Многие компании уже построили корпоративный чат на базе выбранной модели. Большинство не получили ожидаемого эффекта. Причина почти всегда одна – дело в выбранном процессе, а не в модели: автономность повышает не качество ответа, а цену ошибки в процессе. Поэтому агентные ИИ-системы (agentic AI) выигрывают за счёт проработки сценария: сначала определите уровень кейса и допустимые действия, и только потом выбирайте модель.

Что вы вынесете из статьи: простую карту, с помощью которой за пять минут вы отнесёте любой свой ИИ-кейс к одному из трёх уровней (ассистент → агент → люди + агенты), заранее увидите, какой ценой внедрения он обойдётся, и перестанете переплачивать за автономность, к которой процесс ещё не готов. Ценность – в честной самооценке портфеля до того, как бюджет будет потрачен на модель.

Большинство крупных компаний уже попробовали генеративный ИИ: корпоративный чат, ассистента для сотрудников, пилот в поддержке, аналитике, ITSM или разработке. Но ожидаемый эффект получили не все.

Причина чаще всего не в слабой модели. Модель может быть достаточно хорошей. Проблема в другом: ИИ внедряют как технологию, а не как изменение процесса.

Мы считаем, что ключевой вопрос промышленного внедрения сегодня звучит не «какую модель выбрать», а «какой процесс готов выдержать автономность». Потому что сама по себе автономность не повышает качество результата – она повышает цену ошибки, если процесс, данные, права и ответственность не готовы.
Поэтому агентный ИИ нужно начинать не с выбора большой языковой модели, а с классификации кейса: это ассистент, агент или связка людей и агентов. У каждого уровня – своя ценность, своя стоимость внедрения и свой профиль риска.

Сегодня «ИИ-агентом» называют почти всё: чат-бота с хорошим промптом, ассистента в офисном пакете, скрипт с API-вызовами, ИИ-помощника в сервис-деске или сложную систему, где несколько агентов собирают контекст, вызывают инструменты, принимают промежуточные решения и передают управление человеку.

Для маркетинга такая размытость удобна. Для компаний она опасна, и масштаб её показателен: на волне выдачи чат-ботов за агентов ради маркетинга (термин "agent-washing"), из тысяч поставщиков, предлагающих подобные решения, в действительности агентами являются лишь около 130 (Gartner).

Если не различать ассистента, агента и мультиагентную систему, компания почти гарантированно ошибается в оценке:
● бизнес-эффекта,
● требований к данным,
● прав доступа,
● ответственности за результат,
● журнала действий,
● цены ошибки,
● готовности процесса к масштабированию.

В результате пилот выглядит убедительно на демо, но не выходит в промышленную эксплуатацию. Или выходит, но создаёт больше рисков, чем пользы. Цена этой путаницы уже измерима: по оценке Gartner, больше 40% проектов, использующих ИИ-агентов, будут свёрнуты к концу 2027 года – из-за роста затрат, неясной отдачи и недооценённых рисков.

Практически любой ИИ-кейс в крупной компании можно отнести к одному из трёх уровней.

1. Ассистент: ускоряет человека

Ассистент помогает сотруднику выполнить задачу, но не владеет процессом. Он может ответить на вопрос, суммаризировать документ, подготовить черновик письма, объяснить регламент, найти информацию, предложить формулировку, помочь с кодом или аналитикой. Но инициатива и ответственность остаются у человека: пользователь сам пришёл, сам сформулировал запрос, сам проверил результат и сам решил, что делать дальше.

Это самый простой уровень внедрения. Он быстро запускается, относительно слабо затрагивает права, процессы и интеграции, даёт понятный эффект в продуктивности. Но у него есть потолок: ассистент ускоряет работу внутри существующего процесса, но не меняет сам процесс. Это полезная первая волна корпоративного ИИ, и её не стоит путать с трансформацией операционной модели.

Масштаб этого уровня уже не гипотетический. ИИ-ассистент финтеха Klarna за первый месяц закрыл около двух третей всех чатов поддержки – работу примерно 700 операторов, с вкладом в прибыль около $40 млн за год. Показательно продолжение: позже Klarna публично вернула часть живых операторов ради качества – даже сильный ассистент упирается в логику процесса, а не только в скорость. В разработке контролируемый эксперимент GitHub показал, что с ассистентом Copilot ту же задачу программисты выполняли на 55% быстрее. В обоих случаях виден и предел возможностей: ассистент колоссально ускоряет людей, но сам процесс – маршрут заявки, ответственность, передачу управления – оставляет прежним.

2. Агент: выполняет шаг процесса

Агент начинается там, где ИИ-система получает ограниченную цель и сама ведёт часть пути к результату. Он не просто отвечает на вопрос, а выполняет цепочку действий:

● собирает контекст;
● выбирает источник;
● вызывает инструмент;
● проверяет промежуточный результат;
● предлагает следующий шаг;
● останавливается там, где требуется финальное утверждение человеком;
● сохраняет журнал действий для последующего аудита.

Критерий простой: агент появляется там, где ИИ отвечает не только за текстовый ответ, но и за следующий шаг процесса. Ассистент пересказывает заявку – агент классифицирует её, ищет похожие инциденты и готовит действие в ITSM. Ассистент пишет обзор рынка – агент собирает источники, сверяет сигналы с внутренними данными и готовит аналитическую записку. Ассистент помогает аналитику – агент сам запускает проверку гипотезы, формирует вывод и передаёт его владельцу решения.

Ценность выше, потому что ИИ начинает забирать на себя операционные шаги. Но выше и порог внедрения: агенту нужны доступ к данным, инструменты, память о состоянии задачи, правила допуска, маршрутизация, контроль качества, журнал действий, владелец процесса и критерий экономического результата. Это уже не интерфейсный проект, а элемент процессной и ИТ-архитектуры.

В страховании Lemonade довела агентов до того, что к концу 2025 года 96% первичных уведомлений об убытке принимаются без человека, а 55% претензий урегулируются автоматически от начала до конца. В аэропорту Heathrow агент Hallie самостоятельно решает 90% пассажирских запросов без передачи оператору. Разница с ассистентом принципиальная: система отвечает уже не за текст, а за само действие в процессе.

3. Люди + агенты: меняют процесс

Самый высокий уровень – это не «один автономный суперагент» и не неконтролируемый рой. Зрелая модель выглядит иначе: люди и агенты работают как управляемая команда. Один агент отвечает за поиск и доказательную базу, второй – за планирование, третий – за проверку ограничений, четвёртый – за подготовку действия, а человек сохраняет за собой суждение, спорные решения и ответственность за результат.

Ценность здесь создаёт не количество агентов, а качество стыковки: общий контекст, понятные роли, каталог инструментов, права доступа, правила передачи управления, условия остановки, наблюдаемость, аудит действий, владелец решения. Именно на этом уровне ИИ перестаёт быть «помощником сотрудника» и начинает менять операционный контур компании.

Это уже работает на реальных процессах. В Commonwealth Bank агентный ИИ сам построил три четверти правил перехвата карточного мошенничества – за полугодие банк срезал потери от скама более чем на 20%. Vodafone Italy и Fastweb собрали мультиагентную поддержку из супервайзера и агентов под отдельные задачи. Ценность не в отдельном «умном боте», а в том, что роли людей и агентов стыкуются в одном управляемом контуре.

Но это и самый сложный уровень внедрения. Без управления и контроля такая система быстро превращается в неуправляемое разрастание: много экспериментальных агентов, размытая ответственность, неповторяемый результат и ошибки, которые невозможно объяснить. Чем ближе ИИ подходит к реальному исполнению процесса, тем важнее не мощность модели, а управляемость всей системы.

В корпоративной среде ценность агентного ИИ определяется не столько интеллектуальными возможностями модели, сколько тем, что процесс готов ей доверить. Перед запуском агентного кейса стоит ответить на несколько вопросов:

1. Какой процесс меняется?
2. Где в нём сегодня потери времени, качества или денег?
3. Какой шаг можно передать ИИ без неприемлемого риска?
4. Какие данные нужны для выполнения этого шага?
5. Кто владелец процесса?
6. Где требуется согласование?
7. Что считается ошибкой?
8. Сколько стоит эта ошибка?
9. Как восстановить ход решения после инцидента?
10. Как измерить эффект?

Если на эти вопросы нет ответов, компания фактически автоматизирует не процесс, а надежду на эффект.

Один и тот же уровень точности модели может быть приемлемым в одном процессе и недопустимым в другом. Один процент ошибок почти ничего не стоит в черновике маркетингового письма и недопустим в продуктивной среде, финансовой операции или медицинском решении. Ошибка в клиентской коммуникации уже дороже; ошибка в кредитном решении, закупке, юридическом документе или управлении цепочкой поставок может стоить существенно больше.

Поэтому автономность нужно наращивать не по принципу «модель стала умнее», а по принципу «процесс выдерживает следующий уровень риска». Там, где ошибка незначительна, обратима и быстро обнаруживается, агенту можно давать больше свободы. Там, где цена ошибки высока, автономность должна быть ограниченной, наблюдаемой и предусматривать обязательную эскалацию на человека.

Рынок корпоративного ИИ смещается от инструментов повышения продуктивности к исполнителям рабочего процесса. Первая волна генеративного ИИ помогала сотрудникам быстрее писать, искать, обобщать, анализировать и программировать. Текущая волна встраивается в реальные рабочие контуры: туда, где есть повторяемые решения, фрагментированный контекст, ручные проверки, большое количество исключений и высокая стоимость задержки.

Это меняет и критерии успеха. На первом этапе было достаточно показать удобный интерфейс и прирост индивидуальной продуктивности. На следующем нужно показать влияние на процессные метрики: скорость прохождения заявки, снижение ручных операций, качество классификации, долю автоматически закрытых задач, снижение потерь, управляемость исключений и воспроизводимость результата.

Зрелость рынка пока отстаёт от ажиотажа. По данным Forrester, около 75% компаний заявляют о внедрении агентского ИИ, но в промышленной эксплуатации у большинства остаются чат-боты и ассистенты, лишь похожие на агентов. Рынок это чувствует и на практике: по опросу Stack Overflow, 63% профессионалов почти никогда не пускают агентов на полный автопилот.

Дополнительным сдерживающим фактором выступает оценка ИБ – почти половина (49%) ИБ-руководителей уже относит агентский ИИ к зоне риска. Разрыв между «ИИ помогает сотруднику» и «ИИ исполняет часть процесса» будет главным водоразделом ближайших лет.

Это видно и в глобальных обзорах: Bain пишет про архитектуру для оркестрации, управления и контроля и доверенных данных; BCG описывает агентов как системы, которые используют инструменты для достижения целей; McKinsey показывает демонстрирует переход к агентному ИИ на примере разработки ПО; Accenture с ServiceNow выносят рабочие процессы с участием ИИ-агентов в отдельную программу.

Компании, которые начинают с вопроса «какую модель поставить», получают средний результат. Компании, которые начинают с вопроса «какой процесс меняется и какие данные это подтверждают», получают значимо лучший возврат на инвестиции.

Наиболее перспективные стартовые зоны для агентского ИИ – не обязательно самые заметные процессы. Обычно это участки, где одновременно сходятся пять условий.

Первое: процесс повторяемый – есть типовые сценарии, типовые исключения и накопленная история решений.
Второе: эффект измерим – можно посчитать скорость, стоимость, качество, долю автоматизации, снижение нагрузки или уменьшение потерь.
Третье: ошибка контролируема – результат можно проверить, откатить или отправить на подтверждение человеку до необратимого действия.
Четвёртое: данные доступны – агенту не нужно восстанавливать процесс из разрозненных фрагментов, к которым нет прав, владельцев или актуальной структуры.
Пятое: есть владелец процесса – без него агентный проект быстро превращается в технологический эксперимент без операционного результата.

Такая логика позволяет выбирать не самые модные кейсы, а те, где вероятность промышленного эффекта выше. ИИ может сначала работать как ассистент, затем как агент на отдельных шагах, а позже – как часть управляемого контура «люди + агенты».

Такой подход не новый – он применялся и при запуске RPA-инициатив, и при внедрении машинного обучения.

Каждый ИИ-кейс в портфеле целесообразно оценивать через четыре параметра.

1. Уровень автономности: ассистент, агент или связка людей и агентов.
2. Готовность процесса: есть ли владелец, понятный процесс, данные, роли, права и критерий результата.
3. Цена ошибки: что произойдёт, если ИИ ошибётся; обратима ли ошибка; кто её обнаружит; кто несёт ответственность.
4. Экономика масштабирования: где возникает эффект: скорость, качество, снижение потерь, рост выручки, снижение нагрузки, сокращение ручных операций.

Такая рамка переводит разговор об ИИ из плоскости моделей и интерфейсов в плоскость управляемого портфеля: от быстрых ассистентов до процессных агентов и мультиагентных контуров.

Ассистент ускоряет человека. Агент выполняет шаг процесса. Связка людей и агентов меняет сам процесс. Каждый следующий уровень даёт больше ценности, но требует большей зрелости: данных, прав, владельца, архитектуры, контроля и понимания цены ошибки.

Главный вопрос корпоративного ИИ сегодня – не «какой ИИ-инструмент купить», а какие процессы уже готовы к контролируемой автономности. Именно там агентский ИИ перестаёт быть демо и начинает давать промышленный эффект. И ставки растут быстро: Gartner прогнозирует, что к 2028 году 15% повседневных рабочих решений будут приниматься агентами автономно – против 0% в 2024-м; вопрос лишь в том, чьи процессы к этому окажутся готовы.