Наличие нейросети само по себе не делает систему ИИ-агентом. Чем агентная архитектура отличается от сценарной автоматизации и когда бизнесу не стоит переплачивать за автономность, объясняет директор по продукту GPTunneL Данис Гаязов.
За последнее время термин «ИИ-агент» вышел за пределы профессионального сообщества. Если раньше его использовали в основном инженеры и исследователи, то сейчас об агентах говорят и фаундеры, и топ-менеджеры, и продакты. Термин расширился и вобрал в себя слишком много смыслов. ИИ-агентом стали называть почти любую систему, где работает нейросеть.
Свою роль сыграла и мода. В конце 2025 г. австрийский разработчик Петер Штайнбергер выложил open-source-проект, который после нескольких переименований в январе 2026 г. стал OpenClaw. Это агентная платформа, которая работает на инфраструктуре пользователя и умеет подключаться к мессенджерам, файлам, внешним инструментам и браузерной автоматизации. В начале этого года проект собрал более 100 тыс. звезд на GitHub и привлек 2 млн посетителей за неделю. В феврале Штайнбергер присоединился к команде OpenAI для работы над персональными агентами. На фоне таких историй слово «агент» стали использовать шире — иногда для действительно автономных систем, а иногда для LLM-пайплайнов в маркетинговой упаковке.
Интерес к ИИ-агентам заметен и в России. По оценке MWS AI (входит в МТС Web Services), объем рынка корпоративных нейропомощников в 2026 г. может составить около 30 млрд руб.
В прошлом году Gartner ввел понятие «agent washing». Им описывают практику, когда вендоры переименовывают в агентов уже существующие продукты, от чат-ботов до автоматизации бизнес-процессов (RPA), без реальной автономности. По оценке исследовательской компании, из тысяч заявленных поставщиков агентного ИИ по-настоящему такими можно считать около 130.
Поэтому запрос к разработчикам «хотим агента» стал типовым. Но при постановке ТЗ чаще всего компании описывают сценарную автоматизацию с LLM-блоком внутри. Разберемся, в чем разница.
Маршрут против самостоятельности
Сценарная автоматизация — это заранее описанный пайплайн. Внутри него могут стоять один или несколько LLM-блоков. Они классифицируют обращение, извлекают данные, формируют ответ или принимают локальное решение. Но маршрут прописан разработчиком, и система движется по заранее описанной схеме. В спорных случаях в нее можно встроить эскалацию на человека, однако сам маршрут от этого остается фиксированным.
Агент имеет другой уровень самостоятельности. Он сам определяет следующий шаг, планирует подзадачи и выбирает, в какой инструмент пойти: в CRM, в базу знаний, в интернет. Может задать уточняющий вопрос, зафиксировать промежуточное состояние, перепланировать и передать задачу дальше оператору или другому агенту.
Наглядный пример представляют кодинговые ассистенты. Разработчик может поставить задачу абстрактно: «Исправь ошибку в модуле оплаты» или «Добавь такой сценарий в интерфейс». Агент сам решает, какие файлы открыть и какие инструменты вызвать.
Где хватает сценарной автоматизации
Возьмем службу поддержки. Сейчас поступают массовые запросы на ее автоматизацию. Если разобрать процесс, почти все сводится к нескольким типовым обращениям: статус заказа, возврат, гарантия, ошибка в личном кабинете, запрос документов, смена реквизитов.
Дальше схема линейная. Нужно определить тип обращения, вытащить номер заказа, сходить в CRM, посмотреть базу знаний, подготовить ответ. Если модель уверена, она отвечает сама. Если нет, передает оператору. LLM тут может быть полезна, но процессом руководит заранее прописанный сценарий, а не агент. Так часто проектируют первую линию поддержки в компаниях с большим потоком типовых обращений.
Где агент оправдан
Чтобы понять, нужно ли внедрять ИИ-агента, надо определить, насколько предсказуем путь к решению задачи. Например, сверить тысячу счетов долго и тяжело. Но правила тут понятны, а ветки процесса заранее известны, значит, это автоматизация.
Агент оправдан там, где известна цель, но плохо предсказуем путь к ней. Если набор возможных шагов ограничен и хорошо описывается правилами, это все еще автоматизация. Если же система должна сама выбирать гипотезы, источники, инструменты, появляется смысл в ИИ-агенте.
Чем приходится платить за автономность
Агентная архитектура обычно дороже сценарной автоматизации, даже если использовать те же модели. В простом пайплайне меньше степеней свободы. Маршрут задан заранее, а 1–2 вызовов модели часто хватает на ключевые шаги. Агенту же нужна более сложная обвязка: хранение состояния задачи, память, права доступа к системам, ограничения на действия, логирование каждого шага, обработка ошибок, наблюдаемость и безопасный контур. Чем больше инструментов агент может вызвать и чем дольше он работает автономно, тем выше стоимость разработки, поддержки и контроля.
Сложнее и поддержка, ведь по пайплайну легко пробежать одну цепочку и найти ошибки. Агент менее прозрачен — это не совсем черный ящик, но разобраться, почему вчера он эскалировал задачу, а сегодня нет, или почему вызвал лишний инструмент, сильно труднее. Окупится ли в итоге агент, зависит от задачи. Если задача вариативная, а ручной разбор стоит дорого, агент со временем может себя оправдать. Но на старте и разработка, и поддержка обычно обходятся дороже автоматизации.
Чек-лист перед внедрением ИИ-агента
Прежде чем заказывать разработку агента и составлять техническое задание, ответьте на несколько вопросов. Ответы помогут понять, какая архитектура подойдет:
- Можно ли описать процесс понятной схемой без потери качества?
- Известен ли путь к цели или известна только сама цель?
- Можно ли заранее перечислить основные ветки процесса?
- Закрывается ли логика простыми правилами if/else?
- Входные данные просто разные по форме или каждый раз требуют нового маршрута решения?
- Что дороже для бизнеса: ошибка автономного решения или участие человека в спорных случаях?
Если процесс укладывается в схему, стоит начинать с LLM-пайплайна. Если схему приходится перестраивать под каждый новый кейс, есть смысл рассматривать агентную архитектуру. Агенты перспективны, но их стоит внедрять там, где автономный выбор маршрута действительно дает бизнес-эффект. Значительная часть запросов, которые сейчас приходят как «хотим агента», на практике закрывается сценарной автоматизацией.