Как создать ИИ-агента для вашего бизнеса без покупки готовых платформ и разработки с нуля

В любой компании есть процесс, который обходится дороже, чем следовало бы. Заявки в службу поддержки, на которые вручную отвечают три человека. Коммерческие предложения, каждый раз собираемые из одних и тех же пяти источников. Отчет, который кто-то заново составляет каждое утро понедельника. Это работает, это стоит дорого, а при росте объемов затраты увеличиваются пропорционально.

Поэтому вопрос заключается не в том, нужен ли вам ИИ-агент. Вопрос в том, сможет ли он выполнять этот процесс дешевле, чем ваша команда сейчас, и во сколько на самом деле обойдется его внедрение.

Ответ почти полностью зависит от того, какой из четырех путей вы выберете. При этом стоит сразу оговориться: вся эта категория решений еще очень молода. Два классических варианта — это покупка готового агента на специализированной платформе или его разработка на базе фреймворка силами ИТ-команды. Слово «классический» здесь означает историю примерно в три года: сами агентские фреймворки появились только в 2022–2023 годах. На протяжении большей части этой короткой истории существовали только эти два решения, и они находятся на противоположных полюсах одного и того же компромисса: первый вариант привязывает вас к чужому продукту, а второй превращает вас в ИТ-компанию.

С тех пор открылись еще два пути. Инструменты автоматизации рабочих процессов — n8n, Make, Zapier — годами связывали различные сервисы между собой, а недавно получили функции ИИ-агентов, став полноценным промежуточным вариантом. Наконец, совсем недавно появление продвинутых ИИ-кодеров (coding agents) открыло четвертый путь: теперь вы можете взрастить агента вокруг уже существующего у вас процесса вместо того, чтобы покупать или разрабатывать его с нуля. Этот путь появился позже, чем началось большинство корпоративных дискуссий о закупках, поэтому в ходе тендеров его упоминают крайне редко.

В этом руководстве приведена стоимость всех четырех вариантов с указанием источников и дат. Однако цена — не единственное, что их разделяет. Два самых важных вопроса никогда не фигурируют в коммерческих предложениях: кто должен управлять этой системой и что происходит, когда процесс меняется.

Содержание

• Четыре способа получить агента - и почему четвертый принципиально новый
• Что на самом деле считается бизнес-агентом
• Готовые решения и их стоимость
• Четвертый путь: как создать ИИ-агента методом взращивания
• Сколько на самом деле стоит ИИ-агент: сравнение четырех вариантов
• Какие из ваших процессов подходят для этого
• Почему последние 20% - это самая дорогая часть
• Часто задаваемые вопросы

Четыре способа получить агента — и почему четвертый принципиально новый

Начнем с двух классических вариантов, поскольку структуры их затрат противоположны и оба они применимы в реальной практике.

Агент на базе готовой платформы тарифицируется по объему потребления: примерно 2 доллара США за диалог или списание кредитов за каждое выполненное действие. Запуск пилотного проекта обходится дешево, затем затраты масштабируются по мере использования, пока в один из пиковых месяцев эта статья расходов не превратится в пятизначную сумму (все цены платформ в этом руководстве взяты из источников, актуальных на июнь 2026 года; они меняются ежемесячно). Заказная разработка полностью меняет эту структуру: требуются недели работы программистов еще до того, как система вообще запустится, но в итоге вы получаете систему, которая остается в вашей собственности — и ложится на ваши плечи в плане долгосрочного обслуживания.

Оба варианта могут стать правильным решением для определенных компаний. Крупному предприятию со штатом в 5 000 сотрудников, которому необходимы жесткий аудит и комплаенс, вероятно, стоит приобрести готовую платформу. Компания, чей основной продукт сам по себе является программным обеспечением, скорее всего, выберет собственную разработку. Но ни одна из этих моделей не подходит для среднего бизнеса, которому нужно качественно автоматизировать один конкретный процесс без бюрократии закупок и содержания собственного штата инженеров.

Именно для того, чтобы закрыть этот пробел, и существуют два других пути.

Сначала появился промежуточный путь. Инструменты автоматизации рабочих процессов — n8n, Make, Zapier — существуют уже много лет, связывая сервисы воедино, и лишь недавно они добавили сверху уровень ИИ-агентов. Сами инструменты не новы — нов их агентский функционал. Для простых, четко выверенных алгоритмов они работают быстро и действительно дешево. Однако они заходят в тупик при столкновении со сложной логикой, и кто-то по-прежнему должен их настраивать и поддерживать.

Четвертый путь — это принципиально новое решение. Он стал реальностью только с появлением эффективных ИИ-кодеров. Направьте такой инструмент на реальный бизнес-процесс, и он сам напишет скрипты и средства для его реализации. Таким образом, вместо покупки фиксированного агента или заказа его разработки, вы взращиваете его вокруг процесса, который уже выполняется в вашей компании.

Здесь следует прямо ответить на вполне очевидное возражение, которое хороший технический директор (CTO) выскажет сразу же: разве «взращивание» — это не та же «разработка», просто с более быстрым программистом? ИТ-подрядчик может направить ИИ-кодера на фреймворк и сдать вам тот же результат в два раза быстрее. Сильная команда разработчиков действительно способна создать полноценного агента: LangChain и аналогичные решения создают системы, которые умеют рассуждать и самостоятельно выбирать инструменты непосредственно в процессе выполнения. Так что разница заключается не в тезисе «они создают глупое ПО, а мы — умного агента». Это было бы дешевым и ложным аргументом.

Разница заключается в том, что именно остается у вас на руках в первый понедельник после запуска системы в промышленную эксплуатацию.

При стандартной разработке у вас остается программное обеспечение. При взращивании — у вас остается сам цикл, который создал агента.

Студия разработки использует ИИ-кодера как мощный инструмент, передает вам готовый артефакт и уходит, а машина, которая создала этот артефакт, уходит вместе с ними. При взращивании эта машина остается у вас. Агент, написавший ваш процесс, все еще находится на месте, все еще направлен на него и все еще способен его изменять. Вы купили не конечный результат работы, вы приобрели саму компетенцию.

Из этого вытекают два следствия, и именно из-за них четвертый путь — отдельная категория решений, а не просто скидка на услуги заказной разработки.

Кто должен управлять системой. Классическая разработка говорит на языке кода: программный инженер создает агента, и инженер должен возвращаться в проект каждый раз, когда что-то меняется. Взращивание делит эту работу на две части, и в этом разделении кроется весь смысл. Кто-то по-прежнему должен управлять инфраструктурной основой — настраивать ее, интегрировать инструменты, контролировать корректность проверок. Этот человек должен обладать реальными техническими навыками; позже мы вернемся к тому, почему его труд стоит оплачивать. Но человеком, который направляет работу, становится тот, кто досконально знает сам процесс: владелец бизнес-процесса, операционный менеджер или сотрудник, который выполняет эту работу сегодня. Они формулируют, как выглядит качественный результат, и оценивают, достиг ли его агент, используя язык бизнеса, а не язык программирования. В модели заказной разработки такой сотрудник может лишь создать заявку в техподдержку. В модели взращивания он сам держит руль управления, и в большинстве компаний среднего бизнеса такие специалисты уже находятся в штате.

Что происходит, когда реальность меняется. А она меняется всегда: корректируются цены, меняется формат документов у поставщика, исключение из правил становится регулярной практикой. В модели заказной разработки это влечет за собой запрос на изменения: привлечение инженера, постановку задачи в бэклог и последующий релиз. При взращивании же адаптация заложена в сам цикл работы — тот же направляемый процесс, который создал агента, справляется и с изменениями, поскольку агент никуда не исчезает. Путь заказной разработки дает вам моментальный снимок вашего процесса на определенный момент времени. Путь взращивания дает решение, которое развивается вместе с ним.

Таким образом, существует четыре способа получить агента: купить готовую платформу, собрать его из готовых компонентов в no/low-code конструкторе, разработать на базе фреймворка или взрастить на основе ИИ-кодера. В оставшейся части руководства приведена стоимость всех четырех вариантов, при этом четвертому подходу уделено больше всего места, поскольку о нем вам еще никто подробно не рассказывал.

Что на самом деле считается бизнес-агентом

Прежде чем оценивать цифры, необходимо прояснить одну важную деталь: слова на ценнике далеко не всегда отражают то, что вы приобретаете.

Термином «ИИ-агент» сейчас называются совершенно разные продукты. Чат-бот на сайте, отвечающий на вопросы, продается как ИИ-агент. Точно так же называют и систему, которая за ночь в автоматическом режиме проводит сверку счетов без какого-либо участия человека. Начните составлять список потенциальных поставщиков, и уже к вечеру вы соберете множество подобных примеров: одни и те же два слова используются для систем, которые кардинально различаются по своему функционалу и стоимости. Сравнивая коммерческие предложения, всегда проверяйте, что именно скрывается за вывеской, и только потом сопоставляйте цифры.

Самый надежный критерий оценки — это не степень автономности системы, а то, кто руководит процессом.

Если ведущая роль принадлежит человеку, а ИИ лишь помогает — вы спрашиваете, он отвечает, а вы определяете следующий шаг, — то перед вами ассистент (assistant), каким бы умным он ни казался. Если же ИИ ведет процесс, а человек лишь выносит финальное суждение — система сама определяет следующий шаг, выбирает инструмент, выстраивает последовательность задач, а человек лишь запускает процесс и утверждает результат, — то это агент (agent). Шкала, которая имеет значение, отражает переход от ассистента к агенту, и суть здесь именно в руководстве процессом, а не в физическом присутствии человека. Участие человека в цикле управления (human-in-the-loop) не превращает агента обратно в ассистента. Это похоже на разницу между менеджером, который выполняет работу сам, и руководителем, который управляет сотрудником, выполняющим эту работу.

Ниже приведена стоимость именно таких решений. Бизнес-агент — это система, в которой ИИ полностью ведет выполнение реального сквозного процесса (а не отдельной задачи или диалога), обладая инструментами для самостоятельных действий, в то время как человек лишь запускает ее и принимает ключевые экспертные решения. Именно за это стоит платить, и именно к этому относятся все четыре варианта сравнения стоимости ниже. (То, где именно на этой шкале должен находиться ваш агент, — это финансовый вопрос с неожиданным ответом; см. раздел Почему последние 20% — это самая дорогая часть).

Важное примечание перед тем, как мы продолжим: если ваша реальная потребность заключается исключительно в ведении диалога — клиенты целый день задают одни и те же пять вопросов, или поступают лиды, которые некому квалифицировать, — то вам нужен чат-бот, а не агент. Это другой продукт и гораздо менее масштабный проект. Мы вернемся к нему в конце статьи с конкретными цифрами, потому что для многих читателей дело в итоге сведётся именно к этому, более бюджетному варианту.

Все дальнейшие расчеты предполагают, что у вас есть полноценный процесс для передачи автоматизации. Если вам нужна полная классификация того, чем именно является агент с точки зрения его сути, а не стоимости, обратитесь к нашему сопутствующему материалу Что такое ИИ-агент для бизнеса. Эволюция от простого инструмента к чат-боту и агенту подробно описана в статье Пять поколений ИИ в бизнесе.

Готовые решения и их стоимость

Три из четырех путей — это решения, которые вы можете купить или собрать уже сегодня. Ниже описана структура затрат для каждого из них, а полные цифры приведены в сравнительной таблице ниже. Все данные взяты из открытых источников и актуальны на июнь 2026 года. Обязательно перепроверяйте их перед подписанием любых документов, так как тарифы меняются ежемесячно.

Покупка: корпоративные агентские платформы

Платформы тарифицируются по объему потребления, и в этом заключается вся суть их стоимости. Использование Salesforce Agentforce обходится примерно в 2 доллара США за один диалог; также можно заранее приобрести пакеты Flex Credits и расходовать около 20 кредитов (0,10 доллара США) за стандартное действие (тарифы Salesforce). Microsoft 365 Copilot стоит 30 долларов США за пользователя в месяц, при этом действия агентов тарифицируются отдельно через кредиты Copilot Studio (Microsoft). SAP Joule также учитывает каждое действие, и аналитики в сфере лицензирования предупреждают, что клиенты, не просчитавшие модель внедрения, могут столкнуться с ежегодными счетами за перерасчет лимитов на шестизначные суммы (анализ лицензирования SAP). ChatGPT Enterprise продается по индивидуальным тарифам — OpenAI не публикует эти цифры в открытом доступе, а циркулирующие на рынке данные (примерно 50–60 долларов США за рабочее место при наличии минимального объема закупки) исходят от реселлеров и покупателей, а не от самой компании OpenAI. Относитесь к ним как к ориентировочным оценкам, а не как к официальной оферте; юридическую силу имеет только та сумма, которая указана в вашем индивидуальном коммерческом предложении.

Общая черта всех четырех платформ одинакова: дешевый старт, но затем итоговый счет растет с каждым диалогом, действием и потраченным кредитом. При этом вы вынуждены вести процесс именно так, как это заложено поставщиком, потому что это его агент.

Для определенного типа компаний это идеальный вариант. Крупной корпорации на 5 000 рабочих мест, которой нужны единая точка входа (SSO), сквозной аудит, поддержка уровня Enterprise и контроль со стороны службы информационной безопасности, централизованная платформа подойдет. Оплата за каждое действие — это цена за то, чтобы вообще не думать об этих инфраструктурных проблемах. Для компании среднего бизнеса, автоматизирующей один или два процесса, это избыточные накладные расходы, однако существование этого компромисса вполне обоснованно и лишь подчеркивает специфику каждого случая.

Разработка: фреймворки с нуля

Путь разработки начинается с противоположной стороны. Такие фреймворки, как LangChain, CrewAI и AutoGen, имеют открытый исходный код — сами инструменты бесплатны. Вы оплачиваете рабочее время программистов, необходимое для создания архитектуры и интеграций, плюс токены языковых моделей, которые агент потребляет в процессе работы. Главным фактором стоимости здесь выступают человеко-недели разработчиков, а скрытые издержки начинаются уже после запуска: теперь вы владеете собственным программным обеспечением, и кто-то должен постоянно поддерживать его работоспособность по мере обновления ИИ-моделей и изменения самих бизнес-процессов. Вы решаете проблему зависимости от поставщика (vendor lock-in) тем, что фактически превращаетесь в ИТ-компанию. Для некоторых это оправданный обмен, но для большинства — это уход от профильной деятельности.

Промежуточный путь: no-code и low-code решения

Между покупкой готового продукта и разработкой с нуля находятся инструменты автоматизации рабочих процессов. Локальное развертывание n8n (self-hosted) обходится примерно в 3–7 долларов США в месяц за неограниченное количество запусков, плюс ваши собственные расходы на API языковых моделей; стоимость облачной версии (cloud tier) возрастает примерно от 24 до 800 долларов США в месяц по мере увеличения объема выполняемых операций (тарифы n8n). Стоимость платформы Make варьируется от бесплатного тарифа до примерно 29 долларов США в месяц в зависимости от количества операций (Make). Эти инструменты работают быстро и стоят дешево, если речь идет о простых и четко структурированных алгоритмах, но они пасуют перед сложной логикой, и вам все равно нужен специалист для их настройки и поддержки. Ранее мы уже подробно разбирали дилемму «создать или купить» применительно к чат-ботам; эта же логика применима и к агентам, но с добавлением еще одного варианта, который выходит за рамки классического выбора.

Четвертый путь: как создать ИИ-агента методом взращивания

Четвертый путь — это метод, который используем мы сами. Он позволяет создать ИИ-агента для вашей компании без затрат на дорогостоящие корпоративные платформы и без привлечения ИТ-команды для написания сложной архитектуры фреймворков с нуля.

В основе этого механизма лежит ИИ-кодер общего назначения, используемый в качестве фундамента для автоматизации. Именно этот подход применяется в ИИ-агентах, которые мы разрабатываем, и именно его мы используем в нашей собственной операционной деятельности. Вместо настройки фиксированного агентского функционала от стороннего поставщика или ручной сборки компонентов фреймворка, вы доверяете свой реальный бизнес-процесс продвинутому ИИ-кодеру (в нашей практике это Claude Code). Он самостоятельно пишет скрипты и небольшие утилиты для выполнения этого процесса, и эти инструменты хранятся в виде обычных файлов в вашем собственном репозитории. Если какой-то шаг оказывается нестабильным, следующая итерация оптимизирует инструмент под него. Агент не заменяет ваш процесс, он взращивается вокруг него.

Три фактора обеспечивают прозрачность и надежность этого подхода, и каждый из них напрямую влияет на итоговую стоимость.

Человек управляет и проверяет — каждый раз. Выражения «сам пишет свои инструменты» и «самосовершенствующийся» описывают инженерный цикл под управлением человека: специалист и агент совместно дорабатывают промпты, скрипты и инструменты, делая каждый шаг цикла немного эффективнее. Речь не идет о дообучении модели или ее самостоятельном изменении, как нет здесь и автономного, неконтролируемого создания инструментов. Экспертные решения всегда остаются за человеком. Такое присутствие человека в цикле управления (human-in-the-loop) — структурный, а не случайный элемент системы. Именно за него вы платите большую часть денег.

«Взращивание» — это не low-code. Кто-то должен управлять ИИ-кодером: либо вы сами, если у вас есть нужные специалисты внутри компании, либо ваш партнер. Не позволяйте никому продавать вам иллюзию того, что «это может делать каждый». Базовая инфраструктура (substrate) стоит дешево, но работа управляющего специалиста не бесплатна.

Инфраструктура должна быть мощной. Реальному бизнес-агенту необходима продвинутая модель и пространство для работы — эти два фактора приумножают друг друга, а не заменяют. Модель должна быть достаточно эффективной, чтобы логически анализировать ваш процесс, а выстроенная вокруг нее система должна на каждом шаге удерживать перед моделью релевантный срез этого процесса (за счет поиска данных, их сжатия и разбиения на подзадачи — ни один агент не удержит весь бизнес-процесс в одном контекстном окне, и любой поставщик, утверждающий обратное, никогда не запускал такие системы на практике). Небольшие дешевые модели пасуют перед сложной логикой, и никакой объем контекста их не спасет. Это реальное техническое требование, а не маркетинговый лозунг.

Одна важная оговорка о зависимости от поставщика: Путь взращивания обеспечивает меньшую привязку к платформе, поскольку ваш процесс существует в виде переносимых файлов и скриптов, которые принадлежат вам. Однако эта зависимость не равна нулю. Вы по-прежнему зависите от поставщика продвинутой модели, и его смена потребует реальной работы: придется заново настраивать промпты, перепроверять вызовы инструментов и тестировать результаты. Сформулируем точнее: ваш процесс переносим, и вы сами выбираете модель. Это принципиально более выгодная позиция, чем работа с платформой, которая владеет и процессом, и моделью.

Работает ли это? Вот наше доказательство и то, чем оно точно не является. Издательский конвейер этого сайта работает именно на такой инфраструктуре: исследование ключевых слов, подготовка черновиков, рецензирование несколькими критиками, публикация. При этом агент ведет работу, а человек выносит финальное суждение. По приведенному выше определению это настоящий бизнес-агент, и именно из этой практики родился описанный в статье метод. Каждый материал здесь проходит через сито проверки из восьми критиков, которые должны подтвердить соответствие планке качества перед публикацией. Если черновик отклоняется, исправления вносятся в инструкции агента, а не просто в текст статьи. Этот этап контроля — рутинная инженерная работа, которую большинство упускает, но именно она отличает агента, который просто выдает результат, от агента, под результатом работы которого вы готовы подписаться.

Ограничение стоит назвать прямо: мы тестируем это на себе. У нас пока нет внешних клиентов, использующих взращенного агента. Наше внешнее коммерческое подтверждение компетенций лежит в плоскости чат-ботов, а не агентов. Поставщики обычно размывают эту границу. Мы же предпочитаем, чтобы вы четко знали, на какой стороне находимся мы, и оценивали наши услуги соответствующим образом.

Сколько на самом деле стоит ИИ-агент: сравнение четырех вариантов

Для начала оцените альтернативу — то, как вы ведете процесс сегодня. Все руководства упускают этот момент, хотя это единственная цифра, которая определяет, стоит ли вообще затевать все остальное. Специалист среднего звена в России обходится примерно в 115 000 ₽ в месяц с учетом полных затрат (около 85 000–90 000 ₽ базовой зарплаты плюс страховые взносы, льготы и рабочее место). Таким образом, три человека, вручную обрабатывающие заявки, обходятся компании в 330 000–400 000 ₽ в месяц, и эта статья расходов растет вместе с объемом задач. Это ваш текущий статус-кво. Все описанные ниже варианты конкурируют именно с этой цифрой, а не друг с другом.

Теперь рассмотрим четыре пути. Реальная стоимость разработки ИИ-агента делится на три уровня: единовременные затраты (создание и интеграция), регулярные расходы (лицензии, токены моделей, хостинг, плата за коннекторы и поддержка) и тот пункт, который опускают почти все поставщики, — участвующий в процессе эксперт, который контролирует корректность работы агента. Платформы прячут расходы на токены внутри кредитов, и никто не включает эксперта в итоговый счет. Ниже приведено сравнение всех четырех путей с раскрытием каждой статьи расходов.

Эти данные — ориентировочные оценки для планирования, а не официальная оферта. Цены поставщиков меняются ежемесячно, и все приведенные ниже цифры актуальны на июнь 2026 года. Структура каждого столбца долговечна, в отличие от самих цифр.

* Инфраструктура: без прикрас. Для этапа разработки и небольших объемов задач подписка на Claude Code обходится в 20 долларов США в месяц (тариф Pro) или 100–200 долларов США в месяц (тариф Max). Но будьте осторожны с этой цифрой: тарифные планы по подписке — это лимитированные пакеты, созданные для интерактивной работы человека, они не подходят в качестве среды промышленной эксплуатации для автономного процесса. Реальный бизнес-агент, работающий по расписанию, тарифицируется по API-токенам: Claude Opus 4.8 стоит 5 долларов США за миллион входных токенов и 25 долларов США за миллион выходных (тарифы Claude, июнь 2026 года). Кэширование промптов (prompt caching) может снизить стоимость повторяющегося префикса до ~90% при попадании в кэш. Однако внимательно читайте условия: запись в кэш идет с наценкой ~1,25×, стандартное время жизни кэша составляет всего пять минут (вариант на один час доступен с наценкой 2× за запись), а префиксы объемом менее нескольких тысяч токенов вообще не кэшируются. Таким образом, при запуске агента раз в сутки рассчитывать на экономию от кэширования нельзя вообще, а при ежечасном запуске — только при выборе увеличенного времени жизни (TTL), что должно быть заложено в бюджет. Моделируйте реальный паттерн вызовов, не рассчитывайте на идеальный сценарий.

Пример расчета (раз уж мы призываем вас оценивать чужие коммерческие предложения): агент, который считывает ~50 000 токенов контекста за один запуск, генерирует ~5 000 токенов и запускается 20 раз за рабочий день, обходится примерно в: 50 тыс. × $5/млн + 5 тыс. × $25/млн ≈ 0,38 доллара США за один запуск — то есть около 150 долларов США в месяц затрат на токены. Более тяжелый контекст или высокая частота запусков увеличат эту сумму до нескольких сотен долларов. Именно так на практике выглядит тезис «инфраструктура стоит дешево»: это дешево по сравнению со специалистом за 115 000 ₽ в месяц и по сравнению с построчной тарификацией платформ, но это не бесплатно и это не 20 долларов.

† Обратите внимание на саму единицу измерения: базовая цена Agentforce указана за диалог — это метрика чат-бота, а не запуска сквозного процесса. Этот показатель нельзя напрямую сравнивать со следующими столбцами. Это та самая проблема неверной маркировки терминов, о которой говорилось выше, проявившаяся непосредственно в ценообразовании.

Если внимательно изучить таблицу, то в столбце «Взращивание» нет слова «бесплатно». Лицензия стоит недорого, а затраты на создание минимальны, поскольку агент под руководством человека сам генерирует необходимые инструменты. Реальные же расходы находятся там, где им и положено быть: они приходятся на участвующего в процессе эксперта, который превращает продвинутого ИИ-кодера в вашего бизнес-агента и гарантирует, что система выдает результат, под которым вы готовы подписаться.

Так за что же на самом деле платит клиент? За две вещи, которые мы намеренно разделяем. Первая — это инфраструктура: та самая бюджетная публичная статья расходов, которую клиент оплачивает напрямую по своему аккаунту. Вторая — абонентская плата эксперту: контракт на привлечение специалиста, который управляет этой инфраструктурой. Стоимость самой инфраструктуры — не цена услуги; смешение этих понятий — как раз та ошибка, к которой подталкивают платформы. Агент обходится дешево в эксплуатации. Но покупаете вы именно экспертизу, необходимую для управления им.

Какие из ваших процессов подходят для этого

Метод взращивания эффективен, но он имеет свои границы, и в этом руководстве эти границы нужно обозначить прямо. Бизнес-процесс — хороший кандидат на автоматизацию агентом, если отвечает трем критериям:

• Он повторяем. Процесс происходит регулярно и следует узнаваемому алгоритму. Ежемесячная сверка счетов подходит; решение, принимаемое раз в десять лет, — нет.
• Он выполняется на компьютере. Как входящие данные, так и сами действия находятся внутри программного обеспечения, к которому у агента есть доступ. Если этап требует телефонного звонка или физической подписи, агент с ним не справится.
• Он устойчив к проверкам (review-tolerant). Человек может проверить результат работы до того, как он повлечет за собой юридические или финансовые последствия, а редкая ошибка на этапе обучения агента не станет для компании фатальной.

Именно на третьем критерии отсеивается большинство задач. Некоторые процессы не подходят для автоматизации агентами, какими бы повторяемыми они ни были: одобрение кредитов, подача регуляторной отчетности, медицинские или юридические решения — все, что связано с высокими ставками или жестким комплаенсом, где непроверенная ошибка приведет к серьезным проблемам. Редко выполняемые, разовые задачи также не подходят — агенту просто не на чем учиться. Тезис «подходит практически любой процесс» — это маркетинговая версия; реальность же имеет четкие границы.

Если ваш процесс только что не прошел один из этих тестов, вот что стоит сделать дальше. В большинстве случаев задача, которая не соответствует этим критериям, является вовсе не процессом, а диалогом. Клиенты, задающие одни и те же вопросы; лиды, поступающие без квалификации; бронирования, по которым никто не перезванивает. Для этого существует чат-бот — принципиально иной продукт. Это проект с фиксированным объемом работ, а не непрерывный цикл оптимизации. Его стоимость составляет от 75 000 до 400 000+ руб. в зависимости от каналов связи и интеграций (вместо постоянной ежемесячной платы), а запуск занимает от четырех до десяти недель.

Именно такие решения мы успешно поставляли внешним коммерческим клиентам — например, для компании Royal Finance (более 30 кредитных продуктов, продажи) и бота для бронирования чартера яхт с поиском на естественном языке и фиксацией лидов в CRM. В то время как наши агентские наработки, если говорить честно, пока протестированы только на нас самих.

Если ваша проблема связана с диалогами, выберите более доступный и проверенный ответ: что умеют и сколько стоят наши чат-боты. В менее масштабном проекте нет ничего зазорного, а поставщик, который не может прямо сказать, какое именно решение вам нужно, занимается продажами, а не консалтингом.

Обратите внимание: критерий устойчивости к проверкам — как раз то основание, почему участие эксперта — структурная необходимость, а не опция. Агент оправдывает себя на тех процессах, которые человек может проконтролировать, а значит, присутствие человека в цикле заложено в систему изначально. Эту статью расходов невозможно устранить инженерным путем. Не уверены, какие из ваших процессов проходят эти три теста? Это первый вопрос, на который отвечает наша команда в рамках ИИ-консалтинга, и это будет самый эффективный час, который вы оплатите в этом проекте.

Почему последние 20% — это самая дорогая часть

Каждый поставщик продает идею полной автономности как конечную цель: никакого вмешательства, настроил и забыл, люди не нужны. Но если включить математику, окажется, что стремиться к этой цели экономически невыгодно.

Допустим, ваш агент полностью берет на себя 80% задач от начала до конца, а остальные передает вам. (Возьмем 80% как рабочую цифру, а не закон — реальный показатель зависит от процесса, но логика ниже применима к любому значению меньше 100%).

Это не означает «решение задачи на 80%». Предельный потолок роста производительности труда составит пять объемов работы на одного человека: теперь только в одном случае из пяти требуется решение человека вместо пяти из пяти. Но вы не достигнете этого потолка, так как это теоретический предел. Две причины снижают этот показатель.

Вы по-прежнему проверяете то, что выдает агент — в этом и заключается весь смысл участия человека в цикле управления. Проверка обходится дешевле выполнения, но она не бесплатна. Кроме того, задачи, которые агент возвращает человеку, по определению сложнее.

Если заложить в расчет реалистичные цифры для обоих факторов, результат окажется ближе к росту производительности сотрудника в два-три раза. Это все еще тектонический сдвиг для вашей структуры затрат, и вы получили его на «легких» 80%: на массовых, типовых кейсах, где было много примеров для обучения.

Теперь попробуйте выкупить оставшиеся 20%. Каждый последующий случай будет сложнее предыдущего — именно поэтому он и остался нерешенным. Некоторые ситуации уникальны, и для них почти нет данных. Другие связаны с высокими рисками, поэтому их в любом случае необходимо проверять. Третьи требуют телефонного звонка. Меньше примеров, больше пограничных условий, больше усилий на каждый процент автоматизации. При этом внешняя среда продолжает меняться: корректируются цены, меняется формат документов у поставщика, исключение становится правилом. Хвост сложных задач заполняется заново — никогда не так быстро, как вы его закрываете, но он никогда не пустеет до конца. Вы не заполняете фиксированный пробел, вы пытаетесь догнать ускользающую цель.

С помощью инженерии можно продвинуться далеко вглубь этого хвоста — используя защитные барьеры (guardrails), пороги уверенности модели для эскалации задачи на человека, регрессионное тестирование и канареечные релизы (canary runs). Это реальная работа, и мы ее делаем. Но обратите внимание, что именно вы при этом покупаете: покрытие, но не экспертное суждение. Проверки лишь показывают, что агент, скорее всего, справился правильно. Но они не подскажут, что делать в ситуации, где верный ответ зависит от понимания специфики вашего клиента, вашей маржинальности или того, что вы пообещали партнеру в прошлом квартале.

Чтобы автоматизировать это, вам понадобился бы контролирующий алгоритм с более широким контекстом и более глубоким пониманием сути бизнеса, чем сам процесс, за которым он следит. По нашему экспертному убеждению (это оценка, а не измерение), создание и поддержание такого контролирующего алгоритма обойдется дороже, чем содержание человека, которого он должен заменить — широкий контекст и глубинное понимание сути бизнеса как раз самые дорогие составляющие.

Кроме того, такой алгоритм унаследовал бы и всю юридическую ответственность, которую нес человек. А неконтролируемое экспертное решение, повлекшее ошибку, — это не просто низкая эффективность. Это недовольство клиентов, ущерб бренду и, все чаще, прямые юридические риски.

Таким образом, присутствие человека в цикле управления — это не временный вспомогательный этап, от которого вы со временем отказываетесь, и это не извинение поставщика за недоработанный продукт. Существует точка рациональной остановки задолго до достижения полной автономности, и она находится гораздо дальше от финишной черты, чем готовы признать те, кто продает автономность. Вы забираете кратный рост эффективности, но оставляете за собой контроль и экспертное суждение. Почти никто на этом рынке не скажет вам об этом, потому что тезис «мы доведем вас до большей части пути и намеренно остановимся» продавать сложнее, чем лозунг «полная автоматизация».

Ответим прямо на вопрос: «За что именно я плачу?» Если сопоставить все четыре пути: Покупка готовой платформы — это быстро, но сопровождается жесткой привязкой к поставщику, а счета растут по мере использования. Разработка — продукт полностью ваш, но и поддерживать его вам, привлекая инженера каждый раз, когда меняется реальность. Взращивание — сохраняет ваш процесс переносимым, работает на бюджетной инфраструктуре и управляется тем, кто досконально знает саму работу. Это оптимальный формат для среднего бизнеса, которому нужно качественно автоматизировать один конкретный процесс.

«Так почему бы нам просто не сделать это самим?» Вы вполне можете это сделать, и мы скорее признаем это прямо, чем будем делать вид, что это невозможно. Инфраструктура общедоступна, а токены стоят дешево. Если у вас есть сотрудник, который досконально знает процесс, обладает терпением направлять агента через хаотичные первые недели работы и имеет достаточный опыт, чтобы вовремя заметить скрытые ошибки в результатах ИИ, — вы сможете реализовать этот подход самостоятельно. Это жизнеспособный вариант, и некоторым компаниям стоит выбрать именно его.

Однако обратите внимание на то, о чем на самом деле шла речь в предыдущем разделе: Самым сложным никогда не был код: его здесь попросту нет. Не был им и сам инструмент. Сложность заключается в создании механизмов проверки, которые сигнализируют о том, что агент ошибся, а затем в управлении этим циклом неделя за неделей, пока хвост сложных задач продолжает заполняться. Это постоянная работа, а не разовый проект. Большинство внутренних попыток компаний внедрить подобные решения проваливаются не из-за технологий. Они терпят неудачу потому, что у цикла управления не оказалось владельца: к третьей неделе операционный менеджер возвращается к своим повседневным обязанностям, а полуконтролируемый агент начинает потихоньку выдавать результат, которому никто не может доверять. То, за что вы платите нам, — это декомпозиция задач, настройка проверок и дисциплина регулярного контроля. Это тот самый барьер из восьми критиков, который мы используем для себя, но направленный на ваш бизнес-процесс.

Существует также промежуточный путь, для которого мы с радостью подготовим коммерческое предложение: мы разворачиваем агента и обучаем владельца процесса с вашей стороны управлять им, после чего переходим на формат более легкого и бюджетного абонентского обслуживания. Это снижает затраты, обеспечивает большее вовлечение вашей команды, а сама компетенция остается внутри вашей компании. Вы можете запросить этот вариант.

Начните с недорогого шага, а не с масштабного проекта. Прежде чем кто-то выставит вам счет, полезно разобраться, какие из ваших процессов проходят три описанных выше теста, во сколько один из них обходится вам сегодня и сколько на самом деле будет стоить агент для него. Для этого существует бесплатный аудит готовности к ИИ — он займет один час вашего времени и не накладывает никаких обязательств. Мы прямо скажем вам, если решением вашей проблемы на самом деле является обычный чат-бот, более дешевая оптимизация или если вам вообще не нужно ничего менять.

Часто задаваемые вопросы

Сколько стоит создание ИИ-агента?

Стоимость ИИ-агента полностью зависит от выбранного пути. Агент на базе готовой платформы обходится дешево на этапе пилота, но затем тарифицируется по объему потребления — пакеты кредитов за действия при масштабировании могут выливаться в пятизначные или шестизначные суммы в год. Заказная разработка с нуля на базе фреймворка подразумевает бесплатные инструменты, но требует недель работы программистов, при этом поддержка ложится на ваши плечи, а инженер будет нужен при каждом изменении процесса. Путь взращивания складывается из умеренных затрат на инфраструктуру (API-токены для промышленной эксплуатации или подписка на ИИ-кодера за 20–200 долларов США в месяц для этапа разработки и небольших объемов задач) плюс из реальной статьи расходов — работы управляющего эксперта. Самая дешевая строка в смете никогда не является решающей; ключевое значение имеют затраты на эксперта и последующую поддержку.

Можно ли создать ИИ-агента без команды разработчиков?

Да, и в этом заключается самое очевидное различие между путями разработки и взращивания. Создание системы на базе фреймворка требует участия программного инженера как при написании, так и при каждом изменении процесса. В модели взращивания ИИ-кодер сам пишет скрипты и инструменты, поэтому направлять его работу должен человек, досконально знающий процесс, а не язык Python — то есть владелец бизнес-процесса или операционный менеджер, способный описать критерии качественного результата и оценить, достиг ли их агент. Исключить этого человека из цепочки нельзя. Кто-то все равно должен грамотно управлять инфраструктурой — этот навык реален и он не бесплатен. Но за штурвалом, определяя, что именно является «правильным» результатом, находится владелец процесса. Любой, кто утверждает, что человек здесь вообще не нужен, просто пытается вам что-то продать.

Стоит ли купить готовую платформу ИИ-агентов или разработать собственную?

Для большинства компаний среднего бизнеса ни один из этих вариантов не подходит в чистом виде. Покупка платформы — верный шаг для крупного предприятия, которому необходимы жесткий комплаенс, единая точка входа (SSO), сквозной аудит и поддержка уровня Enterprise (оплата за каждое действие покрывает все эти требования). Разработка с нуля имеет смысл только в том случае, если вы готовы полноценно владеть программным обеспечением и поддерживать его. Для компании, которой нужно качественно автоматизировать один или два процесса, обычно лучше подходит взращивание агента на базе ИИ-кодера: это снижает зависимость от поставщика, требует минимальных затрат на инфраструктуру и сохраняет эксперта в цикле управления. Независимо от того, создаете ли вы ИИ-агента для бизнеса своими силами или привлекаете партнера, путь взращивания оставляет процесс под вашим полным контролем.

Какой самый дешевый способ эксплуатации ИИ-агента?

С точки зрения чистой стоимости лицензий, инфраструктура при взращивании агента — самая доступная: это API-токены для работы по расписанию или подписка за 20–200 долларов США в месяц для этапа разработки. Однако «дешевый в эксплуатации» не означает «дешевый во владении»: стоимость, которая определяет ваш итоговый счет, — это экспертиза, необходимая для управления агентом, и поддержка, поддерживающая его работоспособность. Платформа, которая кажется недорогой на этапе пилота, становится самым дорогостоящим вариантом при масштабировании потребления. В то же время дешевая инфраструктура без контроля со стороны эксперта выдает результат, которому никто не сможет доверять. А попытка автоматизировать оставшиеся 20% автономности обойдется дороже, чем содержание человека, которого вы пытаетесь заменить — математика наглядно показывает, что остановиться нужно именно на соотношении 80/20. Оценивайте общую картину затрат, а не только стоимость лицензии.