Слово «агент» в контексте ИИ используют все кому не лень: и те, кто продаёт простую форму сбора заявок, и те, кто строит системы, способные самостоятельно вести сделку от первого сообщения до передачи менеджеру. Разберём, что за этим словом стоит технически, где проходит граница между чат-ботом и агентом, и когда бизнесу нужен один, а когда другой.
Простое определение
ИИ-агент — это программа, которая воспринимает входные данные (сообщение, событие, документ), самостоятельно решает, что делать дальше, выполняет одно или несколько действий и при необходимости запрашивает дополнительную информацию, чтобы завершить задачу.
Ключевое слово здесь — «самостоятельно решает». Чат-бот работает по заранее написанному сценарию: если клиент нажал кнопку А, идём по ветке А1. ИИ-агент читает свободный текст клиента, понимает смысл, сам выбирает следующий шаг из набора доступных инструментов и выполняет его. Это качественная разница в архитектуре, а не просто «более умный бот».
Академическое определение из области AI: агент — это система, которая получает наблюдения из среды (observations), принимает решения (planning) и воздействует на среду через действия (actions). Это определение идёт ещё от работ Рассела и Норвига («Искусственный интеллект: современный подход», классический учебник в области AI). В 2024–2025 годах его стали применять к LLM-системам с инструментами — и именно так устроен любой современный коммерческий агент.
Практически это выглядит так. Клиент застройщика пишет в Telegram: «Интересует двушка, бюджет до 7 миллионов, смотрел несколько вариантов у вас и у соседнего ЖК, пока думаю». Чат-бот предложит кнопку «Посмотреть каталог» или переключит на менеджера. Агент поймёт, что перед ним не «горячий лид», а человек на этапе выбора между несколькими ЖК. Он запросит уточняющий вопрос о приоритетах (метро, этаж, отделка), подберёт подходящие варианты из базы объектов, запишет контакт в AmoCRM со статусом «в процессе выбора» и передаст менеджеру карточку с резюме разговора. Менеджер открывает CRM утром и сразу видит, чем интересовался клиент, а не просто «новый входящий».
Три уровня автоматизации: нейросеть, чат-бот, ИИ-агент
Рынок предлагает три принципиально разных класса инструментов. Их часто путают, потому что все три используют слово «умный» или «AI» в маркетинге. Разберём каждый уровень отдельно.
Уровень 1: нейросеть (LLM) без оболочки. Это языковая модель в чистом виде: принимает текст, выдаёт текст. ChatGPT, Claude, GigaChat в режиме обычного чата — это именно нейросеть. Она не действует, не помнит предыдущие сессии без специальной надстройки, не интегрирована с вашей CRM. Использовать её в бизнесе напрямую можно для генерации текстов, резюмирования документов, подготовки ответов — там, где нужен «умный помощник» для человека, а не автономная система.
Уровень 2: чат-бот. Сценарный автоответчик, который движется по дереву диалога. Современные чат-боты часто включают AI-компонент (GPT для понимания свободного текста), но архитектурно остаются скриптовыми: разработчик или бизнес заранее описывает все ветки, ответы на типовые вопросы, условия перехода. Если клиент задал вопрос, которого нет в сценарии, бот либо выдаст заглушку, либо переключит на оператора. Диапазон цен в РФ: от 990 ₽/мес на конструкторе (Smartbot Pro, Salebot, BotHelp) до 400 000 ₽ за кастомную разработку с несколькими интеграциями.
Уровень 3: ИИ-агент. LLM плюс инструменты плюс память плюс планировщик. Агент не работает по сценарию: при каждом шаге он получает входящую информацию, выбирает из набора доступных действий то, которое нужно сейчас, выполняет его и оценивает результат. Этот цикл повторяется до завершения задачи. Стоимость разработки: от 250 000 ₽ за агент с одной задачей и одной интеграцией.
| Параметр | Нейросеть (LLM) | Чат-бот | ИИ-агент |
|---|---|---|---|
| Что это | Языковая модель без бизнес-логики | Сценарный автоответчик, иногда с AI | LLM + инструменты + память + планировщик |
| Принятие решений | Генерирует ответ на запрос | По жёстким ветвлениям сценария | Самостоятельно выбирает действие из набора инструментов |
| Может ли действовать | Только отвечает текстом | Одно действие по скрипту (отправить форму) | Цепочка действий: запросить данные, записать в CRM, отправить файл |
| Контекст между сессиями | Нет (без надстройки) | По правилам сессии, обычно ограниченно | Хранит историю разговора и данные клиента между сессиями |
| Нестандартный запрос | Генерирует ответ, может ошибиться | Заглушка или переключение на оператора | Пытается решить задачу; при невозможности эскалирует с контекстом |
| Типичная стоимость в РФ | API-доступ, отдельной разработки нет | 5 000–400 000 ₽ | от 250 000 ₽ за простой агент |
Хорошая аналогия для понимания разницы: чат-бот — это оркестр с партитурой, каждый инструмент играет ноту только тогда, когда в нотах написано. ИИ-агент — это джазовый музыкант с набором инструментов: знает теорию, слышит партнёров, сам решает, что сыграть дальше.
Подробнее про ценообразование по всем трём уровням: Сколько стоит ИИ-агент для бизнеса в 2026.
Что конкретно делает ИИ-агент: три примера из практики
Агент в отделе продаж застройщика
Застройщик получает 150–200 лидов в месяц через Telegram, сайт и Авито. Примерно 50% приходит вечером или в выходные, когда менеджеры недоступны. Без автоматизации эти лиды ждут ответа до следующего рабочего утра. По данным исследований HubSpot (2024), скорость первого ответа в первые 5 минут увеличивает вероятность квалификации лида в 9 раз по сравнению с ответом через 10 и более минут.
Агент квалификации лидов в этом сценарии работает круглосуточно. Он принимает входящее сообщение, ведёт диалог свободным текстом, выясняет ключевые параметры (тип квартиры, бюджет, горизонт покупки, была ли уже ипотечная консультация) и классифицирует лид по степени готовности: горячий, в процессе выбора, холодный. После этого создаёт сделку в AmoCRM с заполненными полями и тегами. Горячим лидам отправляет подтверждение и обещание звонка менеджера в рабочие часы, холодным — подборку материалов по ЖК.
Менеджер утром видит в CRM структурированную карточку: что спросил клиент, какие параметры интересуют, какой приоритет. Среднее время квалификации лида менеджером сокращается с 15–20 минут до 3–5 минут на горячих обращениях.
Подробнее про этот сценарий: AI-агент для отдела продаж застройщика.
Агент для бухаутсорса
Бухгалтерский аутсорсинг обслуживает 30–50 клиентов. Типичная ситуация: каждый клиент периодически пишет вопросы — «когда надо сдать отчёт», «сколько я должен за этот квартал», «пришло требование из налоговой, что делать». Каждый такой вопрос занимает 5–15 минут времени бухгалтера, даже если ответ стандартный. При 40 клиентах и 3–4 подобных вопросах в месяц на каждого это 600–1600 минут в месяц только на ответы на рутинные вопросы.
Агент подключён к базе знаний компании: актуальный налоговый календарь, типовые ответы на требования ФНС, статусы по клиентам. Клиент пишет вопрос, агент ищет в базе знаний, формирует ответ с конкретными датами и суммами именно для этого клиента, при необходимости добавляет ссылку на нужный документ или предлагает запланировать звонок с бухгалтером.
Нестандартный вопрос агент не выдумывает: эскалирует бухгалтеру с предварительно собранным контекстом (что спросил клиент, какие документы у него есть, история предыдущих вопросов). Бухгалтер тратит 2 минуты на ответ вместо 15, потому что контекст уже собран.
Детальный разбор этого сценария: AI для бухаутсорса.
Агент в юридической фирме
Юридическая фирма получает 80–100 обращений в месяц. Вопросы от физических и юридических лиц смешаны, срочность и тип задачи разные. Помощник юриста тратит 15–20 минут на первичную квалификацию каждого обращения: выяснить, к какой категории относится вопрос, какой специалист нужен, что подготовить.
Агент собирает первичные данные в диалоге, классифицирует обращение по направлению (корпоративное, семейное, недвижимость, трудовое, арбитраж), оценивает срочность, при необходимости запрашивает сканы ключевых документов. По итогу диалога юрист получает задачу с предзаполненной информацией. 30–40% обращений при этом отфильтровываются как нецелевые ещё на этапе диалога — клиент сам понимает, что его вопрос не профиль фирмы, и агент мягко это объясняет без участия сотрудника.
При 90 обращениях в месяц и 18 минутах на квалификацию это 27 часов в месяц. Из них агент берёт на себя стандартные кейсы, юрист сосредотачивается на сложных.
Подробнее об автоматизации в юридической практике: /industries/yur-uslugi/.
Внутренние компоненты агента: LLM, инструменты, память, планировщик
Чтобы понять, почему агент ведёт себя иначе, чем чат-бот, достаточно посмотреть на четыре строительных блока, из которых он собран. У чат-бота этих четырёх блоков нет или они неполные.
LLM (языковая модель). Это нейросеть, обученная на большом корпусе текстов. Она понимает смысл запроса, формирует ответ на естественном языке и принимает решение о следующем действии. В современных коммерческих агентах используют GPT-4o, Claude 3.5/3.7, Gemini 1.5 Pro или отечественные модели (YandexGPT, GigaChat) в зависимости от требований к суверенности данных и бюджета. LLM сама по себе не действует: она рассуждает и выбирает действие, но выполнение передаётся следующему блоку.
Инструменты (tools). Набор функций, которые агент может вызвать: поиск по базе знаний, запрос данных из CRM, создание записи, отправка сообщения, запуск расчёта, обращение к внешнему API. Каждый инструмент имеет описание, которое языковая модель читает при принятии решения. Именно через инструменты агент воздействует на внешние системы: создаёт сделку в AmoCRM, обновляет статус задачи, отправляет документ клиенту. Чем шире набор инструментов и чем точнее их описания, тем больше задач агент может решить без участия человека.
Память (memory). Делится на два типа. Кратковременная (контекст сессии) — это текущий разговор: агент помнит, что клиент сказал в начале диалога, и использует это в последующих шагах. Долговременная (persistent memory) хранится между сессиями: профиль клиента, история предыдущих обращений, записанные предпочтения. Именно долговременная память позволяет агенту при повторном обращении клиента начать разговор с контекстом, а не с нуля: «в прошлый раз вы интересовались двушкой в ЖК А, у нас появился новый вариант в том же бюджете».
Планировщик (planner / reasoning loop). Механизм принятия решений. Это цикл: воспринять ситуацию, выбрать действие, выполнить, проверить результат, решить, что дальше. Технически этот паттерн называется ReAct (Reasoning + Acting); он описан в работе Shunyu Yao et al. 2022 года и сейчас является стандартом для агентных систем. Агент не выполняет жёсткий сценарий: при каждом шаге он заново оценивает, достигнута ли цель. Если нет — выбирает следующее действие. Если задачу нельзя решить доступными инструментами — эскалирует человеку с уже собранным контекстом.
Четыре блока вместе дают свойство, которого нет у чат-бота: агент способен решать задачи, сценарий которых не был написан заранее, используя общую логику и доступные инструменты. Именно поэтому агент не «ломается» на нестандартном запросе, а пытается его решить или честно признаёт, что не может.
Важно понимать, что сложность агента определяется не мощью языковой модели, а качеством набора инструментов и точностью правил планировщика. Агент с хорошо настроенным набором из 5 инструментов и чёткими правилами эскалации будет работать надёжнее, чем агент с 20 инструментами и размытыми описаниями каждого из них. Это же объясняет, почему стоимость разработки агента нелинейна: основная часть работы — не написание кода, а проектирование логики принятия решений, тестирование граничных случаев и настройка правил эскалации под конкретный бизнес-процесс.
На практике хороший агент — это баланс между автономностью и контролируемостью. Полностью автономный агент, который принимает все решения сам, рискован для бизнеса: он может ошибиться в нестандартной ситуации и создать проблему. Агент с чёткими ограничениями («при любой нестандартной ситуации передавай человеку с контекстом») надёжнее в продакшне и вызывает больше доверия у клиентов, которые с ним взаимодействуют.
Когда нужен агент, а когда хватит чат-бота
Выбор между чат-ботом и агентом — это вопрос о характере задачи, а не только о бюджете. Ряд задач принципиально не требует агента; другие принципиально не решаются чат-ботом, сколько бы сил ни потратить на сценарий.
| Задача | Чат-бот | ИИ-агент |
|---|---|---|
| FAQ: ответы на 10–15 типовых вопросов | Подходит | Избыточен |
| Запись на приём или звонок (простая форма) | Подходит | Избыточен |
| Сбор контакта и передача в CRM | Подходит | Избыточен |
| Квалификация лидов по нескольким параметрам | Сложно, нужна AI-составляющая | Оптимально |
| Работа с нестандартными вопросами клиентов | Не справляется | Да |
| Подбор вариантов из каталога по параметрам клиента | Требует громоздкого сценария | Да |
| Обработка документов и извлечение данных | Нет | Да |
| Работа в нескольких системах одновременно | Ограниченно | Да |
| Обработка входящих ночью при критичной скорости | Ограниченно | Да |
Практическое правило: если ваши клиенты пишут свободным текстом и ждут осмысленного ответа на нестандартный вопрос — нужна AI-составляющая. Если ответ должен порождать действие в другой системе (CRM, база данных, почта) — нужен агент, а не просто языковая модель.
Ещё одна точка принятия решения: поддерживаемость. Чат-бот с разветвлённым сценарием на 50+ веток с трудом обновляется при изменении продукта или скрипта продаж. Каждое изменение требует ручной правки сценария. Агент с RAG (базой знаний) обновляется через документ: обновили прайс или описание продукта в базе знаний, агент автоматически знает новую информацию.
Подробное сравнение с разбором пограничных случаев: ChatBot vs AI-агент: как выбрать.
FAQ
Что такое ИИ-агент простыми словами?
Программа, которая читает ваши сообщения, понимает задачу и сама выполняет нужные действия: ищет информацию, записывает данные в CRM, формирует ответ, назначает встречу. Агент работает без жёсткого сценария: он решает задачу, используя набор доступных инструментов и логику языковой модели.
Чем ИИ-агент отличается от ChatGPT?
ChatGPT — это языковая модель: принимает текст, выдаёт текст. ИИ-агент использует языковую модель как один из компонентов, но добавляет к ней инструменты (API-интеграции), память (сохранение контекста между сессиями) и планировщик (цикл принятия решений). Практически: ChatGPT может ответить на вопрос, а агент может ответить и при этом записать клиента в CRM, отправить уведомление и обновить статус сделки за один шаг.
Нужно ли AI-образование, чтобы запустить агента в своём бизнесе?
Нет. Бизнес описывает задачу и процесс: что за люди пишут, что они хотят получить, какие данные нужно передать в CRM. Подрядчик переводит это в архитектуру агента. Аналогия: для работы с 1С не нужно программировать на C++. Но чем точнее бизнес описывает свой процесс, тем быстрее и дешевле разработка.
Как ИИ-агент хранит данные клиентов с учётом 152-ФЗ?
Это вопрос архитектурного решения, который задают подрядчику на этапе проектирования. Данные можно хранить в российском облаке (Yandex Cloud, SberCloud), на on-premise инфраструктуре или в CRM, которая уже используется в компании. Модели GigaChat и YandexGPT работают на серверах в РФ. Этот вопрос нужно задавать до начала разработки, а не после запуска: переезд хранилища данных на другой стек — это отдельный проект.
Может ли агент ошибиться и навредить?
Да, если неправильно настроен. Языковые модели могут «галлюцинировать» — генерировать правдоподобный, но неверный ответ. На это есть технические решения: ограничение агента только ответами из базы знаний компании (RAG), явное правило «при неопределённости эскалировать человеку», тестирование на реальных сценариях перед запуском, в том числе на намеренно нестандартных запросах. Хорошо спроектированный агент знает свои границы и не выдумывает — это достигается через набор правил и ограничений в его системном промпте.
Сколько времени занимает разработка?
Простой агент с одной задачей и одной интеграцией (например, квалификация лидов в AmoCRM) — 3–4 недели. Агент с несколькими интеграциями (CRM + мессенджер + база знаний) — 6–8 недель. Главный фактор, ускоряющий разработку со стороны клиента: подробное описание бизнес-процесса. Чем точнее описаны сценарии, входящие данные и ожидаемые результаты, тем меньше итераций нужно для правильной настройки.
Как проверить качество агента до оплаты?
Попросить подрядчика показать живое демо на задачах, типичных для вашего бизнеса, включая нестандартные: клиент написал что-то неожиданное, дал противоречивую информацию, попытался уйти с темы. Качественный агент на таких ситуациях держится: либо решает задачу, либо эскалирует с контекстом. Агент, который ломается на первом нестандартном запросе, в продакшне будет раздражать клиентов и снизит конверсию.
Готовы обсудить, какой уровень автоматизации подходит вашей задаче: свяжитесь с нами.