ИИ-агенты для бизнеса: что это и где они окупаются

Окупаются они там, где много однотипной работы с текстом и данными, а ошибку можно поймать до того, как она дойдёт до клиента: разбор заявок, первая линия поддержки, обработка документов, отчёты.

Вокруг агентов много шума, поэтому начнём с трезвой цифры. В июне 2025 года Gartner спрогнозировал, что больше 40% проектов с ИИ-агентами закроют к концу 2027 года — из-за растущих затрат, неясной пользы и слабого контроля рисков. Там же аналитики пишут про «агент-вошинг»: из тысяч компаний, которые продают «агентов», настоящие агентные решения, по оценке Gartner, есть примерно у 130. Ниже — как отличить задачу для агента от задачи для обычной автоматизации и как посчитать, окупится ли внедрение.

Что такое ИИ-агент простыми словами

Представьте нового сотрудника. Вы даёте ему инструкцию, доступ к почте, CRM и таблицам и говорите: «Разбери входящие заявки, заведи сделки, дубли не создавай, сложные случаи отдавай мне». Как именно действовать в каждом письме, он решает сам. ИИ-агент устроен так же, только вместо человека — языковая модель.

Хорошее рабочее определение есть у Anthropic в статье «Building effective agents». Там разделяют два типа систем:

• workflow (сценарий) — модель и инструменты работают по заранее прописанному в коде порядку шагов;
• агент — модель сама управляет процессом: решает, какой инструмент вызвать и что делать дальше.

У любого агента есть пять частей: модель, инструменты (CRM, почта, 1С, таблицы, сайт), инструкции и ограничения, база знаний и человек, который проверяет результат. Если какой-то части нет — особенно последней, — проблемы начинаются в первую же неделю. Когда такую связку встраивают в процессы компании, это и называют ИИ-автоматизацией бизнес-процессов.

Чем ИИ-агент отличается от чат-бота и обычной автоматизации

Главное правило выбора — брать самое простое решение, которое справится. Так советует и Anthropic: начинать с минимальной сложности и наращивать её только при необходимости. Если процесс можно описать жёсткими правилами — это обычная автоматизация бизнес-процессов: она дешевле, быстрее и надёжнее. Агент нужен там, где на входе неструктурированный текст — письма, сканы, переписка — и где каждый случай немного отличается.

Если ваша задача — отвечать клиентам в мессенджере, начните с разбора в статье «Чат-бот для бизнеса: как создать, сколько стоит, примеры»: часто хорошего бота хватает.

Где ИИ-агенты для бизнеса окупаются: реальные сценарии

Обработка заявок

Заявки приходят с сайта, на почту, в мессенджеры, в свободной форме. Агент читает каждую, вытаскивает имя, телефон, компанию и суть запроса, проверяет в CRM, нет ли такого клиента, создаёт сделку, назначает менеджера и готовит черновик ответа. Менеджер открывает уже разобранную заявку, а не письмо «добрый день, нам нужно примерно то же, что в прошлый раз».

Первая линия поддержки

Агент отвечает на типовые вопросы по базе знаний, проверяет статус заказа в системе и передаёт человеку всё, что выходит за рамки. Самый известный пример — Klarna. В феврале 2024 года компания сообщала, что её ИИ-ассистент за первый месяц провёл 2,3 млн диалогов — две трети всех чатов поддержки, а время решения вопроса сократилось с 11 минут до менее чем двух. Это данные самой компании.

Продолжение тоже показательное. В мае 2025 года гендиректор Klarna рассказал, что компания снова нанимает людей в поддержку: качество при упоре только на ИИ просело, и клиент всегда должен иметь возможность поговорить с человеком. Вывод для бизнеса: агент снимает поток простых обращений, но живая вторая линия остаётся.

Документы

Договоры, счета, акты, заявки на закупку. Агент извлекает реквизиты и суммы, сверяет с шаблоном или справочником, отмечает отличия: «срок оплаты 60 дней вместо стандартных 30», «ИНН не совпадает с карточкой контрагента». Решение и подпись остаются за человеком.

Отчёты

Каждый понедельник кто-то собирает цифры из CRM, рекламных кабинетов и учётной системы и пишет руководителю сводку. Агент делает то же: забирает данные, считает отклонения от плана и пишет комментарий — «заявок с рекламы на 18% меньше, просели две кампании». Человек проверяет и дополняет.

Продажи

Подготовка ко встрече (что известно о клиенте, история общения), черновик коммерческого предложения по шаблону, письмо после звонка с итогами. На старте агент не должен сам писать клиентам — только готовить черновики для менеджера.

Где агент пока не нужен

• Редкие процессы: если задача возникает пять раз в месяц, внедрение не окупится.
• Точные расчёты, где ошибка стоит дорого: модель может ошибиться в арифметике, считать должен код.
• Юридически значимые решения без проверки человеком.
• Процессы, которые в компании ещё не устоялись: сначала нужно договориться, как работать, потом автоматизировать.

Как посчитать окупаемость ИИ-агента

Считаем до старта и честно включаем все расходы.

1. Сколько часов уходит на процесс сейчас. Замерьте за 2–4 недели, а не на глаз.
2. Какую долю возьмёт агент. Не 100%. Реалистично — часть случаев полностью, остальные с проверкой.
3. Стоимость часа сотрудников с налогами.
4. Расходы на работу агента: оплата модели, сервер, поддержка, время человека на проверку.
5. Стоимость внедрения.

Экономия в месяц = часы × доля агента × стоимость часа − расходы на работу агента. Срок окупаемости = стоимость внедрения ÷ экономия в месяц.

Условный пример (цифры для иллюстрации, не из конкретного проекта). Три менеджера тратят на разбор заявок по 2 часа в день — около 130 часов в месяц. Час стоит компании 800 ₽, значит процесс обходится примерно в 105 тыс. ₽ в месяц. Агент берёт на себя 60% работы — это 63 тыс. ₽. Вычитаем 13 тыс. ₽ на модель, сервер и поддержку — остаётся около 50 тыс. ₽ в месяц. Если внедрение с интеграциями в CRM и почту обойдётся в 400 тыс. ₽ (в пределах уровня «Развитие бизнеса» из таблицы ниже), окупаемость — около 8 месяцев. Если процесс простой и укладывается в «Быстрый запуск» за 60–160 тыс. ₽, — примерно 1–3 месяца.

В деньги не всё переводится. Агент отвечает на заявку за минуты, а не к концу дня, и не теряет письма в пятницу вечером. Это тоже стоит учитывать, но решение лучше принимать по «жёстким» цифрам. Наш ориентир: если по расчёту окупаемость больше полутора лет, лучше выбрать другой процесс или обойтись обычной автоматизацией.

Риски: ошибки, доступы, данные

Ошибки и выдумки

Языковая модель может уверенно сказать неправду. И отвечать за это будет компания, а не модель. В 2024 году трибунал в Канаде обязал Air Canada выплатить компенсацию клиенту, которому чат-бот авиакомпании неверно рассказал о правилах возврата. Довод «это сказал бот, а не мы» суд не принял.

Что помогает: агент отвечает только по вашей базе знаний и показывает источник; цифры и факты проверяются кодом; всё, что уходит клиенту, на старте проходит через человека.

Доступы

Агент с правами «на всё» — это риск. В списке главных угроз для LLM-приложений OWASP Top 10 for LLM первое место занимает prompt injection — когда вредная инструкция приходит внутри письма, документа или страницы, и модель её выполняет. Отдельный пункт — избыточные полномочия (excessive agency).

Правила простые: агент получает минимум прав — где можно, только чтение. Платежи, удаление данных и отправка писем клиентам — только после подтверждения человеком. Все действия агента пишутся в журнал.

Данные

Если агент отправляет персональные данные клиентов в зарубежную модель, это может считаться трансграничной передачей. По 152-ФЗ о намерении передавать данные за рубеж нужно заранее уведомить Роскомнадзор, а передавать их можно не во все страны (данные на октябрь 2026 года, правила стоит сверить с юристом перед запуском). Варианты: обезличивать данные перед отправкой или использовать российские модели — например, через Yandex AI Studio или GigaChat API.

Как внедрять ИИ-агента поэтапно

1. Аудит процессов. Смотрим, где уходит больше всего времени, какие данные на входе, какие системы участвуют. Выбираем один процесс с понятной метрикой.
2. Замер «до». Время на одну заявку или документ, доля ошибок, скорость ответа.
3. Пилот в режиме черновика. Агент готовит результат, человек проверяет и правит. Обычно это несколько недель на одном процессе.
4. Метрики пилота. Какую долю результатов приняли без правок, сколько времени сэкономили, какие ошибки повторяются.
5. Расширение прав. Простые случаи агент закрывает сам, сложные по-прежнему уходят человеку.
6. Поддержка. База знаний устаревает, у сервисов меняются API, модели обновляются. Агенту нужен ответственный — как любому сотруднику.

Ориентиры по стоимости внедрения. Цена зависит от состава работ — числа процессов, систем и проверок, — а не от размера компании.

Доллары — условный пересчёт по 80 ₽ за доллар, только для сравнения, а не курс для договора.

Ассистент отвечает по подготовленным материалам и передаёт сложные обращения человеку. Агент дополнительно выполняет действия в ваших системах, поэтому отдельно оцениваем проверки, права доступа и обработку ошибок. Быстрый запуск — один несложный процесс с ограниченным числом интеграций. Индивидуальный проект — несколько процессов и систем, мониторинг; верхняя граница тут — 1,6 млн ₽ для ассистента и 2,4 млн ₽ для агента, а самые сложные проекты выходят и дороже.

Сложные проекты начинаем с проектирования: сценарии, архитектура, прототип и подробная смета — 40–120 тыс. ₽ (≈ $500–1 500). Так вы знаете цену и окупаемость до того, как платить за разработку.

Внешние расходы в эти суммы не входят и называются до старта: оплата API языковых моделей, сервер, подписки на сервисы — они зависят от объёма. Поддержку после запуска обсуждаем отдельно. Точную стоимость считаем после брифа.

Примеры ИИ-агентов: что мы внедряли

A13 — агент, который оформляет доставку. Заявки приходили на сайт, в Telegram и Instagram, а менеджер тратил около 30 минут на каждую: переписка, данные для доставки, ручной ввод в СДЭК. Теперь ИИ-агент сам ведёт диалог, вытаскивает из сообщений товар, ФИО, телефон и адрес, уточняет недостающее и просит покупателя проверить заказ. Потом по API оформляет накладную в СДЭК и называет итоговую сумму с доставкой. На заявку уходит 1–2 минуты, нестандартные вопросы агент отдаёт менеджеру вместе с историей переписки. Подробнее о проекте.

Neosend — агенты, которые превращают список сайтов в лиды. Клиент загружает список компаний и описывает свои услуги. Агенты обходят каждый сайт, собирают контакты и данные о компании, анализируют, чем она занимается и чего ей не хватает, и оценивают, насколько она подходит под услуги клиента — с объяснением и подсказкой, что предложить. Недоступные сайты, дубли и компании без контактов отсеиваются автоматически. Подробнее о проекте.

Coconut Travel — подбор туров и коммерческое предложение за пять минут. Раньше менеджер 5–6 часов проходил по сайтам туроператоров, чтобы собрать одно предложение. Мы подключили около сотни источников — через API, парсинг сайтов и выгрузки прайсов, — и система опрашивает их параллельно. ИИ-агент отбрасывает неподходящие варианты, выбирает лучшие с объяснением и собирает из них коммерческое предложение. Менеджер только проверяет и отправляет. Подробнее о проекте.

Общее у трёх проектов: агент делает рутину, а последнее слово остаётся за человеком — покупатель подтверждает заказ, менеджер проверяет предложение перед отправкой, заказчик сам решает, каким лидам писать.

Если хотите понять, есть ли в вашей компании процесс, на котором агент окупится, — посмотрите, что мы делаем в автоматизации, или опишите задачу. Начнём с разбора процесса и расчёта, а не с покупки технологии.