70% российских компаний уже используют ИИ-агентов — технология перестала быть экспериментом и стала частью современного бизнеса. Эти цифры подтверждает недавний опрос Центра аналитических продуктов VK Predict и консалтингового агентства Prognosis*.
ИИ-агенты не следуют жестко заданным правилам, а обучаются и адаптируются. Разберемся, как устроен этот механизм изнутри, и поделимся своим опытом.
Содержание:
Что такое ИИ-агент
Чем ИИ-агент отличается от языковых моделей и чат-ботов
Из чего состоит ИИ-агент
Этапы внедрения ИИ-агента
Основные сложности внедрения ИИ-агентов и способы решения
Кейс: ИИ-агент в роли специалиста по документообороту
Измерение результатов от внедрения ИИ-агента
Чем ИИ-агент отличается от языковых моделей и чат-ботов
Из чего состоит ИИ-агент
Этапы внедрения ИИ-агента
Основные сложности внедрения ИИ-агентов и способы решения
Кейс: ИИ-агент в роли специалиста по документообороту
Измерение результатов от внедрения ИИ-агента
Что такое ИИ-агент
ИИ-агент (AI-агент) — это система на основе искусственного интеллекта, способная автономно принимать решения на основе корпоративных данных и действовать для достижения конкретных целей.
Агент действует самостоятельно, следуя заложенной «должностной инструкции», может анализировать данные, общаться с контрагентами и сотрудниками, оценивать контекст и принимать решения. ИИ-агент становится частью рабочего процесса.
ИИ-агент нужен там, где нельзя заранее прописать четкий алгоритм действий. Например, каждое обращение пользователя уникально, сотрудник принимает решения на основе опыта и контекста. Агент работает аналогично — анализирует ситуацию и выбирает подходящие инструменты.
Чем ИИ-агент отличается от языковых моделей
Разберём на примере ситуации, когда клиент хочет оформить возврат товара.
Языковые модели (LLM) вроде ChatGPT, Claude, Gemini работают в режиме диалога — задаёте вопрос, получаете ответ. LLM теперь может искать информацию в интернете, запоминать контекст между сессиями, работать с файлами и выполнять задачи по расписанию. Но это по-прежнему внешний инструмент, который не знает ваших процессов и не имеет доступа к корпоративным данным. Языковая модель напишет общие правила возврата товаров и расскажет, как составить претензию, но не сможет уточнить детали конкретного заказа.
ИИ-агенты анализируют ситуацию, работают с корпоративными данными и могут создавать задачи, отправлять уведомления и так далее. В случае с претензией AI-агент сначала изучит описание проблемы и проверит информацию о заказе в базе данных, затем проанализирует условия возврата для конкретного товара, создаст заявку в системе, уведомит ответственного менеджера и отправит клиенту подтверждение с дальнейшими инструкциями.
Из чего состоит ИИ-агент
Инструменты для выполнения действий. Это то, что позволяет ИИ-агенту решать конкретные задачи и взаимодействовать с внешними системами: отправить письмо, создать задачу, найти информацию в базе данных, сформировать отчёт.
В «Первой Форме» есть SMART-инструменты, готовые блоки автоматизации, где каждый выполняет конкретную функцию: создание задач, отправка уведомлений, поиск данных.
ИИ-агент сам анализирует ситуацию и решает, какие именно SMART-действия нужно запустить для решения задачи. То есть ему не нужна пошаговая инструкция, достаточно дать задание.
ИИ-агент может не только консультировать, но и заниматься решением задач: создавать документы, отправлять уведомления, формировать отчёты.
Автономность работы. Она достигается тремя способами взаимодействия с ИИ-агентом.
Агент работает как цифровой сотрудник. Не нужно каждый раз давать ему задания, он сам отслеживает события и выполняет действия.
Память и накопление контекста. ИИ-агент может работать с любыми корпоративными системами и хранилищами: внешние сервисы (Notion, Teamly), системы документооборота, локальные файлы с регламентами, базы данных с историей обращений.
ИИ-агент запоминает особенности работы с конкретными клиентами и контрагентами, проблемы и способы их решения, детали текущих проектов и их историю. На основе этой информации ИИ-агент принимает более качественные решения, адаптируя свое поведение под специфику конкретной компании и даже отдельных сотрудников.
Агент помнит специфику вашей компании, клиентов, процессы — это делает его ответы более точными и релевантными.
В «Первой Форме» уже есть вся необходимая инфраструктура для создания агентов: SMART-механизмы автоматизации становятся инструментами агента, корпоративные данные и процессы — его памятью, а система триггеров и расписаний — основой для автономной работы.
Этапы внедрения ИИ-агента
Начинать стоит с простых, хорошо структурированных задач: ответы на типовые вопросы на основе базы знаний, создание задач по шаблонам, отправка уведомлений и напоминаний, поиск информации в корпоративных системах.
По мере накопления опыта можно расширять набор доступных агенту инструментов, добавляя интеграции с внешними сервисами, анализ документов и данных, генерацию отчетов, взаимодействие с другими системами компании.
На финальном этапе агент может взять на себя целые бизнес-процессы: полный цикл работы с определенными типами обращений, автоматический мониторинг и реагирование на отклонения, проактивную подготовку аналитики и рекомендаций, координацию работы между различными подразделениями.
Главный плюс ИИ-агентов в «Первой Форме» — простота настройки. Их можно создать на основе должностных инструкций с помощью low-code инструментов, без программирования и сложных промптов. Администратор системы может настроить агента, используя привычные инструменты автоматизации бизнес-процессов.
Узнать больше о возможностях ИИ-агентов →
Основные сложности внедрения ИИ-агентов
Галлюцинации. ИИ-агент может создавать правдоподобные, но ложные ответы, ссылаясь на несуществующие документы или искажая факты из корпоративной базы знаний. Это чем-то схоже с человеком — люди тоже могут ошибаться, придумывать или искажать информацию. Однако в случае с ИИ-агентами необходимо внедрять дополнительные системы контроля.
Для решения этой проблемы используется каскадная проверка — многоуровневая система контроля:
- уровень 1 — сам агент проверяет свой ответ на логичность и соответствие базовым правилам;
- уровень 2 — другой агент или алгоритм анализирует результат на предмет типичных ошибок;
- уровень 3 — финальные решения остаются за людьми. Например, если сумма сделки превышает определенный порог.
Нестабильность качества. Одни и те же запросы могут давать кардинально разные результаты, а это подрывает доверие пользователей. Это требует постоянного улучшения базовой языковой модели, которая находится в ядре системы, а также мониторинга и корректировки работы.
Ограниченность контекста. Бизнес-задачи требуют работу с большими массивами данных. При этом в основе ИИ-агента лежит языковая модель, которая может «держать в голове» ограниченный объем информации при формировании ответа.
Как решение этой проблемы ИИ-агент получает только нужную информацию в момент выполнения задачи. Например, если нужно проверить договор, то агент получает доступ к регламенту проверки документов. Он не хранит в памяти все 100+ регламентов, а запрашивает именно тот, который нужен для текущей задачи.
Чёрный ящик. Не всегда понятно, почему агент принял то или иное решение. Он обрабатывает множество данных, но логика принятия решений остается непрозрачной. Так, например, могут возникнуть трудности при использовании банком ИИ-агента для одобрения выдачи кредита. Финансовые регуляторы могут запросить детальное обоснование принятого решения.
Кейс: ИИ-агент в роли специалиста по документообороту
У ИИ-агента есть инструменты для анализа и проверки договоров на соответствие внутренним стандартам, поиска информации о контрагентах в открытых реестрах вроде ЕГРЮЛ или базы арбитражных дел, сверки банковских реквизитов и проверки действующих лицензий, создания задач для согласования с указанием выявленных проблем, формирования отчетов о проведенных проверках.
Когда поступает новый договор, срабатывает триггер, и агент начинает работать самостоятельно. Сначала он анализирует документ на предмет соответствия корпоративным стандартам, затем проверяет контрагента в различных базах данных, сверяет все реквизиты и даты. После этого либо направляет документ на подпись, либо создает задачу с детальным описанием выявленных проблем.
При этом агент помнит особенности работы с каждым контрагентом, типичные ошибки в документах определенных типов, предпочтения руководства по условиям договоров, историю изменений в корпоративных стандартах. Эта память позволяет ему принимать более точные решения и адаптироваться к специфике конкретной компании.
Измерение результатов от внедрения ИИ-агента
Эффективность можно измерять через сокращение времени обработки типовых запросов, уменьшение количества ошибок в рутинных операциях, увеличение скорости реакции на события, снижение нагрузки на экспертов по типовым вопросам.
Качественные улучшения включают повышение консистентности в принятии решений, улучшение качества документооборота, сокращение времени адаптации новых сотрудников, высвобождение времени экспертов для стратегических задач.
