ИИ-агенты для бизнеса: что отдать им сейчас, а что лучше оставить человеку

На демо всё выглядит безупречно: агент сам читает почту, отвечает клиентам и ставит задачи в CRM, а подрядчик обещает сократить отдел. Через три месяца бюджет съеден, агент путает заказы, и проверять за ним приходится тому же отделу. В опросе McKinsey о масштабировании агентов сообщают лишь 22% респондентов из компаний с выручкой до миллиарда долларов, за год без роста. Одну из причин я бы назвал сразу: агента поставили на задачу, где ошибку дорого искать. Разберём, что ему отдать уже сейчас и как посчитать это заранее.

Почему проекты с агентами застревают и закрываются

Опрос McKinsey за 2026 год показывает картину с двумя лицами. Восемь из десяти респондентов говорят, что нейросети подняли их личную продуктивность. А вот влияние на прибыль компании за год не изменилось: его отмечают 37%, а заметный эффект — около 6%. Речь о нейросетях в целом, отдельно по агентам таких цифр в опросе нет.

Выходит, сотрудники стали работать быстрее, а бухгалтерия этого не заметила. Gartner ещё в 2025 году прогнозировал, что больше 40% проектов с агентами закроют к концу 2027 года: из-за стоимости, неясной пользы и слабого контроля рисков. Причём многие продавцы, по его оценке, просто переименовывают в агентов обычные боты и скрипты.

Самая наглядная история случилась у Klarna. В 2024 году компания рассказывала, что нейросеть делает работу 700 сотрудников поддержки. Год спустя её глава признал, что ставка только на нейросеть снизила качество, и компания решила снова набирать людей в поддержку. Нейросеть при этом из компании никуда не делась, просто ожидания от неё стали скромнее.

Чем агент отличается от обычной автоматизации

Половину денег на этом рынке, по-моему, зарабатывают на путанице в словах. Удобное разделение есть у Anthropic: в обычном сценарии шаги заранее прописаны в коде, а агент сам решает, какой инструмент взять и что делать дальше.

Чаще всего бизнесу нужен сценарий, и продавцам агентов этот вывод не понравится. Anthropic прямо советует искать самое простое решение и усложнять только при необходимости, вплоть до отказа от агентов вообще. В Gartner то же самое сформулировали мягче: многие задачи, которые продают как агентные, этого не требуют.

Я и сам собираю такие связки: например, в своём боте в июне выстроил цепочку запасных моделей, и никакой самостоятельности там нет, только правила. Для большинства бытовых задач этого хватает, а самостоятельность стоит добавлять позже, когда понятно, где она окупится.

Какие задачи отдать агенту уже сейчас

Рабочий критерий простой: задача повторяется, результат легко проверить, ошибка стоит недорого. В опросе LangChain чаще всего называют поддержку клиентов и поиск данных с анализом, а главным препятствием — качество ответов.

Маркетологу я бы начинал с поиска данных и черновиков: ошибку там видно сразу. Поддержка клиентов идёт следующей и с человеком на финальном шаге, как раз после истории Klarna. Если речь о заявках, сначала посмотрите, на каком шаге они теряются: это показывает воронка продаж.

McKinsey пишет, что 32% опрошенных отказались покупать какой-то софт, потому что могут собрать его сами с помощью агента для кода. Для малого бизнеса это, пожалуй, самый недооценённый сценарий: маленькая внутренняя панель или бот вместо очередной подписки. С чего начать, расскажу в заметке про Codex CLI.

Как посчитать, окупится ли агент

Перед разговором с подрядчиком выгоду полезно посчитать на своих цифрах. Калькулятор показывает, сколько рублей в месяц остаётся после затрат. Важнее всего здесь доля проверки, которую чаще всего и забывают.

На значениях по умолчанию (условная компания, а не чей-то кейс) выходит 27 000 рублей в месяц. Я посчитал и обратное: при тех же цифрах проект перестаёт окупаться примерно на 140 задачах в месяц. Заявки раз в день автоматизировать незачем, сколько бы ни обещало демо.

Сама модель, кстати, стоит копейки: письмо с запросом на 3 000 токенов и ответом на 500 у Claude Sonnet 5.5 обходится примерно в цент, у Haiku 5.5 — в двадцать раз дешевле. Главные расходы лежат в настройке, интеграциях и людях, которые за всем этим следят. О выборе модели подробнее в разборе Opus 5.5.

Создание ИИ-агента: как внедрять и не потерять бюджет

Рабочий старт — одна задача и один ответственный. Первые две недели агент только предлагает, решает человек, а вы считаете, сколько ответов приняли без правок. Если таких меньше половины, дело в задаче или в данных, и самостоятельность давать рано.

Дальше нужны журнал действий и лимиты: агент не должен иметь доступа ни к чему, что нельзя откатить. Ключи и пароли в запросах не живут, доступы выдаются отдельной учётной записью с минимальными правами. Звучит скучно, зато следующий рассказ о том, как бот разослал скидки всей базе, будет не про вас.

Что до обучения, курс про агентов вашей команде вряд ли поможет раньше первой рабочей задачи. Учиться удобнее на собственном примере: один человек за неделю собирает сценарий и показывает результат остальным. Подрядчик оправдан, когда нужны интеграции с CRM и своими данными, и то с поэтапной оплатой. В договоре я бы прописал метрику, а не «внедрение агента»: сколько задач в месяц он закрывает без правок.

Сначала сценарий на одной задаче и подсчёт правок, самостоятельность — только когда цифры её оправдают.

Где ломается

Данные McKinsey и Gartner собраны в основном на международных компаниях, российских цифр такого же качества я не нашёл. Прогноз Gartner — это прогноз, и как он посчитан, пресс-релиз не раскрывает. Опрос LangChain смещён к технологическим компаниям и разработчикам: там агентов больше, чем в среднем по рынку.

История Klarna — пример одной компании, причём пересказанный деловой прессой со слов её главы. Как именно посчитаны те 700 сотрудников, снаружи не проверить.

Калькулятор считает только экономию времени, а цену ошибки, недовольного клиента и уход знаний из команды он не видит. На некоторых задачах они перевешивают всё остальное.

В России добавляются ограничения: сильнейшие модели недоступны напрямую, а персональные данные клиентов нельзя просто так передавать в зарубежный сервис. Это нужно закладывать в архитектуру с первого дня, иначе проект придётся переделывать.

Что сделать завтра

Начать можно со списка из пяти задач, которые команда повторяет каждую неделю, и цены ошибки напротив каждой. Та, где ошибка дешевле и повторов больше, идёт в калькулятор.

Если выгода есть, следующий шаг — простейшая версия: чат с нейросетью и шаблон запроса, без интеграций. Две недели такой проверки дешевле любого пилота и сразу покажут, стоит ли дальше говорить с подрядчиком.