласно прогнозам Gartner, уже к 2028 году на долю автономных ИИ-систем будет приходиться уже не менее 15% повседневных операционных решений.

В России развитие искусственного интеллекта — один из ключевых национальных приоритетов на ближайшие годы. Ожидается, что внедрение передовых ИИ-решений, включая агентные модели, может добавить к 2030 году от 4 до 6 процентных пунктов к ВВП страны. 

За этими прогнозами стоят как серьезные возможности для бизнеса, так и вызовы, связанные с внедрением новых технологий. Агентский ИИ уже сегодня открывает компаниям доступ к повышению операционной эффективности, но вместе с тем требует адаптации бизнес-процессов и преодоления барьеров на пути к массовому применению. В этой статье рассмотрим ключевые перспективы и ограничения этой технологии, а также то, как бизнес может подготовиться к новому этапу развития искусственного интеллекта.

Мы уже привыкли к чат-ботам и другим ИИ-решениям, которые работают по принципу «если-то», и отлично справляются с простыми задачами — распознают и генерируют изображения или обрабатывают текст.

В противовес им ИИ-агенты могут выполнять достаточно сложные задачи без постоянного контроля со стороны человека. В мультиагентных системах и вовсе десятки таких «цифровых сотрудников» могут работать одновременно, координируя между собой действия, распределяя задачи и принимая согласованные решения. В итоге ИИ-агенты работают как слаженный оркестр, где каждый участник выполняет свою часть в общей работе.

Кроме того, в отличие от стандартных чат-ботов, которые «забывают» историю диалога после каждой сессии, у ИИ-агентов есть память, в которой накапливается и анализируется контекст всех прошлых взаимодействий, благодаря чему они могут вести непрерывный диалог и предлагать пользователю более персонализированные решения, основанные на том, что обсуждалось и решалось ранее.

Еще одно отличие — в том, как эти решения внедряются в контур компаний. Чат-боты легко интегрировать, потому что это точечный сервис для автоматизации очень конкретных операций. Они не требуют контекста вне запущенного диалога и идеально подходят для задач с четким сценарием будь то ответ на вопрос, помощь в оформлении заявки или отслеживание статуса. 

ИИ-агенты способны автономно выполнять более сложные и многошаговые задачи. Но для этого им необходим куда более широкий доступ к различным корпоративным данным и сервисам. И хотя стратегические решения по-прежнему остаются за человеком, агенты уже успешно принимают тактические решения, опираясь на контекст, анализ данных и предыдущий опыт.

Разница между чат-ботами и ИИ-агентами сопоставима с переходом от стационарного телефона к первой Nokia. При этом технологии не конкурируют, а дополняют друг друга. Чат-боты эффективно решают массовые типовые задачи и остаются идеальными для первого уровня поддержки и простых сценариев. ИИ-агенты же эффективны там, где заканчиваются возможности чат-ботов: когда требуется не единичный ответ, а координация многошаговых процессов и принятие решений на основе данных из множества источников.

За внешней простотой взаимодействия с ИИ-агентами, когда одним запросом можно запустить многоэтапный процесс, скрывается сложная архитектура и подход к проектированию, которые серьезно отличаются от создания чат-ботов.

В основе лежит принцип разделения «мозга» и «рук». За когнитивные функции отвечают большие языковые модели (LLM), которые понимают запрос, разделяют сложные цели на последовательные атомарные шаги и могут принимать обоснованные решения даже в условиях неопределенности и недостатка информации. 

Однако без «рук», то есть инструментов для взаимодействия с реальными системами по типу CRM, ERP, базами данных, возможности LLM очень ограничены. Без доступа к операционным системам агент может лишь анализировать данные, но не способен действовать: автоматически обновлять записи, запускать процессы, координировать работу между системами.

Поэтому еще один критически важный элемент архитектуры — RAG-системы, которые решают проблему галлюцинаций и ограниченности знаний модели, предоставляя ИИ-агенту доступ к внутренним ресурсам: актуальной документации, переписке и данным из бизнес-систем. Принцип работы заключается в том, что при получении запроса агент сначала ищет релевантную информацию в источниках, и только затем формирует ответ.

Завершает архитектуру системы «память», которая учитывает и текущий контекст задачи, и историю взаимодействий, чтобы агент мог использовать предыдущий опыт и не повторять прошлых ошибок.

В итоге идеальная архитектура ИИ-агента работает последовательно и точно координируя действия: получив задачу, система определяет необходимые источники данных через RAG, выбирает инструменты для действий через API, обрабатывает информацию и принимает решения. 

Естественно, такая глубокая интеграция разных решений требует новых инструментов. Традиционные методы подключения к корпоративным системам слишком медленные и негибкие для ИИ-агентов: каждая интеграция требует индивидуальной разработки, что делает масштабирование практически невозможным. 

Поэтому особенно интересно следить за развитием новых решений, например, протокола MCP (Model Context Protocol — фреймворк с открытым исходным кодом, разработанный компанией Anthropic). По сути, это стандартизированный адаптер, который должен упростить взаимодействие между LLM и корпоративными системами без необходимости индивидуальных интеграций для каждого сервиса. В перспективе протокол может значительно сократить затраты компаний на внедрение ИИ-агентов. Но пока это новая технология, поэтому говорить о ее эффективности рано. 

Для внедрения ИИ-агентов от компании требуется гораздо больше, чем просто развертывание LLM в контуре. Здесь недостаточно использования точечного автономного сервиса, нужна комплексная трансформация ИТ-ландшафта и бизнес-процессов под новую технологию.

Первое и фундаментальное требование ко всем компаниям, которые решатся на внедрение ИИ-агентов, — наличие мощной и гибкой ИТ-инфраструктуры, рассчитанной на работу LLM в режиме реального времени с минимальной задержкой, чтобы система отвечала на запрос буквально как живой собеседник. Для этого требуются значительные вычислительные ресурсы — специализированные серверные решения, такие как GPU-кластеры, или высокопроизводительные облачные платформы.

Другой вызов — возможности интеграции корпоративных систем между собой и с агентом. Без безопасного и стандартизированного доступа к CRM, ERP, базам данных и внешним сервисам агент остается лишь консультантом, теряя свою прикладную ценность для бизнеса. Необходимо тщательно проанализировать совместимость систем с ИИ-агентом: провести аудит API, проверить поддерживаемые протоколы обмена данными. Особое внимание уделить сервисам, требующим двустороннего взаимодействия, где агенту нужно не только извлекать данные, но и вносить изменения: обновлять статусы, создавать записи или запускать процессы.

Параллельно с этим необходима зрелая инфраструктура данных: принцип «мусор на входе — мусор на выходе» проявляется здесь в полной мере. Только качественные, актуальные и структурированные данные могут быть надежной основой для работы ИИ-агента. В противном случае он будет либо принимать необоснованные решения, либо постоянно требовать человеческого вмешательства, что полностью обесценивает саму концепцию автономности.

С технологической готовностью неразрывно связана и организационная зрелость. Попытка автоматизировать хаотичный, неформализованный рабочий процесс гарантированно не оправдает завышенных ожиданий от внедрения агента. Поэтому все целевые процессы должны быть описаны в формате «цель — результат». Это поможет определить границы ответственности агента и четко зафиксировать условия его вмешательства, критерии успешности выполнения задач и механизмы эскалации для ситуаций, требующих человеческого участия. Иначе даже самый совершенный ИИ-агент будет сталкиваться с заданиями, которые он не способен корректно интерпретировать или выполнить.

Еще один важный шаг в процессе внедрения ИИ, который нередко упускают из виду, но который крайне важен для успеха проекта, — создание сквозного конвейера для проверки гипотез и запуска агентов. Такой конвейер должен включать три основных компонента:

• технологическую инфраструктуру для изолированного тестирования;
• программную платформу с инструментами для сборки и валидации агентов;
• организационные механизмы для быстрого согласования гипотез. 

Чтобы гипотезы воплощались в реальные проекты, необходимо устранить бюрократические барьеры между разработчиками, юристами и специалистами по безопасности, создав четкие и предсказуемые процедуры согласования. Иначе даже перспективные идеи будут месяцами проходить согласования, не доходя до пилотного внедрения.

Внедрение агентов — это не просто очередной ИТ-проект, это управление рисками нового поколения. За фантастическими возможностями ИИ-агентов скрываются вполне реальные угрозы для бизнеса. 

Первый камень преткновения — вопрос ответственности и прозрачности. Например, если автономный ИИ-агент совершает действие, которое приводит к финансовым или операционным потерям, то кто виноват: разработчик алгоритма, утвердивший внедрение ИТ-директор или сама компания, которая доверила ИИ такую сложную работу? В отличие от традиционного софта, где можно отследить каждое действие, нейросеть зачастую не может внятно объяснить, почему она приняла то или иное решение. И пока ни одна судебная система не готова дать четкий ответ на эти вопросы, а значит, тут кроются серьезные юридические и репутационные риски для бизнеса.

Безопасность — еще один ключевой вопрос. Агенты открывают новые возможности не только для бизнеса, но и для злоумышленников. Вместо того чтобы взламывать системы напрямую, хакер может попытаться обмануть самого агента — с помощью специального запроса запрограммировать его на выполнение вредоносных инструкций. Это может привести к утечке данных, нарушению работы систем или изменению их конфигурации. Так, в январе 2025 года именно из-за ошибки конфигурации утекла база данных DeepSeek, которая содержала более миллиона записей, включая историю чатов, API-ключи и другую чувствительную информацию. 

Для российских компаний также существует риск зависимости от зарубежных технологий: санкционное давление, внезапное прекращение технической поддержки или отключение от зарубежных облачных платформ могут парализовать ключевые бизнес-процессы в критический момент. Проблема усугубляется тем, что многие современные ИИ-инфраструктурные решения и платформы имеют зарубежное происхождение.

Несмотря на взрывной рост интереса к ИИ-технологиям на глобальном рынке, развитие ИИ-агентов пока напоминает ситуацию с облачными технологиями десять лет назад: все признают их потенциал, но мало кто готов к полноценному внедрению. 

В России ситуация развивается по особому сценарию. В отличие от мирового тренда на автономность, отечественный рынок делает ставку на гибридную модель, где ИИ выступает в роли co-pilot — помощника, усиливающего возможности разных специалистов – от разработчиков до специалистов по кадрам. 

Главный барьер для отечественных компаний связан не столько с технологиями, сколько с организационными и финансовыми ограничениями.. Российский бизнес сталкивается с классической дилеммой: как интегрировать такие новые инструменты в устоявшиеся процессы? Тем более что пока ИИ-агенты больше напоминают junior-специалистов — они требуют постоянного контроля и доработки выполненных ими задач. Конечно, для бизнеса это риски: от генерации некорректного кода до реальных операционных потерь. 

Кроме того, сохраняется скепсис со стороны служб безопасности: доверять автоматизированным системам принятие решений без прозрачных механизмов контроля и валидации по-прежнему сложно. 

Поэтому сегодня мы видим лишь единицы серьезных внедрений, которые кардинально меняют операционную модель. Многие компании ограничиваются точечными пилотами, не рискуя переходить к полноценной интеграции. Однако стоит признать: те, кто уже инвестирует в трансформацию, получат беспрецедентное преимущество в ближайшие два-три года.

Внедрение агентного ИИ — это не точечный ИТ-проект с четкими сроками и бюджетом, а фундаментальная трансформация операционной модели компании. Поэтому готовиться к внедрению стоит уже сегодня, но начинать не с поиска вендора, а с проведения внутреннего аудита. Насколько структурированы ключевые процессы, готовы ли данные стать основой для автономных решений, насколько развита инфраструктура? 

По результатам аудита можно будет определить целевой уровень зрелости компании, а уже затем выстраивается поэтапный план внедрения ИИ — с надежным партнером и подготовленной инхаус-командой.