До 2024 года разговор о нейросетях в бизнесе сводился к одному сценарию: сотрудник открывает чат, формулирует запрос, копирует ответ, при необходимости повторяет. Это удобно, но у этой схемы жёсткий потолок — человек остаётся узким местом на каждом шаге, а нейросеть ничего не может сделать сама, кроме как сгенерировать текст в ответ.
Агентный ИИ ломает именно этот потолок: вместо разового ответа модель получает цель и доступ к инструментам — базе данных, почте, CRM, поисковой системе, — и дальше действует сама, шаг за шагом, проверяя промежуточный результат и корректируя план. Технически это стало возможным благодаря function calling (способности модели вызывать внешние функции по своему решению) и заметному росту качества рассуждений у моделей поколения 2025-2026 годов — они стали надёжнее удерживать длинный контекст задачи и меньше «теряют нить» на многошаговых сценариях.
Именно поэтому тема выстрелила одновременно у вендоров и у аналитиков: Сбер и МТС называют мультиагентные системы главным технологическим трендом 2026 года, а рынок агентных решений, по разным оценкам, должен вырасти в разы к концу десятилетия. Но параллельно с хайпом растёт и число трезвых отчётов о том, что происходит на практике: по данным исследования Forrester и независимых опросов, около 88% пилотов с ИИ-агентами так и не доходят до продакшена, а Gartner прогнозирует отмену более 40% agentic AI-проектов к концу 2027 года из-за раздутых затрат и нечётких критериев успеха. Обе картины правдивы одновременно — технология реальна и уже приносит деньги там, где применена к месту, и одновременно остаётся полем, усеянным дорогими провалами там, где её взяли ради моды. Задача этого текста — дать рамку, которая помогает отличить одно от другого до того, как деньги потрачены.
Строгого единого определения «ИИ-агента» индустрия пока не выработала, но рабочее и достаточно точное звучит так: агент — это большая языковая модель, дополненная памятью, набором инструментов и циклом «спланировать → действие → наблюдение», который повторяется до тех пор, пока цель не достигнута или не потребовалось решение человека. Ключевое отличие от генеративного ИИ в его классическом понимании — не качество текста, а то, кто инициирует следующий шаг. Генеративная модель реактивна: она ждёт запроса и отвечает один раз. Агент проактивен: получив цель, он сам решает, какой инструмент вызвать следующим, основываясь на результате предыдущего действия.
Отсюда вытекает практическая проверка, которая отсекает большую часть маркетингового шума вокруг слова «агент»: если система не может сама решить, какой следующий шаг предпринять, опираясь на результат предыдущего — это не агент, а обычный workflow или чат-бот с расширенными возможностями, даже если в описании продукта написано «агент». Многие продукты, которые называют себя agentic AI, на деле представляют собой заранее прописанный сценарий («если пришло сообщение такого типа — выполни действие А, затем Б»), и в этом нет ничего плохого — просто это другая, гораздо более предсказуемая и часто более дешёвая категория инструментов, для которой не нужна вся сложность настоящего автономного цикла.
Ещё один часто путаемый термин — «ИИ-ассистент». Ассистент обычно означает интерфейс, через который человек взаимодействует с моделью или агентом (голосом, в чате, в панели приложения), а «агент» описывает то, что происходит за этим интерфейсом — автономность принятия решений. Голосовой помощник может быть простым интерфейсом к генеративной модели без всякой автономности, а может скрывать за собой полноценного агента с доступом к десяткам инструментов — снаружи не всегда видно, какая архитектура использована на самом деле, и это одна из причин, почему рынок настолько зашумлён неточными формулировками.
В основе любого агента лежит цикл, который в англоязычной литературе часто называют ReAct (reasoning + acting) или просто plan-act-observe: модель формулирует, что нужно сделать дальше, вызывает подходящий инструмент, получает результат, оценивает, приблизилась ли она к цели, и либо продолжает, либо переходит к следующему шагу плана. Цикл повторяется десятки раз за одну задачу — например, агент финансового анализа может сначала запросить отчёт из системы, затем выгрузить сравнимые данные за прошлый период, затем посчитать отклонение, затем сформулировать вывод и только потом отдать результат человеку.
Второй обязательный компонент — память. Она делится на кратковременную (контекст текущей задачи — то, что агент «помнит» в рамках одного цикла выполнения) и долговременную (векторная база знаний компании, история прошлых взаимодействий, сохранённые предпочтения пользователя), к которой агент обращается по мере необходимости. Без долговременной памяти агент каждый раз «стартует с нуля» и не может, например, учитывать, что похожий вопрос клиента уже решался на прошлой неделе.
Третий — инструменты, то есть внешние функции, которые агент умеет вызывать: поиск в интернете, запрос к базе данных, отправка письма, обращение к API CRM, выполнение кода. Именно набор доступных инструментов определяет реальные границы возможностей конкретного агента гораздо сильнее, чем качество лежащей в основе модели — самая сильная модель без доступа к нужным системам компании не сможет ничего сделать, кроме как посоветовать.
Отдельная, критически важная часть архитектуры — guardrails, то есть ограничители: список действий, которые агент может выполнять полностью автономно, и список действий, требующих подтверждения человеком до выполнения. Именно эта часть архитектуры чаще всего недооценивается на старте и становится источником самых дорогих провалов — подробнее об этом в разделе про частые ошибки внедрения.
Ниже — примеры из разных функциональных областей бизнеса. Часть из них — задокументированные реальные кейсы конкретных компаний, часть — иллюстративные сценарии по мотивам типичных задач; это явно отмечено в каждой карточке.
У всех трёх крупнейших российских разработчиков ИИ к середине 2026 года есть собственная платформа для сборки агентов, и все они устроены по схожему принципу — конструктор из блоков без необходимости писать код для простых сценариев, с возможностью углубиться в API для сложных.
Сбер развивает связку GigaChat Enterprise (или GigaChat Бизнес) — локальный программно-аппаратный комплекс для крупных компаний с контролем доступа и политиками безопасности — и GigaCowork, no-code платформу для сборки корпоративных агентов, которую сам Сбер описывает как «Notion для AI-агентов»: публичный доступ к ней открыли в мае 2026 года. Отдельно GigaChat API даёт механизм function calling для тех, кто хочет собирать агентные сценарии программно. На практике агенты Сбера уже работают в контактных центрах банка, где голосовые и текстовые боты закрывают значительную часть обращений клиентов без участия оператора.
Яндекс с осени 2025 года объединил разрозненные сервисы Foundation Models в единую Yandex AI Studio — каталог моделей (YandexGPT 5.1 Pro, YandexGPT 5 Lite, YandexART, Alice AI LLM), low-code конструктор агентов Agent Atelier с интерфейсом, похожим на n8n, MCP Hub для подключения внешних инструментов по протоколу MCP, векторное хранилище и API. Такие системы уже применяются внутри самого Яндекса, в частности в логистике.
МТС через дочернюю структуру MWS AI (ранее MTS AI) выпустила MWS AI Agents Platform — платформу для быстрой сборки корпоративных приложений на основе агентов и мультиагентных систем, которая прошла внутреннее тестирование внутри МТС и у клиентов в финансовом секторе и здравоохранении, прежде чем стать доступной внешним заказчикам. Т-Банк развивает собственные примеры автономных агентов внутри компании — в частности, внутренний агент «Афанасий Иванов», который аналитики относят к продвинутому уровню автономности.
Есть и честная оговорка, важная для трезвой оценки рынка: аналитики консалтинговой компании «Яков и Партнеры» отмечают, что зрелые российские ИИ-агенты пока в основном существуют внутри самих корпораций-разработчиков, а не как готовые коробочные решения для внешнего рынка — компании вроде Yandex AI Studio, GigaChat Enterprise, Agent Platform от Just AI и MWS AI Agents Platform дают конструктор, но собирать конкретного агента под свою задачу компании приходится самостоятельно. На четырёх крупнейших игроков — Яндекс, Сбер, МТС и Т-Банк — приходится порядка 70% всех инвестиций в ИИ в стране, что закономерно определяет и то, чьи платформы формируют рынок инструментов для агентов.
Для команд с собственными разработчиками западный open-source ландшафт фреймворков для сборки агентов за последние два года заметно консолидировался вокруг нескольких имён. LangGraph, часть экосистемы LangChain, моделирует поведение агента как граф состояний с возможностью циклов, что хорошо ложится на требования продакшена — предсказуемость выполнения, откат к предыдущему шагу, аудит того, какие действия агент предпринял и почему. К началу 2026 года LangGraph обогнал конкурентов по числу использующих его корпоративных проектов именно за счёт этой предсказуемости.
CrewAI устроен проще и ориентирован на командную метафору — несколько агентов с чётко описанными ролями («исследователь», «редактор», «проверяющий») координируются друг с другом для решения общей задачи. Порог входа ниже, прототип собирается быстрее, но по независимым замерам сопоставимая задача обработки обращений у CrewAI потребляет заметно больше токенов, чем аналогичная реализация на LangGraph, — то есть удобство старта частично оплачивается операционными расходами при масштабировании.
AutoGen от Microsoft и Semantic Kernel — ещё два часто упоминаемых фреймворка, ориентированные на корпоративную среду и интеграцию с существующим стеком Microsoft. AutoGPT, один из самых ранних и нашумевших проектов автономных агентов, сегодня рассматривается скорее как источник идей — полностью автономное планирование без ограничителей — чем как инструмент для реального продакшена: его архитектура жертвует предсказуемостью ради максимальной автономности, что на практике оборачивается непредсказуемым поведением и растущей стоимостью выполнения задачи.
Отдельно стоит упомянуть MCP (Model Context Protocol) — открытый стандарт, который быстро стал общим языком для подключения внешних инструментов и источников данных к агентам независимо от того, на какой модели и фреймворке он собран; поддержка MCP появилась и в западных фреймворках, и в российских платформах вроде Yandex AI Studio, что заметно упрощает интеграцию агента с уже существующими у компании системами.
Для компании без собственной команды разработчиков western open-source фреймворки почти всегда избыточны — это инструменты для тех, кто готов вкладывать инженерное время в тонкую настройку поведения и готов нести ответственность за инфраструктуру. No-code платформы, российские или зарубежные (n8n, Make, Dify наряду с GigaCowork и Agent Atelier), закрывают подавляющее большинство бизнес-задач без этого порога входа.
Разница с внедрением обычной нейросети-помощника в том, что здесь принципиально важен шаг 2 — карта прав доступа и ограничителей. Именно его чаще всего пропускают команды, которые торопятся запустить «агента» ради красивой презентации совету директоров, и именно его отсутствие Forrester называет одной из главных причин, по которым пилоты не доходят до продакшена.
Экономика агента считается по той же логике, что и для любой автоматизации: сэкономленное время (или закрытые без участия человека обращения), умноженное на стоимость этого времени, минус стоимость подписки, токенов и разработки. Разница с простым чат-ботом в том, что у агента к постоянным расходам добавляется стоимость вызова инструментов и заметно более высокая стоимость первичной настройки — нужно не просто подключить модель, а описать и протестировать доступ к каждой внешней системе.
По отраслевым оценкам в сфере клиентского сервиса, средний возврат на вложенный рубль в ИИ-поддержку составляет около 3,5x при горизонте окупаемости 3-6 месяцев, а для узкой задачи с высоким и однородным потоком обращений окупаемость может наступать уже за 2-4 месяца. Но здесь стоит держать в голове честную поправку на разрыв между заявленным и медианным результатом: некоторые вендоры агентов поддержки публично заявляют о доле обращений, закрытых без участия человека (deflection rate), на уровне 80%, тогда как независимые агрегированные данные по всему рынку enterprise-внедрений показывают медиану около 41%, а у верхнего квартиля — около 59%. Разрыв объясняется просто: в кейсы вендоров попадают лучшие внедрения, а медиана включает и середняков, и неудачные проекты, о которых никто не пишет пресс-релиз.
Реалистичный ориентир для планирования — гибридная модель, а не полная автономность: компании, которые действительно фиксируют заметную экономию, обычно доводят агента до обработки 60-70% объёма обращений, оставляя оставшиеся 30-40% сложных, эмоционально нагруженных или нестандартных случаев на живых сотрудников. Закладывать в бизнес-план стопроцентное замещение человека — почти гарантированный способ разочароваться в цифрах через полгода.
Отдельная статья расходов, которую системно недооценивают: по данным Gartner, у большинства компаний реальные затраты на agentic AI-проект оказываются в 2-3 раза выше первоначальной оценки — за счёт доработки интеграций, которые оказались сложнее, чем казалось на этапе презентации, обучения сотрудников новому процессу и постоянного мониторинга качества работы агента, который нельзя один раз настроить и забыть.
Это та часть темы, где честность важнее энтузиазма. Автономный агент — не универсальный апгрейд для любого процесса, а инструмент с конкретной, довольно узкой областью, где он оправдывает свою сложность и стоимость. Ниже — ситуации, в которых стоит остановиться до того, как заказывать интеграцию.
Задача не повторяется достаточно часто. Настройка агента — это инвестиция времени в описание инструментов, тестирование сценариев и калибровку ограничителей. Если процесс происходит раз в месяц или уникален каждый раз, эта инвестиция никогда не окупится — быстрее и дешевле решить задачу вручную или разовым запросом в обычный чат с нейросетью.
Нет чистых данных и API, через которые агент может действовать. Агент без доступа к системам компании — это просто нейросеть, которая красиво описывает, что стоило бы сделать, но не может сделать это сама. Если внутренние системы компании не имеют API или данные в них разрознены и противоречивы, первой инвестицией должно быть наведение порядка в данных, а не покупка агентной платформы поверх хаоса.
Цена ошибки высока, а провекра требует именно человеческого суждения. Финальные юридически значимые решения, чувствительная коммуникация с ключевыми клиентами, вопросы, где нужна эмпатия, а не логичный ответ по шаблону, — здесь агент в лучшем случае готовит черновик для проверки человеком, но никогда не должен действовать полностью автономно, вне зависимости от того, насколько впечатляюще он показал себя на демо.
Задача линейна и не требует ветвления решений. Если процесс всегда идёт по одному и тому же пути без вариаций («пришло письмо → сохрани вложение → занеси данные в таблицу»), это классический сценарий для no-code автоматизации без всякой автономности — она надёжнее, дешевле в эксплуатации и её проще отладить, когда что-то идёт не так, чем агента с самостоятельным планированием.
В компании нет ресурса на постоянный присмотр. Агент — не инструмент «настроил и забыл»: он требует регулярной проверки качества, обновления инструкций при изменении процессов компании и человека, который несёт ответственность за его поведение. Если такого ресурса в компании нет и не появится, лучше начать с более простого и предсказуемого инструмента, чем взять на себя обязательства, которые некому будет выполнять.
Здоровый способ проверить себя перед стартом — задать один прямой вопрос: если бы вместо агента эту задачу выполнял новый сотрудник на удалёнке без опыта в компании, дал бы я ему автономно принимать эти решения в первую неделю работы? Если ответ «нет» — агенту без присмотра человека доверять их тоже рано.