ИИ-агент: что это, из чего состоит и где он полезен бизнесу

Агент, чат-бот и ассистент: в чём разница

Чат-бот отвечает на сообщение. Он может работать по сценарию с кнопками или на языковой модели, но его результат — текст; ассистент помогает человеку: подсказывает, пишет черновик, ищет информацию, а решение и действие остаются за человеком.

Агент получает цель и сам доводит её до результата. Он разбирает задачу на шаги, вызывает инструменты — API, базу данных, поиск, корзину интернет-магазина, — проверяет, что получилось, и при необходимости повторяет. Граница размыта, и производители систем трактуют её по-разному. Я пользуюсь простым критерием: если система что-то меняет во внешнем мире без человека на каждом шаге, это агент.

Из чего собран агент

• Языковая модель. Понимает текст, планирует шаги, выбирает инструмент. Мы используем облачный Claude; для локального запуска в e-commerce хорошо показала себя модель Авито, дообученная на базе Qwen.
• Инструменты. Функции, которые агент может вызвать: найти товар, положить в корзину, получить цену. Без них модель только разговаривает.
• Правила и ограничения. Что агенту можно делать, а что нельзя, какие данные считать источником правды.
• Контекст и память. Что агент знает о пользователе, истории заявок и текущем шаге.
• Цикл проверки. Агент или человек оценивает результат, и система учится на ошибках.

Что это значит для заказчика ИИ-агента

Перед стартом стоит ответить на пять вопросов. Ответы на них важнее выбора модели, и на проекте Ekrom они у нас были.

• Какие обращения повторяются чаще всего и сколько их в день? У Ekrom это 200 заявок на подбор.
• Можно ли записать правила, по которым человек принимает решение? Если правила живут только в голове собственника, сначала придётся их вытащить.
• Где источник правды по ценам и остаткам? У Ekrom это сайт на Битриксе, и агент берёт цифры только оттуда.
• Кто будет оценивать ответы агента в первые месяцы? Без этого система не станет лучше.
• Как мерить результат: доля заявок без участия человека, время ответа, конверсия в продажу. У Ekrom до покупки доходит примерно две подборки из десяти, и эта цифра остаётся точкой отсчёта.

Почему модель не должна считать деньги

Языковая модель недетерминирована: попросите DeepSeek или ChatGPT дважды собрать коммерческое предложение — получите два разных. Для текста это нормально, для цены нет. Поэтому в нашем проекте модель делает ровно одну вещь: превращает сообщение дизайнера вроде «ДШ, ПМ, вар. панель, 600 мм» в список нужных товаров. Поиск позиций, выбор лучшей из 30 каскадных акций и расчёт скидок делает обычный код; корзину мы прогоняем через Битрикс, где у магазина свои скидочные правила, и отдаём ответ оттуда. Результат повторяемый, а логика сайта не тронута.

Как ИИ агент работает в продажах: случай Ekrom

Ekrom продаёт встраиваемую технику кухонным салонам. Производители запускают около 30 продуктовых акций с исключениями, правила меняются каждый месяц, и дизайнер в салоне боится ошибиться. Раньше заявки разбирал отдел подборщиков в общих чатах: около 180 чатов, 200 заявок в день, четыре сотрудника не справлялись, а готовить нового — минимум три месяца.

Для дизайнера салона это выглядит как ИИ-консультант в мессенджере Max, но внутри работает агент: он не советует, а собирает готовый расчёт. Дизайнер пишет заявку как привык, через 10 секунд получает подборку; раньше ответа ждали часами, а в пиковые часы, вечером и в выходные, подборщики не успевали вовсе. Агент пиков не замечает. Сотрудники Ekrom оценивают каждый ответ кнопками «правильно» и «неправильно», и это главный механизм развития системы.

Обратная связь вместо идеального промпта

Подборки агента неидеальны: примерно в 10% заявок человек выбирал лучше. Часто это вкус — ручки сочетаются, покупательнице нравится цвет, а в характеристиках этого нет. Если сотрудник нажимает «неправильно», система спрашивает, что не так. Ответ вроде «бренд мог быть другим» уходит внутрь, правила и код меняются, цикл повторяется. Почти всё автоматизировано, но на сложных вопросах нужен человек.

Где ИИ-агенты полезны бизнесу, а где нет

По нашему опыту, агент окупается там, где много однотипных обращений, сложные, но формализуемые правила и цена ошибки человека выше цены ошибки программы. Подбор комплекта по 30 акциям — идеальный пример: человек в голове это не удержит, программа удержит.

Не работает агент там, где правила негласные. У каждого бизнеса есть знание вида «это мы продаём, это нет, здесь хорошая маржа»; его приходится вытаскивать из собственника в разговорах, и это была самая трудная часть проекта. Не заменит агент и личные продажи: в Ekrom дизайнерские чеки по-прежнему ведут люди, а бот закрывает средний и эконом-сегмент.

Что агент сделал с командой

Никого не уволили. Подборщиков, для которых подбор был лёгким приработком, перевели в премиальное направление с крупными чеками. Агент забрал рутину, люди занялись сделками, где решает разговор.

Сколько стоит внедрение и почему его трудно продать

Типичный разговор о проекте с ИИ: подрядчик называет 800 тысяч рублей, клиент спрашивает, насколько вырастут продажи. Честного ответа нет: опыта внедрений за три года накопилось мало. Мы для Ekrom выбрали подписку: 36 000 рублей в месяц, в цену входят серверы, LLM, API и правки без ограничений. Клиент не угадывает эффект заранее, а мы отвечаем за то, чтобы система работала с его меняющимися правилами.

Подробно проект мы разбирали с Сергеем Халецким на AI Growth Days 2026, там же есть цифры по заявкам и вопросы из зала.