С чего начать создание ИИ-агента для бизнеса: как мы выбираем первый пилот

К нам приходит коммерческий директор и говорит: «Совет директоров дал полгода. Хотим ИИ-агентов везде — в продажах, в кадрах, в поддержке, в снабжении». Мы киваем, открываем блокнот и вместо демо задаём ему двадцать неудобных вопросов. Через час у него в голове укладывается, что ИИ-агент — это не сотрудник, которого можно нанять на все руки, а специализированный инструмент, и что как создать ИИ-агента правильно — вопрос выбора одного процесса, а не всех сразу. С этого момента начинается настоящий проект.

ИИ-агент — это что вообще такое, если убрать красивые слова

Формально ИИ-агент — это программа, которая на входе получает задачу, сама решает, что делать, вызывает нужные инструменты (базы данных, API, MCP-серверы), при необходимости уточняет и возвращает результат. От чат-бота отличается тем, что не просто отвечает текстом, а совершает действия. От макроса — тем, что не действует по жёстко прописанному сценарию, а рассуждает над задачей.

Если проще: чат-бот отвечает на вопросы, макрос выполняет одну и ту же последовательность, а ИИ-агент — это исполнитель, которому вы даёте цель и инструменты, а он сам собирает шаги. У него есть роль, права доступа, набор скиллов и правила, за которые нельзя заходить.

Отсюда неочевидное следствие. Заказчик, который просит «создать ИИ-агента, который делает всё», просит невозможного — не потому что технологии не позволяют, а потому что такой агент никто не сможет ни отладить, ни поддерживать, ни доверять ему. Хорошие ИИ-агенты для бизнеса всегда узкие. И первый пилот тем более.

Почему мы против того, чтобы начинать с самого важного процесса

Классическая ошибка: заказчик хочет, чтобы первый ИИ-агент решал главную проблему компании. Ту самую, из-за которой болит голова у гендира. Продажи, отток клиентов, ключевые сделки.

Мы обычно отговариваем. Причина простая: если пилот идёт по критичному процессу, ставки такие, что любая ошибка агента обсуждается на планёрке, а не в рабочем чате. Команда тратит недели на страховочные сценарии, а не на то, чтобы разобраться, как агент работает в принципе. Первое внедрение — это учебная задача. Мы учимся мы, учится команда заказчика, учится сам процесс.

Поэтому мы предлагаем начинать с чего-то скучного. Идеальный первый пилот выглядит так: рутинная операция, которую делают несколько человек, каждый день, руками, по более-менее одинаковому шаблону. С понятным входом (письмо, форма, файл), понятным выходом (запись в CRM, ответ клиенту, задача в трекере) и живыми людьми, которые могут поправить агента, если он ошибся.

Как мы выбираем этот скучный процесс

Когда клиент готов к разговору не про «ИИ везде», а про один пилот, мы садимся с руководителями отделов и проходим по короткому списку критериев.

Первое — объём. Если операцию делают раз в неделю, автоматизировать её нет смысла, дешевле оставить человеку. Мы ищем то, что повторяется десятки раз в день. Тогда даже небольшое сокращение времени на одну итерацию складывается в ощутимый выигрыш к концу недели.

Второе — вход и выход. Мы просим показать десять примеров задачи. Если во всех десяти на входе примерно одно и то же (письмо клиента с запросом расчёта, форма с сайта, накладная в PDF), а на выходе — понятное действие, задача годится. Если каждый раз всё разное, начинать здесь нельзя: агент не поймёт, что от него хотят, и мы не поймём, чему его учить.

Третье — цена ошибки. Мы прикидываем: если ИИ-агент однажды выдаст полную ерунду, что случится? Если клиент увидит странный ответ и попросит менеджера — это терпимо. Если из-за ошибки уходит платёж не тому контрагенту — нет, начинать с этого нельзя. Первые пилоты живут в зонах, где ошибку легко откатить.

Четвёртое — готовность людей. Нам нужен один человек внутри отдела, которому не всё равно. Не начальник, а тот, кто варится в процессе каждый день и хочет, чтобы стало проще. Без такого человека ИИ-агент так и останется чужой игрушкой в углу.

На чём мы остановились в последнем проекте

Заказчик — производственная компания, работает с оптовиками по всей стране. Хотели «ИИ везде», начиная с продаж. Мы прошли по критериям и предложили другое: обработку входящих запросов на прайс-лист и наличие товара.

Каждый день менеджеры отвечали на одинаковые письма партнёров: «дайте цены на позиции такие-то, есть ли в наличии, когда сможете отгрузить». Информация лежала в 1С и на складском учёте, но собрать её вручную занимало от нескольких минут до получаса, в зависимости от длины списка. Ошибка агента здесь стоит немного — менеджер всё равно перепроверяет перед отправкой.

Мы построили ИИ-агента, который читает входящее письмо, извлекает список артикулов и вопросы, идёт в 1С за ценами и остатками, формирует черновик ответа и подкладывает его менеджеру. Модель — GigaChat Pro, потому что данные клиентов не должны покидать российский контур. Инструменты — три функции для запроса к 1С, оформленные как MCP-сервер, плюс отдельный шаг проверки, что все артикулы из письма действительно нашлись.

Что оказалось важнее, чем выбор модели

Пока мы разрабатывали ИИ-агента, стало ясно, что модель — далеко не главный вопрос. Модель мы поменяли в процессе один раз, и это заняло полдня. А вот что действительно потребовало времени:

Разметка примеров. Мы попросили менеджеров показать сто реальных писем и сказать, что бы они ответили. Половина писем оказалась нестандартной — партнёр спрашивал не только цену, но и условия отгрузки, скидки, аналоги. Пришлось решать, что из этого агент делает, а что оставляет менеджеру.

Формулировка правил. Агенту нужны были короткие и однозначные инструкции: «если позиции нет в наличии — не предлагай аналог сам, а помечай в черновике». Такие правила выковыриваются из головы менеджеров по одному, каждое обсуждается.

Работа с 1С. Первые запросы возвращали данные в форме, которую агент не мог нормально использовать. Пришлось делать промежуточный слой, который приводит данные к единому виду.

Разработка ИИ-агента в двух словах — это не «взять модель и написать промпт», это спроектировать роль, границы, инструменты и способ, которым агент передаёт задачу человеку, когда сам не справляется.

Как мы замеряем результат, не выдумывая процентов

Когда агент пошёл в работу, мы не стали рисовать графики с «ускорением на столько-то». Мы спросили менеджеров через две недели: «Стало легче?». Ответ был: «Раньше на разбор пачки писем уходила первая половина дня, теперь мы обходимся временем до кофе».

Ещё замерили другое — сколько черновиков менеджеры отправляли без правок и сколько правили. В первую неделю правили почти всё. К концу первого месяца ощутимая часть уходила клиенту в том виде, в котором её собрал агент. Это лучший показатель того, что первый ИИ-агент прижился.

Что мы советуем тем, кто только начинает

Если вы думаете, как создать ИИ-агента и с чего вообще начинать — не начинайте с самого болезненного процесса. Начните со скучного. Выберите операцию, которую ваши люди делают каждый день, ненавидят и хотели бы отдать. Проверьте, что данные для неё уже собраны в системах. Найдите внутри отдела союзника. И договоритесь, что первые недели ИИ-агент работает под присмотром, а не вместо человека.

Через два-три месяца у вас будет не только работающий пилот, но и команда, которая понимает, как устроены ИИ-агенты для бизнеса изнутри. И следующий агент — уже по критичному процессу — пойдёт заметно быстрее.

Тот самый совет директоров, который хотел «ИИ везде за полгода», обычно к этому моменту сам понимает: лучше один живой ИИ-агент, чем пять мёртвых пилотов в отчёте.