Скопировать ссылку
Многие руководители воспринимают агентный ИИ как очередной виток маркетинга. Но одно остается неизменным: ИИ-инструментами теперь пользуются все чаще и в самых разных отраслях.
В то же время отличие между генеративным и агентным подходом далеко не академическое: от нее напрямую зависит, станет ли ИИ-проект очередным «пилотом в стол» или инструментом, который реально снимает нагрузку с команды и влияет на P&L (доходы и расходы компании за определенный период).
Иногда о разнице между генеративным и агентным ИИ не знают даже руководители компаний и маркетологи. Давайте же разберемся подробнее.
Генеративный ИИ и агентный: как отличить
Генеративный ИИ (GenAI) — модели, которые создают новый контент: текст, изображения, код, структуру презентаций, аналитические обзоры. Они хорошо понимают контекст, умеют «читать» документы, отвечать на вопросы по ним. Пользоваться такими моделями легко: они работают по схеме «запрос-ответ» и могут проанализировать любую информацию.
Агентный ИИ (agentic AI, ИИ-агенты) — системы, в которых ИИ не только отвечает и скрупулезно выдает структурированный объем информации, но и действует.
Так, агент способен:
- разбивать задачу на шаги;
- вызывать внешние инструменты и сервисы (CRM, ERP, почта, календарь, документооборот, API);
- обращаться к корпоративным данным;
- помнить контекст клиента или проекта;
- доводить задачу до результата — например, не просто подготовить письмо, а отправить его по нужным адресам и зафиксировать это действие в системе. По сути, агентный ИИ берет на себя функции сотрудников, облегчая работу таких специалистов.
При этом интересно, что внутри большинства агентных решений все равно заложена генеративная модель. По сути, разница здесь заключается не в «типе нейросети», а в архитектуре вокруг нее. Если генеративный ИИ — сильный аналитик, то агентный становится «аналитиком с доступами». Это можно сравнить с двумя сотрудниками: первый только планирует прислать список клиентов для созвона, а второй уже их назначил и даже приложил отчет.
Что же «под капотом» у ИИ?
Генеративный ИИ в типичном корпоративном сценарии представляет собой, в первую очередь, одну или несколько языковых моделей. Также в него входят коннекторы к данным (документы, базы, хранилища) и интерфейс: чат, плагин в CRM/ERP, виджет в сервисе.
Пользователь обычно формулирует запрос — а модель ему отвечает. Можно добавить историю диалога, базовую «память» о предыдущих вопросах, но модель не живет в логике ваших процессов. Она работает «здесь и сейчас» в рамках контекста, который вы ей передали.
Агентный ИИ строится иначе. Это уже не единичная модель, а система из нескольких компонентов, которая включает в себя:
- планировщик — принимает запрос и решает, из каких шагов состоит задача;
- исполнители-агенты — каждый отвечает за свой кусок (сходить в CRM, выгрузить данные из бухгалтерии, найти документы, подготовить ответы, создать задачи в таск-менеджере);
- память — хранит долгосрочный контекст: историю клиента, проекты, ограничения, правила;
- оркестратор — управляет очередью задач и координирует агентов;
- мониторинг и логирование — фиксирует, что и когда сделал агент, с возможностью отката или ручного вмешательства.
Фактически агентный ИИ — это прослойка между сотрудниками и ИТ-ландшафтом компании, самый настоящий цифровой сотрудник, который знает, где именно лежат данные и по каким правилам с ними можно работать.
Есть большой класс задач, в которых бизнесу достаточно «мозга без рук» — умного текста, быстрой аналитики и подсказок. Это, как правило, одношаговые сценарии, не требующие высокого уровня вовлечения в процессы. Например, это отличный инструмент для маркетологов разных грейдов, которым часто нужно готовить тексты для лендингов, e-mail-рассылок, карточек товара и генерировать креативные идеи для акций.
Здесь результатом становятся тексты и идеи, а не действие в системе. Финальное решение все равно принимает маркетолог.
Больше пользы, меньше времени: какие задачи решает генеративный ИИ, а какие —агентный
Если задача многоступенчатая и затрагивает несколько систем сразу, генеративной модели становится тесно в этих рамках. Ей приходится каждый раз «объяснять мир заново», при этом действия все равно выполняет человек — за ним последнее слово. Здесь и появляется пространство для внедрения агентного подхода.
Вот реальный пример запроса от предпринимателя или директора: «Посмотри, что у нас с дебиторкой по топ-20 клиентам: кто просрочил более чем на 30 дней, какие суммы и какие условия договора. Подготовь план действий и разошли письма тем, с кем мы готовы обсудить реструктуризацию. Сформируй мне сводный отчет».
Генеративная модель объяснит, как это сделать, поможет набросать шаблоны писем и заодно подсветит все риски. В целом это уже неплохой набор задач, но агентная система вполне способна сама внедриться в бухгалтерию и CRM.
Она выделит нужных клиентов по заданным правилам, создаст задачи менеджерам или сразу отправит письма (в рамках, разумеется, заданных прав). И заодно соберет итоговый отчет для руководителя.
Здесь «на лицо» фактически отработанная схема, которая позволит автоматизировать все рабочие процессы.
Например, такие процессы необходимы для юристов. Очень многие специалисты формируют договоры по шаблону и запускают согласования по заранее заданному маршруту. Контролировать дедлайны и проверять формулировки как раз помогает агентный ИИ, поскольку в этом случае без умения эффективно работать с CRM просто не обойтись.
Вместо бэкофиса: как агентный ИИ снимает головную боль сотрудников
Агентный ИИ оказывает видимую помощь бэк-офису — он может отладить все операционные процессы. Например, такой инструмент способен регулярно выгружать данные из нескольких систем, проверять их и даже ставить задачи ответственным, исходя из управленческой отчетности.
К примеру, юрист или менеджер может запросить у ИИ следующее: «Найди все действующие договоры с компанией за последние три года, посмотри, где в условиях прописаны штрафы за просрочку поставки, сделай резюме и поставь задачу подготовить обновленный шаблон».
В этом случае агентный ИИ самостоятельно найдет документы, отфильтрует их по параметрам и сделает выжимку ключевых условий и создаст задачу в системе управления проектами с приложенными материалами.
В итоге сотрудник будет работать не с «потоком документов», а с уже подготовленными материалами и четко обозначенными следующими шагами.
Пример промта для агентного ИИ (агент пересматривает данные о созвонах с клиентами в календаре и создает отчет)
Пример, когда агентный ИИ ищет голографические стикеры для компании по конкретному запросу
Муки выбора: для каких задач что лучше подходит
Благодаря генеративному ИИ задача решается в 1–2 шага, а результатом становятся тексты и идеи. При этом ошибки здесь не ведут к прямым финансовым или юридическим потерям.
В то же время агентный ИИ включает несколько шагов и систем (CRM, ERP, документооборот, почта, аналитика). Для агентов четко важна прослеживаемость: нужно понимать, кто и что делал, видеть историю процессов. К тому же ошибка в использовании этого инструмента дорого стоит: она несет за собой денежные и даже регуляторные риски.
На практике лучше всего использовать гибридный подход и совмещать разные виды ИИ.
Какие типичные ошибки совершает бизнес при работе с ИИ-инструментами
Выбор архитектуры «потому что модно»
Одни компании просят «сделать агента», не имея ни нормальных данных, ни интеграций, ни описанных процессов. Другие годами множат «ИИ-чатики», которыми никто толком не пользуется, потому что сотрудники все равно выполняют работу вручную.
Правильная последовательность обратная: сначала — карта задач и процессов, потом — понимание, где достаточно генеративной модели, а где есть смысл запускать агентный контур.
Отсутствие ценностных метрик
Во многих ИИ-проектах нет четких KPI. Обычно считают «количество запросов» или «количество пользователей», но обратить внимание стоит на другие метрики:
- сколько человеко-часов освобождено;
- на сколько сократилось время цикла операции;
- какой экономический эффект дали изменения.
В такой логике и генеративные, и агентные проекты обречены быть бесполезными «игрушками», которые никак не влияют на управленческие решения.
Недооценка затрат на данные и интеграции
Агентный ИИ живет не в вакууме, а в ландшафте систем. Чтобы он работал эффективно, необходимо предоставлять чистые и доступные данные; понятные роли и права доступа.
Заодно нужно обеспечить верные интеграции с ключевыми системами, логирование и контроль действий, чтобы избежать рисков.
Топ-3 совета для компаний по использованию ИИ
Проведите инвентаризацию задач
Все ваши задачи стоит разделить на две группы:
- одношаговые — включают написание, редактирование и консультации;
- многошаговые — это про цепочку действий, когда у вас есть несколько систем и ролей.
Это можно сделать в формате воркшопа с ключевыми подразделениями: продажи, маркетинг, финансы, операции, HR, юристы.
Затем выберите 1–2 сценария: первый — в зоне генеративного ИИ, где можно быстро показать пользу без сложных интеграций (контент, продажи, клиентский сервис, работа с документами). Второй должен быть сосредоточен в зоне агентного подхода с повторяемым процессом и понятным экономическим эффектом (согласование договоров, отчетность, часть работы бэк-офиса).
Важно заранее посчитать, чем будет измеряться успех — в рублях, процентах, часах или SLA.
Наладьте управление ИИ, а не только разработку
Для агентного ИИ особенно критичны регламенты: обозначьте, какие действия агент может выполнять сам, а где обязательно подтверждение сотрудника. Назначьте ответственных — тех, кто отвечает за результат, если агент совершил операцию. И подробнее опишите, какими вы видите отклонения и ошибки в процессах.
Посчитайте и сравните эффект от ИИ-инструментов
На уровне руководства полезно регулярно задавать один и тот же вопрос: «Какую часть этой работы может делать генеративный ИИ, а какую — агентный? Сколько нам это сэкономит или принесет?». Ответы на эти вопросы помогут быстрее сориентироваться в подходах.
Вместо вывода
Генеративный и агентный ИИ — не конкурирующие лагеря, а разные по уровню зрелости инструменты. Очевидно, что генеративные модели помогают людям думать и формулировать быстрее. Агентные же завязаны на действиях и процессах.
Для бизнеса сегодня важен не вопрос «какую модель взять», а четкое понимание, какие задачи важно закрыть именно с помощью ИИ. Выбирать, по нашему опыту, стоит те инструменты, которые действительно снимут часть работы с команды и помогут бизнесу улучшить показатели.
