Автор статьи — Сергей Спиренков, ИИ-эксперт, евангелист KODE
Предыдущая волна ИИ помогала сотруднику написать письмо, сделать саммари встречи или найти информацию. Новая обещает вообще убрать человека из части операций.
AI-агент может получить задачу, собрать данные из нескольких систем, решить, что делать дальше, и выполнить действие: обновить карточку клиента, сформировать документ, запустить согласование или подготовить закупку.
Для бизнеса это означает переход от «ИИ помогает сотруднику» к «ИИ выполняет часть работы самостоятельно». Но вместе с этим меняется и цена ошибки.
Почему рынок так быстро заинтересовался агентами
В опросе PwC среди 300 руководителей американских компаний 79% сообщили, что их организации уже внедряют AI-агентов. Среди компаний, которые используют технологию, две трети отмечают измеримый эффект для производительности.
Gartner прогнозирует, что к концу 2026 года специализированные AI-агенты появятся в 40% корпоративных приложений. Годом ранее их доля составляла менее 5%. Российский рынок тоже активно экспериментирует.
39% российских компаний уже используют AI-ассистентов и агентов, а среди крупного бизнеса интерес ещё выше.
Но между интересом и готовностью отдать ИИ реальные полномочия есть большой разрыв.
По данным СберПро и TAdviser, только 5% компаний готовы давать агентам полную автономию в отдельных операциях. 55% пока используют их как рекомендательные системы, ещё 45% разрешают выполнять действия только по заранее установленным правилам. И для нынешнего этапа рынка это скорее плюс.
Чем агент отличается от обычного AI-помощника
Представим отдел продаж. Ассистент может по просьбе менеджера составить письмо клиенту. Агент способен сам увидеть новую заявку в CRM, проверить информацию о компании, подобрать релевантный кейс, подготовить письмо и поставить менеджеру задачу.
Следующий уровень — отправить это письмо самостоятельно. Разница между этими сценариями не только техническая. Это три разных уровня ответственности.
Чем ближе AI подходит к реальному действию, тем важнее заранее решить, где находится точка человеческого контроля.
Где бизнес получает больше всего пользы
Agentic AI особенно интересен там, где человеку приходится постоянно переключаться между системами.
Например, чтобы обработать заявку, сотрудник открывает CRM, затем ERP, проверяет документ, пишет письмо и возвращает результат в CRM. Обычная автоматизация может ускорить отдельный шаг. Агент способен связать несколько шагов в один процесс.
BCG приводит примеры ERP- и CRM-сценариев, где агенты сокращали цикл операций на 20–30%. В страховании отдельные проекты показали сокращение времени обработки кейсов на 40% и рост NPS на 15 пунктов.
Для маркетинга и продаж логика такая же. AI-агент может не только написать рекламный текст, но и анализировать результаты кампании, выбирать сегмент, менять параметры взаимодействия и запускать следующий сценарий.
BCG описывает кейс B2B SaaS-компании, где агентное управление маршрутизацией маркетинговых кампаний увеличило конверсию лидов на 25%. То есть ценность смещается от генерации контента к управлению процессом.
Именно здесь начинаются риски
Если генератор текста ошибся, редактор может исправить предложение. Если агент самостоятельно поменял настройки кампании, отправил предложение не тому клиенту или создал операцию в корпоративной системе, ошибка уже становится бизнес-событием. Особенно опасна иллюзия, что агент «понимает» задачу так же, как сотрудник.
На самом деле он действует в рамках данных, инструкций и доступных инструментов. Если исходная информация неполная или правило сформулировано неоднозначно, система может выбрать вполне логичное — но неправильное для бизнеса — действие. Поэтому автономность нельзя рассматривать отдельно от контекста.
Не каждый процесс нужно отдавать агенту
Хорошо подходят задачи, где: действия повторяются; правила относительно стабильны; можно проверить результат; стоимость ошибки ограничена; есть качественные данные.
Например, подготовить внутренний отчёт или классифицировать обращения.
Гораздо осторожнее стоит относиться к действиям, связанным с крупными платежами, юридическими обязательствами, чувствительными клиентскими решениями или массовыми коммуникациями. Причём чем выше масштаб, тем выше потенциальный ущерб от одной неправильной логики.
Почему «внедрить агента» недостаточно
Один из самых больших рисков — автоматизировать уже неэффективный процесс. Допустим, маркетинговая кампания проходит через шесть согласований, а данные о клиентах лежат в трёх системах.
Можно встроить агента, который ускорит подготовку материалов. Но если пять остальных узких мест останутся, общий результат почти не изменится. Именно поэтому российские компании пока получают наиболее заметный эффект там, где вместе с AI перестраивают сам процесс.
По данным исследования СберПро и TAdviser, при использовании ИИ только как помощника сквозной прирост производительности составляет около 10%. Более сильный эффект появляется, когда меняется цепочка работы и человеку больше не приходится подтверждать каждую отдельную операцию.
А что с обещанием огромной автономности
Здесь рынок постепенно становится осторожнее. Gartner прогнозирует, что более 40% agentic AI-проектов будут закрыты к концу 2027 года. Причины довольно приземлённые: стоимость, неясный ROI и недостаточная система управления рисками.
На российском рынке тоже есть заметный разрыв между пилотами и промышленным внедрением. 86% крупных российских компаний уже используют или тестируют LLM, однако полноценные agentic-архитектуры распространяются медленнее из-за стоимости и неподготовленной инфраструктуры.
Поэтому вопрос сегодня не в том, способны ли агенты выполнять работу. Способны. Вопрос — можно ли встроить их в процесс так, чтобы автоматизация не оказалась дороже ручной работы и не создала новый уровень риска.
Как внедрять agentic AI без лишнего героизма
Выбрать один понятный сценарий
Вместо идеи «автоматизируем весь маркетинг» лучше взять конкретную операцию.
Например: собирать отчётность; классифицировать входящие лиды; готовить коммерческие предложения; проверять данные перед загрузкой в CRM. У сценария должна быть понятная исходная метрика.
Разделить действия по уровню риска
Одни операции агент может выполнять самостоятельно. Другие — только после подтверждения. Третьи — вообще не должен выполнять. Так появляется bounded autonomy: ограниченная автономность в заранее определённых границах.
Не давать агенту все доступы
Если система работает с CRM, это не означает, что ей нужно право менять всё содержимое CRM. Доступы стоит выдавать под конкретную задачу.
Проверять не «умность», а результат
Для бизнеса важны не красивые ответы модели, а скорость процесса, стоимость операции, количество ошибок, конверсия, время сотрудника, клиентский опыт.
Сохранять возможность вмешаться
При нестандартном сценарии система должна передать работу человеку. Это особенно важно в коммуникациях с клиентами, где одна неудачная автоматизация легко становится публичной.
В будущем интерфейсом компании может стать не приложение, а агент
Есть и более фундаментальный сдвиг. Если агент может самостоятельно обратиться к CRM, ERP, аналитике и другим системам, сотруднику не обязательно каждый раз открывать эти интерфейсы самому.
Gartner уже оценивает, что agentic AI способен заметно изменить экономику корпоративного ПО: к 2030 году до $234 млрд расходов на enterprise SaaS могут оказаться под влиянием так называемого agentic arbitrage — ситуации, когда агент выполняет задачи сразу в нескольких системах вместо пользователя.
Для маркетинга и продуктовых команд это означает новую реальность. В будущем часть взаимодействий может происходить не между человеком и интерфейсом, а между агентом и системой. И тогда компании придётся проектировать не только CJM пользователя, но и правила поведения цифрового представителя.
Главное
AI-агент — это не просто более умный чат-бот. Это новый участник бизнес-процесса, который получает данные, принимает промежуточные решения и способен совершать действия. Поэтому главный показатель зрелости здесь не максимальная автономность. А способность компании точно ответить на три вопроса: что агенту можно делать самостоятельно, где нужен человек и как быстро остановить систему, если что-то пошло не так.
Если эти границы определены, agentic AI действительно может убрать большое количество ручной работы. Если нет, то автоматизация просто позволит ошибкам происходить быстрее и в большем масштабе.
