ИИ-агент: что это, как работает и чем отличается от бота

Представьте исполнителя, которому задают цель, доступные инструменты, ограничения и критерий остановки, а не только пошаговую инструкцию. ИИ-агент — программа на базе большой языковой модели, которая может выбирать разрешённые шаги, вызывать доступные системы и записывать наблюдаемый результат. Это не означает, что агент справится с любым исключением или завершит задачу: покрытие, корректность и эскалации проверяют по конкретному сценарию.

На сквозном примере. В компанию приходит заявка письмом: «нужен расчёт на 40 единиц, срочно, счёт на юрлицо». Один контур может ограничиться заранее заданной веткой и передать письмо менеджеру. Другой, если ему явно выданы нужные права, может разобрать письмо, получить разрешённую историю из CRM, запросить реквизиты, поставить задачу на расчёт и уведомить менеджера. Разница здесь в состоянии, доступах и правилах выполнения, а не в названии интерфейса. Непредусмотренный или неуверенно распознанный случай передаётся человеку; долю корректных обработок, пропусков и эскалаций измеряют на приёмочной выборке.

Агентный цикл: воспринять → спланировать → сделать → проверить. Внутри агент работает петлёй. Сначала он собирает доступный контекст: читает входящую задачу, состояние систем, историю записанных шагов. Затем планирует разрешённые действия, вызывает инструмент и проверяет наблюдаемый результат. Петля повторяется до достигнутого критерия, ограничения, ошибки или эскалации. Этот цикл позволяет реагировать на записанные последствия действий, но не гарантирует завершение задачи.

Три технологии делают такую петлю практичной — function calling, MCP и RAG.

Function calling — переход от текста к действию. Обычная модель генерирует текст. Function calling даёт ей вызывать заранее описанные функции и API со структурированными аргументами: не «вот как оформить заказ», а фактическое создание заказа. Это фундамент агентности — переход от «рассказать» к «сделать».

MCP — общий интерфейс к инструментам. Чтобы агент работал с CRM, базой, почтой и площадками, ему всё равно нужны конкретные интеграции и права. MCP (Model Context Protocol) стандартизирует часть интерфейсов, но не заменяет адаптеры, авторизацию, обработку отказов и проверку каждого инструмента.

RAG — доступ к выбранным источникам. Перед ответом агент может извлечь релевантные фрагменты из заданной базы знаний — это RAG. Единый источник правды и provenance используют как контроли неподтверждённых формулировок; их фактическую эффективность, ошибки извлечения и генерации измеряют evals.

Эти ярлыки описывают разные аспекты системы. Чат-бот — разговорный интерфейс; за ним может быть сценарий, поиск по базе или агентный контур. RPA исполняет формализованный процесс с ветвлениями и обработчиками исключений, когда входы и ожидаемые переходы можно описать детерминированно. ИИ-агент полезен там, где следующий разрешённый шаг выбирают по неструктурированному контексту, но его результат менее воспроизводим и требует evals, лимитов и эскалации. Часто их комбинируют: модель классифицирует вход, workflow задаёт политику, RPA или API выполняет механическую операцию. Разобрали подробно в сравнениях ИИ-агент vs чат-бот и ИИ-агент vs RPA.

Сложную работу ведёт не один агент, а мультиагентный контур. Оркестратор держит бизнес-цель и раскладывает её на задачи; агенты-исполнители их решают, каждый в своей роли; гардианы надзирают за роем. Разделение ролей позволяет спроектировать изоляцию, повторы и резервирование, но не создаёт отказоустойчивость автоматически. Способность продолжить обработку после сбоя подтверждают fault-injection, нагрузочными тестами и SLO конкретного контура.

Guardrails и гардиан-mesh. У агента задаются ограничители охваченных действий. Guardrails проверяют настроенные правила; независимый гардиан-mesh анализирует заданные сигналы дрейфа и аномалий. При исправных политиках изоляции и отката он может остановить охваченный шаг или агента. Доступность, bypass/fail-open пути и покрытие проверяются отдельно; остаточный риск сохраняется.

Human-in-the-loop. Выбранные необратимые и рискованные действия — например запуск рекламы, крупные траты или юридически значимые коммуникации — проектируют с передачей человеку на подтверждение (human-in-the-loop). Полноту классификации, обходы и отказ гейта проверяют отдельно.

Защита от prompt injection. Во входных данных — письме, странице, документе — могут прятать скрытые инструкции, чтобы перехватить поведение агента (prompt injection). Защита — изоляция данных от команд, проверка источников и тот же гардиан-надзор.

Комплаенс 152-ФЗ и 38-ФЗ. Участие ИИ раскрываем по умолчанию; основание записи, форма информирования или согласия и хранение данных определяются для конкретного сценария с юристом. Аудит-лог помогает восстановить записанные события, но его полнота, целостность и доказательная сила зависят от реализации и сопутствующих документов.

ИИ-агентов применяют в реальных процессах. Русскоязычную голосовую приёмную можно проектировать для работы вне графика операторов; доступность и полноту приёма измеряют по телефонии и интеграциям. В маркетплейсах агенты могут вести репрайсинг и автопубликацию под гейтами; фактическая ёмкость подтверждается нагрузочным тестом. В маркетинге контур выполняет разрешённые операции с трафиком, заявками и контентом, а бизнес-эффект измеряется на пилоте. Отдельный собственный проект студии — торговая система на брокерском API с анализом сделок и риск-менеджментом (это наш проект, а не услуга по управлению чужими средствами). Часть кейсов относится к собственным бизнесам студии; переносимый эффект проверяется отдельно.

Есть и менее очевидные применения. В веб-разработке для клиентского проекта по согласованию можно настроить visual-regression на Playwright как дополнительный гейт, который не заменяет ручную визуальную приёмку и не даёт абсолютной гарантии. На текущем orkestrai.ru подтверждены source/DOM checks и автоматический Chromium smoke на desktop/mobile, а ручной visual review остаётся отдельным обязательным гейтом. В поисковой видимости агентная петля может поддерживать работу с семантикой, замерами позиций и подготовкой публикаций под редакционными гейтами; на сайте открыт лог ограниченного эксперимента, который не доказывает причинный или коммерческий эффект. В мониторинге агент может собирать и фильтровать выбранные отраслевые источники, а полноту и качество базы проверяют отдельно.

Первый кандидат полезно оценить по четырём критериям. Частота — достаточно ли повторений для измеримого пилота. Проверяемый результат — можно ли зафиксировать критерий приёмки: заявка разобрана, звонок классифицирован, карточка обновлена. Ограниченная цена ошибки — последствия понятны и по возможности обратимы. Данные и доступы — есть проверяемые источники и разрешённые инструменты. Окупаемость не предполагается заранее: её считают по фактическому потоку, стоимости ошибок и сопровождения.

Под эти критерии обычно попадают первичная обработка входящих (заявки, письма, звонки), триаж и маршрутизация обращений, рутинные публикации и обновления карточек, мониторинг с оповещениями. Практическое правило: ищите работу, которую жалко поручать человеку из-за монотонности, но страшно бросить — это и есть зона агента. Плохие первые кандидаты — то, что хочется автоматизировать сильнее всего: продажи «под ключ», юридически значимые действия, всё необратимое. Туда агент приходит вторым шагом, когда контур уже показал себя на безопасном участке.

Ориентиры: проект — от 150 000 ₽, сопровождение — от 50 000 ₽/мес, первый узкий контур — ориентировочно 5–7 дней после проверки данных, интеграций и требований. Дальше цена зависит от числа ролей, глубины интеграций, требований к данным и режима поддержки. Работа с персональными данными, изолированный контур или self-hosted модель требуют отдельного проектирования. Доступность надзора, состав журналируемых событий и SLO фиксируются для проекта, а не подразумеваются общей формулировкой.

Честная экономика: стоимость агентного контура сравнивают с фактическими трудозатратами, ошибками, инфраструктурой и сопровождением конкретного процесса; заранее считать его дешевле сотрудника нельзя. Это производственная система, требующая ведения: модели и правила площадок меняются, процессы уточняются, а доступность и качество зависят от эксплуатации. Точная смета — на бесплатном разборе без обязательств; сценарную оценку состава и часов можно сделать в калькуляторе автоматизации, сравнить исполнителей — в разборе студия vs штат vs фриланс.

В ретроспективах внедрений полезно проверять несколько разных причин, не сводя сбой к качеству модели. Неопределённый процесс. Если критерий результата и исключения не описаны, агенту нечего исполнять и измерять. Недостаток данных и доступов. Интеграции и качество источников часто оказываются существенной частью работ; их долю заранее не предполагают. Нет владельца со стороны бизнеса. Без ответственного за метрики и изменения правил контур сложнее поддерживать после пилота.

Запуск без надзора и метрик. Неохваченная деградация может проявиться только после влияния на пользователя. Поэтому evals, надзор и аудит проектируют под конкретные риски, но ни один слой не гарантирует полноту. Демо-эффект. Быстрый прототип не доказывает срок production-запуска: после демо остаются исключения, лимиты площадок, юридическая оценка и тесты отката. Состав и срок подтверждают после обследования.

Проект идёт короткими проверяемыми шагами. Разбор: смотрим процессы, данные и доступы, выбираем первый участок и фиксируем метрики. Первый узкий контур: ориентир 5–7 дней подтверждается после проверки интеграций и требований; запускаем ограниченный сценарий с guardrails, журналированием предусмотренных событий и проверенным планом отката. Расширение: роли и интеграции добавляются по результатам пилота. Ведение: мониторинг, evals и обновления; полнота журнала контролируется отдельно. На каждом шаге владелец процесса решает: продолжать, поправить или остановиться.

Простого агента можно собрать без отдельной разработки — например, в n8n или Make. Для нечастых сценариев с ограниченной ценой ошибки это может быть разумным стартом. При нестандартных интеграциях, состоянии, надзоре и юридических требованиях сложность связок растёт; проверяемость и сопровождение оценивают по конкретной схеме, а не по ярлыку no-code. Границу выбора мы разобрали в сравнении своя разработка vs no-code, а модель команды — в разборе студия vs штат vs фрилансер. Чем ближе контур к деньгам, данным клиентов и необратимым действиям, тем строже должны быть измеримые границы и надзор.

«Агент — это ChatGPT с хорошим промптом». Нет: окно чата ничего не говорит о внутренней архитектуре. Агентный контур определяют состояние, инструменты, права, критерии остановки, обработка ошибок и надзор. Промпт — только одна часть конструкции; значимая инженерия находится в интеграциях, политиках и проверках.

«Агенты заменят всех сотрудников». Такой вывод не следует из внедрения. В выбранных процессах агентам можно передать часть повторяемой рутины, а фактическую долю автоматизации и изменение нагрузки измеряют на пилоте. Спорные и необратимые шаги мы проектируем с передачей человеку, но покрытие классификации и обходные пути проверяют отдельно.

«Внедрил и забыл». Агент — производственная система: модели обновляются, площадки меняют правила, процессы уточняются. Без ведения качество сползает тихо и незаметно. Поэтому сопровождение — часть продукта, а не апселл.

«Агенты сами научатся». По умолчанию поисковый или рабочий контур не меняет параметры модели: улучшения требуют отдельного процесса, в котором люди разбирают записи, обновляют инструкции и инструменты и запускают evals. Неконтролируемое изменение поведения создаёт риск дрейфа; настроенные проверки могут заметить только охваченные признаки, а их полноту измеряют.