«Поставьте ИИ-агента прямо на компьютер менеджера»: как мы разбирались, что за этим стоит

Заказчик на первой встрече обычно формулирует так: «Хотим купить ИИ-агента, который сам сядет за компьютер менеджера и всё сделает». Иногда добавляют: «Ну как ChatGPT, только чтоб он реально работал». В этот момент у меня всегда возникает пауза. Не потому, что задача странная — потому что за одной и той же фразой прячутся три разных продукта. И если не расшифровать её на берегу, через месяц окажется, что мы построили не то, что клиент представлял.

Расскажу, как мы обычно раскладываем такой запрос по полочкам, что за звери «ИИ-агент на ПК» бывают в 2026 году и в каком случае какой из них покупать.

Что клиент представлял и что мы за этим услышали

Пришёл директор по операционке из компании, которая закупает и продаёт оборудование. Задача звучала так: менеджер сидит между CRM, старым 1С, почтой, Excel-прайсами от поставщиков и корпоративным чатом. Хочется, чтобы всё это дёргал агент. Формулировка была «ИИ-агент на ПК менеджера, чтобы разгрузить руки».

Я задал один вопрос: «А вы представляете, что курсор сам ездит по экрану, или что появится окошко, куда менеджер пишет задачу, а результат приходит уже готовым?» Ответ был показательный: «А что, есть разница?»

Разница огромная. И вот к чему мы её сводим.

Какие есть ИИ-агенты на ПК: три разных зверя

Первый — чат-агент в браузере или в отдельном окне. Это то, что большинство и представляет по опыту с ChatGPT. Менеджер пишет: «Собери коммерческое по последнему запросу от такого-то», агент лезет в CRM через API, в почту через IMAP, в 1С через MCP-сервер, возвращает ответ. Мышкой он не двигает. Никаких прав на систему у него нет, кроме тех, что мы явно выдали. Это самый скучный и самый безопасный вариант.

Второй — агент, встроенный в конкретную систему. Например, помощник прямо в интерфейсе 1С или в CRM, который умеет отвечать по данным и запускать типовые действия. Технически это часто тот же чат-агент, только вписанный в интерфейс через плагин или расширение. С точки зрения менеджера — «оно живёт в моей рабочей программе».

Третий — тот самый computer-use агент, который реально управляет курсором и клавиатурой. Смотрит на экран, распознаёт кнопки, кликает, заполняет поля, читает всплывшие окошки. Это категория, вокруг которой в 2026 году особенно шумно: UI-TARS, Agent S3 под Windows и Linux, Skyvern для браузерной автоматизации, OpenAdapt, отдельные коробочные решения от больших вендоров. Именно к нему у клиентов чаще всего эмоциональная привязка — «хочу такого, чтоб я подошёл к обеду, а он мне уже всё сделал».

Проблема в том, что заказчик обычно просит третьего, а по-хорошему ему нужен первый. Дальше расскажу, почему.

Как работает ИИ-агент, который сам кликает мышкой

Кратко про механику, потому что без неё нельзя объяснить, где грабли. Computer-use агент — это связка из мультимодальной модели, которая умеет смотреть на скриншот, и обёртки, которая переводит её решения в движения мыши и нажатия клавиш. Цикл простой: сделали скриншот → отправили модели вместе с задачей → модель говорит «кликни сюда, введи это» → выполнили → сделали новый скриншот → повторяем. Так работает и UI-TARS, и Agent S3, и большинство остальных.

Звучит красиво. На бумаге это универсальный инструмент: интерфейс не нужно ковырять, API не нужно писать, любую программу можно автоматизировать «глазами». На практике вылезает несколько неудобных вещей.

Модель ошибается с координатами — не всегда, но регулярно. Курсор промахивается мимо кнопки, попадает в соседнее поле, вводит текст туда, куда не надо. Скорость работы — на порядок медленнее, чем прямая интеграция через API: каждый шаг это отдельный запрос к тяжёлой мультимодальной модели. Стоимость токенов на скриншоты складывается быстро, особенно если задача длинная. И самое неприятное — предсказуемость. Одна и та же задача сегодня отработает за пять шагов, завтра модель начнёт «думать» и уйдёт кликать не туда.

Что мы попробовали и где споткнулись

С тем самым клиентом с оборудованием мы честно решили пойти по короткому пути и собрали прототип на computer-use подходе, чтобы показать, «а как оно будет». Задача была узкая: агент открывает почту, находит запрос от постоянного покупателя, достаёт из него позиции, идёт в 1С, ищет их в справочнике номенклатуры, собирает предварительное коммерческое предложение.

Первую половину пути прототип прошёл бодро. На демо все впечатлились. Но как только мы вышли за пределы демо-сценария, начались весёлые часы. 1С в тестовой базе клиента крутится в терминальной сессии — модель периодически «теряла» окно и начинала кликать в рабочий стол. У ряда позиций в справочнике похожие названия — агент выбирал первое совпадение, а не правильное. Всплывающие модалки от системы иногда просто игнорировались, потому что на скриншоте они выглядели как оформление, а не как активное окно. И каждый прогон стоил ощутимо дороже, чем аналогичная работа через API.

Первый подход провалился. Не потому, что технология плохая — потому что мы применили её не туда.

К чему пришли: гибрид

Пересобрали архитектуру. 1С мы дёргаем через MCP-сервер напрямую — там, где есть нормальные интерфейсы, курсором водить незачем. Почту — через IMAP. Модель, которая рассуждает и планирует, живёт на GigaChat Pro, потому что данные под 152-ФЗ и клиент не хочет их выпускать наружу. У менеджера на ПК крутится тонкий клиент — это, по сути, окно чата, встроенное в его рабочую среду. Он туда пишет задачу, агент решает её на бэке.

Computer-use мы оставили как запасной инструмент — только для одной старой программы поставщика, у которой нет ни API, ни каких-либо интерфейсов, и вход в неё только через окошко с формой. Там оно оправдано: узкий сценарий, стабильный интерфейс, редкое использование.

Раньше менеджер собирал такое коммерческое предложение полдня, потому что бегал между окнами и сверял позиции. Теперь на большинство типовых запросов уходит время, за которое он успевает сходить за кофе. Первые недели ловили ошибки почти ежедневно — то не тот контрагент, то устаревшая цена. Сейчас правки минимальные, менеджер работает как редактор, а не как оператор.

Что мы советуем, когда приходят «купить ИИ-агента»

Если вы стоите перед выбором и думаете, какие есть ИИ-агенты и что из этого имеет смысл покупать под вашу задачу, начните не с технологии, а с честного разбора.

Первое — где на самом деле живёт работа. Если менеджер основное время сидит в CRM и 1С, и у этих систем есть API или их можно обвязать MCP-сервером, вам не нужен агент с мышкой. Вам нужен нормальный чат-агент, который аккуратно ходит по этим интерфейсам сам. Это дешевле, быстрее и предсказуемее.

Второе — насколько критична предсказуемость. Если задача повторяется тысячи раз в месяц и от неё зависят деньги, computer-use подход рискованный. Ошибка в координатах на длинной дистанции обязательно вылезет.

Третье — где хранятся данные. Для многих отраслей вопрос «а можно ли вообще, чтобы скриншоты рабочего стола ушли на внешнюю модель» закрывает разговор. Для локального контура сейчас есть T-Lite и T-Pro в open-weights, есть варианты запуска Qwen у себя, есть российские GigaChat и YandexGPT с хранением данных в РФ. Это влияет на выбор больше, чем «модно ли сейчас computer-use».

И четвёртое — не покупайте платформу под гипотезу. Соберите первый узкий сценарий на том, что уже есть, проверьте его на реальной работе людей, а потом решайте, нужен ли вам агент с курсором или хватит окошка чата. У нас статистика простая: из десяти запросов «хотим ИИ-агента на ПК» девять на самом деле про чат-агента с хорошими интеграциями. И только один — про честный computer-use.

Так что если к вам приходит подрядчик и сразу предлагает «поставим агента, который будет сам кликать» — стоит спросить, почему именно так. Ответ покажет, разбирался ли он с задачей или продаёт красивое демо.