Разработка ИИ-агентов для бизнеса

Что такое ИИ-агент и чем он отличается от чат-бота и конвейера

Общепринятого определения ИИ-агента нет, поэтому агентом называют что угодно: от чат-бота с подключённым API до системы, которая сама ведёт процесс. Рабочее определение, которым пользуется Dzeta AI: агент получает цель, сам разбивает её на шаги, выполняет их через инструменты — запросы к базе, действия в учётной системе, — смотрит на результат и меняет подход, если шаг не удался.

Агента проверяют по шести признакам: цикл «план — действие — наблюдение — корректировка», планирование шагов, работа с инструментами, самокоррекция при ошибке, память между шагами, завершение задачи без ожидания указаний. Чего из этого нет в архитектуре, того нет и в продукте, как бы он ни назывался. Критерии и шкала зрелости разобраны в статье как отличить ИИ-агента от чат-бота с новым названием.

Готового агента под процессы российской компании купить нельзя: платформы крупных вендоров дают детали, а собирать агента под свои данные, 1С и контуры согласования приходится проектом — обзор российского рынка ИИ-агентов. Разработка агента поэтому — интеграционная работа, а не покупка лицензии.

Где агент окупается, а где надёжнее конвейер

Каждый шаг, на котором решение принимает модель, ошибается с некоторой вероятностью, и в цепочке эти вероятности перемножаются. При надёжности шага 90% процесс из пяти таких шагов доходит до верного результата в 59% случаев, из десяти — в 35%. Поэтому Dzeta AI отдаёт модели только те шаги, где нужна интерпретация: понять свободный текст, выбрать между близкими вариантами. Поиск по артикулу, пересчёт по кратности упаковки и проверку обязательных полей делают обычные запросы и правила.

Агент уместен, когда

• путь к результату каждый раз разный: какие данные открыть и что проверить, зависит от самой задачи;
• задача требует нескольких систем и источников, и порядок обращения к ним заранее не записать;
• ошибку видно, и её можно исправить до того, как она дойдёт до клиента или до учёта;
• процесс повторяется часто — сотни и тысячи раз в месяц, а не раз в квартал;
• со стороны бизнеса есть человек, который разбирает спорные случаи и отвечает за результат.

Конвейер надёжнее, когда

• шаги известны и не меняются: разобрать заявку, найти позиции, собрать заказ;
• ответ выводится из правил или считается по базе — модель там не нужна вовсе;
• каждое действие должно быть предсказуемым и проверяемым заранее, как проводка в учёте;
• цена ошибки высока, а проверить результат можно только целиком.

Пример конвейера — приём заказов у производителя металлоконструкций под заказ. Значения извлекаются из фото бланка, скана, PDF или Excel, движок правил компании достраивает комплектацию и единицы измерения, результат ложится в бланк заказа в 1С на 240 реквизитов. Шаги известны заранее, выбирать системе нечего, и агент здесь не нужен. Базовое решение внедрили за 30 дней — как устроен приём заказов на производстве.

Начинать разумно с внутренних процессов: там ошибка не видна клиенту, и её дешевле исправить. Чаще всего получается гибрид: маршрут задан, модель работает на шагах с интерпретацией, а там, где шаги заранее не описать, ей дают выбор инструментов в жёстких границах.

Как Dzeta AI собирает ИИ-агента: инструменты, границы, журнал

Инструменты: что агент читает и что меняет в системах

Инструмент — это описанное действие, которое агенту разрешено вызвать: найти позицию в каталоге, проверить остаток и цену, открыть договор, создать черновик заказа, отправить вопрос менеджеру. У каждого инструмента свои входные поля и понятный результат; то, что не описано как инструмент, агенту недоступно.

Подтверждённый опыт у Dzeta AI с 1С: номенклатура, остатки, цены и контрагенты, перенос собранной корзины в заказ. CRM, почту и другие системы подключают через их API, состав подключений определяют на аудите. Как нейросеть связывают с учётной системой и какие задачи решают рядом с ней — сценарии ИИ для 1С.

Границы: что агенту можно без подтверждения

Права агента описывают явно, как для нового сотрудника:

• чтение: какие справочники и документы ему открыты, с учётом роли пользователя, от имени которого он работает;
• черновики: что он готовит без согласования — корзину, карточку, ответ;
• запись: какие действия меняют данные в учётной системе и требуют подтверждения человеком;
• запреты: действия, которые агенту не выдают вовсе, например проведение документа или изменение цены.

Текст письма и вложения для агента — материал для работы, а не команда. Инструкция, спрятанная во входящем документе, его права не расширит: список инструментов и полномочий задан снаружи модели.

Человек в контуре: уверенность решает маршрут

У каждого решения агента есть уровень уверенности, и от него зависит, что будет дальше:

• высокая — действие выполняется, черновик уходит дальше;
• средняя — сотрудник выбирает из нескольких вариантов одним нажатием;
• низкая — агент задаёт уточняющий вопрос или передаёт задачу человеку вместе с тем, что успел собрать.

Спорное в учётную систему не уходит, пока его не разберёт человек.

Журнал: по каждому шагу видно, что и почему

Журнал пишет каждый шаг: какую задачу агент получил, какие инструменты вызвал и с какими параметрами, что вернула система, что поправил и подтвердил человек. По этим записям разбирают ошибку, отвечают службе безопасности и находят место, где не хватает правила. Обращения к модели собраны в одной точке, поэтому модель меняют без переделки агента — как устроен этот слой.

Метрики: по чему принимают агента

Пороги задают до старта на задачах заказчика. Считают:

• долю задач, которые агент довёл до конца без человека;
• долю результатов, принятых сотрудником без правок;
• долю задач, переданных человеку, и причины передачи;
• ошибки по видам: не тот инструмент, неверные параметры, неверно понятая задача;
• время от получения задачи до результата.

Доля задач без человека сама по себе ничего не говорит: её легко поднять, если агент уверенно ошибается. Поэтому её смотрят вместе с долей результатов, принятых без правок.

Пример: заявка, подбор по каталогу, корзина в 1С

У оптового дистрибьютора инженерных систем с заявками ежедневно работают более 300 менеджеров, 60 филиалов держатся на едином каталоге, в поисковом индексе 389 тысяч позиций. Заявка приходит списком без артикулов, фотографией рукописного листа, пересылкой из чата или вопросом на подбор. Раньше каждую позицию менеджер искал руками. Путь заявки теперь такой:

1. Разбор: любая форма заявки сводится к одной структуре — строка, количество, характеристики.
2. Поиск: кандидатов ищут по смыслу, по точному тексту и по структурным полям — тип, диаметр, материал, бренд, — затем ранжируют заново.
3. Правила: таблицу замен ушедших брендов сотрудники ведут явно, кратность упаковки пересчитывается сама — 31 штука при упаковке по 10 превращается в 40 с пометкой менеджеру.
4. Маршрут по уверенности: точное совпадение уходит в корзину, при близких вариантах менеджер выбирает одним нажатием, при нехватке данных система задаёт уточняющий вопрос.
5. Действие в 1С: готовая корзина переносится в учётную систему без ручного ввода, каталог синхронизируется с 1С по расписанию.

По шкале зрелости L1–L5 это уровень L3 — ассистент с агентными функциями, а не полностью автономный агент: маршрут задан, модель работает там, где нужна интерпретация, а спорная позиция в заказ не уходит, пока её не разберёт менеджер. Для заказа клиенту такая граница оправданна: ошибка в позиции обходится дороже минуты на проверку.

Цифр эффекта по этому проекту у Dzeta AI нет, результат описан словами: более 300 менеджеров проверяют подобранное вместо ручного поиска, заявка любого вида доходит до заказа в 1С по одному сценарию, правила подбора одни на все 60 филиалов. Отраслевая сторона — подбор по каталогу у дистрибьютора, работа отдела продаж — ассистент продаж с заказом в 1С.

Как запускают агента: аудит, пилот, приёмка

Разработка ИИ-агента идёт теми же этапами, что и остальные проекты Dzeta AI. Критерии приёмки фиксируют до старта на задачах заказчика.

На пилоте удобно начинать с режима подтверждения: действия, которые меняют данные, агент выполняет после согласия сотрудника. Так видно, где он ошибается, до того как ошибка дойдёт до учёта, а права расширяют по результатам приёмки.

Пилот на ограниченном сценарии дешевле спора о том, справится ли агент с вашими данными. Из чего складывается бюджет и что влияет на срок — на странице стоимость внедрения ИИ.

Где работает агент и кто видит данные

Агента на открытых моделях Dzeta AI разворачивает в контуре заказчика: задачи, данные 1С и переписка остаются внутри компании, персональные данные её не покидают (152-ФЗ «О персональных данных»). Облачные GigaChat, YandexGPT, GPT-4o или Claude подключают там, где состав данных это допускает. В ChatGPT и другие внешние сервисы данные не уходят, если заказчик этого не хочет.

Когда ИИ-агент не нужен

Агент окупается там, где задача повторяется, путь к результату меняется от случая к случаю, а системы, в которых он действует, доступны через интерфейсы. Остальные случаи видны на аудите:

• Шаги процесса известны и не меняются: конвейер с моделью на отдельных шагах выйдет дешевле и надёжнее.
• Нужен ответ по документам, а не действие в системах: хватит поиска по регламентам со ссылкой на пункт.
• Данных для действий нет: справочники не ведутся, заявки нигде не сохраняются.
• Каждое решение в процессе принимает человек — скидка, исключение, уступка: автоматизировать можно только подготовку.
• Задачу закрывает регламент или настройка 1С — так и напишем в отчёте по аудиту.
• Со стороны заказчика некому разбирать спорные случаи в первые недели.