Дать сотрудникам доступ к ChatGPT? Да, это использование AI. Но я бы пока не называл это внедрением AI в бизнес. Автоматизировать с помощью AI подготовку отчёта или документа? Уже ближе. Внедрить речевую аналитику в отделе продаж? Здесь AI уже становится частью рабочего процесса. Создать корпоративного AI-помощника, который работает с данными компании и встроен в её процессы? Это уже совсем другой уровень.

Сегодня фразу «мы внедряем AI» можно услышать всё чаще. Но на практике за ней могут скрываться совершенно разные вещи – от использования сотрудниками общедоступных нейросетей до изменения целых бизнес-процессов. На мой взгляд, эти вещи полезно разделять. Я бы выделил четыре уровня работы с AI.

1.AI как личный инструмент
Это самый доступный и сегодня, пожалуй, самый распространённый уровень. Сотрудник использует ChatGPT или другой AI-сервис, чтобы быстрее написать письмо, подготовить презентацию, структурировать большой объём информации, проанализировать документ, найти идеи или подготовиться к встрече.
Польза для бизнеса здесь вполне реальна: сотрудник может выполнять часть работы быстрее, получать дополнительную информацию, осваивать новые инструменты. Более того, я считаю, что умение работать с AI постепенно становится таким же базовым профессиональным навыком, каким когда-то стало умение работать с компьютером. Но сам бизнес-процесс при этом практически не меняется: человек продолжает выполнять примерно ту же работу, просто использует для этого новый инструмент. Поэтому я бы разделял понятия «сотрудники компании используют AI» и «компания внедрила AI».

2.AI как инструмент автоматизации
Следующий уровень – использование AI для выполнения конкретных операций. Например, можно автоматически расшифровывать разговоры, анализировать документы, готовить резюме встреч, классифицировать обращения клиентов, извлекать необходимую информацию из больших массивов данных. Здесь AI уже перестаёт быть исключительно личным инструментом сотрудника и становится частью корпоративной системы.
Такие проекты могут давать очень хороший эффект. Но я бы всегда задавал дополнительный вопрос: что именно произошло с процессом? Если раньше сотрудник выполнял операцию вручную, а теперь ту же самую операцию выполняет AI, мы автоматизировали существующий процесс – сделали его быстрее, дешевле или проще. Это полезно, но ещё не обязательно означает, что мы изменили сам способ работы бизнеса.

3.AI как часть бизнес-процесса
А вот здесь начинается более интересная история. Представим отдел продаж. Можно взять отдельную запись разговора менеджера с клиентом, загрузить её в AI-сервис, получить расшифровку и попросить проанализировать разговор. Это использование AI. А можно автоматически обрабатывать все разговоры отдела продаж: система сама получает записи из IP-телефонии, анализирует выполнение стандартов, выявляет возражения клиентов, определяет проблемные зоны и формирует аналитику для руководителя. В этом случае AI уже встроен в бизнес-процесс.
Другой пример – работа с корпоративными документами. AI может не просто распознавать текст, а извлекать необходимые данные, проверять заданные условия, выделять ситуации, требующие внимания человека, и передавать результат на следующий этап процесса. Или корпоративный AI-помощник может анализировать разговор менеджера с клиентом в режиме реального времени, обращаться к корпоративной базе знаний и подсказывать сотруднику необходимую информацию или следующий шаг. Здесь меняется уже не отдельная операция – начинает меняться сама организация работы.
Вместе с этим меняется и характер AI-проекта. Возникают вопросы интеграции с существующими системами, качества и доступности данных, информационной безопасности, ответственности за результат, изменения процессов и работы сотрудников. Именно поэтому серьёзное внедрение AI – это далеко не только выбор модели или разработка хорошего промпта. Чем глубже AI встраивается в работу компании, тем больше такой проект становится управленческим и организационным проектом – просто с очень мощной технологией внутри.

4.AI как управленческое решение
А дальше начинается то, что лично мне наиболее интересно. Большинство проектов автоматизации начинается с вопроса: «Как с помощью AI быстрее делать то, что мы уже делаем?» Я предлагаю попробовать поставить вопрос иначе: «Что благодаря AI мы теперь можем делать принципиально по-другому?»

Разница кажется небольшой, но именно она меняет подход. Если мы просто автоматизируем существующую операцию, то берём сегодняшний процесс и пытаемся сделать его эффективнее. Но возможности AI позволяют пойти дальше: пересмотреть сам процесс, убрать часть привычных операций, по-другому распределить функции между человеком и системой, изменить способы контроля, взаимодействия с клиентом, анализа информации и принятия решений. И вот здесь AI становится уже не просто инструментом автоматизации, а основанием для управленческого решения.

Именно поэтому, когда я работаю с AI-проектами, мне гораздо интереснее начинать не с вопроса «какую технологию можно внедрить?», а с бизнес-задачи: что именно в работе компании мы хотим изменить?
Чем выше уровень, тем лучше?

Нет. И это, на мой взгляд, принципиально важный момент. Из описанных выше четырёх уровней легко сделать неправильный вывод: первый – самый простой, четвёртый – самый продвинутый, следовательно, компании нужно как можно быстрее двигаться к четвёртому. Я с этим не согласен.

Компания может увидеть очень перспективный AI-проект, способный существенно изменить большой кросс-функциональный процесс. Потенциальная ценность такого проекта может быть огромной, но одновременно он может потребовать изменений сразу в нескольких подразделениях, сложных интеграций, большого объёма данных и участия множества людей. Вероятность успешно реализовать именно такой проект в качестве первого может оказаться невысокой. Поэтому уровень потенциального изменения бизнеса и правильная точка старта – это не одно и то же.

Первый AI-проект прежде всего должен состояться

Для первого проекта я бы скорее выбирал относительно изолированную задачу с понятным входом и понятным результатом, измеримым эффектом и конкретным владельцем со стороны бизнеса. Не обязательно самый масштабный проект, не обязательно самый технологически сложный и даже не обязательно тот, у которого на бумаге максимальный потенциальный эффект. Первый AI-проект в компании прежде всего должен состояться.

Компания должна пройти весь путь: сформулировать бизнес-задачу, разработать решение, внедрить его, встроить в реальную работу и получить результат. Вместе с этим появляется собственный опыт: становится понятнее, какие нужны данные, как взаимодействуют бизнес и разработчики, где возникают организационные сложности, как сотрудники воспринимают изменения. После этого можно двигаться дальше – в том числе к гораздо более сложным и трансформационным проектам.

Поэтому, когда компания говорит мне: «Мы хотим внедрить AI», я спрашиваю: «Что именно вы хотите изменить в бизнесе?» А уже следующий вопрос – с какого проекта имеет смысл начинать.

Когда компания впервые начинает внедрять AI, возникает естественное желание найти самый масштабный проект – тот, который потенциально даст максимальный эффект. Но моя практика внедрения AI-проектов показывает, что на старте эффективнее другой подход.

Для первого AI-проекта особенно важно одно – он должен состояться. Поэтому в качестве первого проекта я рекомендую выбирать максимально определённые задачи.

Что значит «максимально определённая задача»
Важно выбрать такой процесс для внедрения AI, в котором заранее определены:
– границы процесса – понятно, где он начинается и где заканчивается;
– полный перечень необходимых исходных данных и их источников;
– правила работы и возможные исключения;
– конкретный и проверяемый результат;
– руководитель, который отвечает за бизнес-результат проекта.

Желательно также, чтобы большая часть процесса находилась внутри управляемого компанией контура. Чем меньше первый проект зависит от внешних данных, подрядчиков, других подразделений и событий, на которые компания не может повлиять, тем выше вероятность успешно довести его до результата.

При этом хороший первый AI-проект – не обязательно самый простой. Он должен быть максимально определённым.

Хороший пример – один из проектов Wave AI, связанный с анализом банковских выписок для арбитражных управляющих.
В рамках процедуры банкротства физического лица арбитражному управляющему необходимо анализировать банковские документы за период до трёх лет и находить операции, соответствующие определённым критериям. Документы могут приходить в разных форматах: PDF, Excel, изображения, сканы.
Сама задача весьма непростая, но при этом хорошо определённая. Есть понятный набор входных документов, известны правила анализа и понятен результат, который должен получить пользователь.
Мы разработали решение, которое распознаёт и анализирует банковские выписки, находит необходимые операции и формирует структурированный результат. Работа, которая раньше могла занимать часы или дни, выполняется за минуты.

Что происходит после успешного первого проекта
Успешный первый проект даёт компании гораздо больше, чем одно работающее AI-решение. Появляется собственный опыт: как ставить задачи, работать с данными, взаимодействовать с разработчиками, проверять результат и внедрять изменения в реальную работу.
Но происходит ещё одна важная вещь – меняется сам стиль мышления. Когда люди на практике видят, что AI действительно работает, они начинают по-другому смотреть на привычные процессы, замечать возможности, которых раньше не видели, и гораздо шире мыслить о том, что в компании можно делать иначе.
В очередной раз мы наблюдаем этот эффект на примере проекта для арбитражных управляющих.
После запуска анализа банковских выписок возник следующий очевидный шаг. На основании найденных операций пользователю необходимо готовить запросы в банки. Мы разработали второе решение: пользователь выбирает необходимые операции, а система автоматически формирует готовые запросы в формате Word.
То есть результат одного автоматизированного этапа стал исходными данными для следующего.
А дальше появились ещё две потенциальные задачи для применения AI: обработка входящей корреспонденции и автоматическая подготовка заявления о банкротстве на основании полного комплекта разнородных документов.
Получается характерная последовательность: сначала решается одна хорошо определённая задача, затем появляется работающий результат и собственный опыт, после чего компания начинает видеть следующие возможности применения AI уже внутри более широкого процесса.

А иногда правильное решение – не автоматизировать процесс целиком
Бывает и обратная ситуация. Недавно мы обсуждали с клиентом возможность автоматизации достаточно сложного бизнес-процесса. Уже на этапе предварительного анализа стало понятно, что пытаться автоматизировать его целиком в существующем виде – плохая идея.
Процесс длинный, в нём много этапов, развилок, исключений и зависимостей. Часть результата определяется факторами, которые находятся за пределами самого процесса.
Это не означает, что AI здесь не нужен. Наоборот, внутри такого процесса могут находиться отдельные задачи, которые прекрасно подходят для автоматизации.
Поэтому вместо попытки сразу автоматизировать весь процесс целиком мы предложили сначала декомпозировать его и определить отдельные участки с понятными границами, входными данными и результатом.
Это важный принцип: иногда правильное решение по итогам анализа потенциального AI-проекта – изменить первоначальную постановку задачи.

Самый ценный проект не всегда должен быть первым
У компании может быть AI-проект с огромным потенциальным эффектом. Но если для его реализации необходимо одновременно изменить несколько процессов, интегрировать множество систем, собрать отсутствующие данные и вовлечь большое количество подразделений, вероятность успешного первого запуска может оказаться невысокой.
И наоборот, более локальный проект может иметь меньший потенциальный эффект, но гораздо более высокую вероятность успешной реализации.
Поэтому при выборе AI-проектов недостаточно оценивать только их потенциальную ценность для бизнеса. Нужно отдельно оценивать и то, насколько проект в принципе готов к успешному запуску.
Именно поэтому я разделяю две характеристики потенциального AI-проекта – VALUE и STARTABILITY.

В предыдущей статье я писал о том, что для первого AI-проекта особенно важно одно – он должен состояться. Первый успешный проект даёт компании не только работающий инструмент, но и собственный опыт внедрения AI: понимание того, как ставить задачи, работать с данными, взаимодействовать с разработчиками и проверять результат.
Но отсюда возникает следующий вопрос. Потенциальных вариантов применения AI даже в одной компании может оказаться несколько десятков. Как понять, какой из них действительно стоит реализовывать и с какого лучше начинать?

Самый очевидный подход – выбрать проект, который способен дать бизнесу максимальный эффект. На практике этого недостаточно. Я предлагаю оценивать потенциальные AI-проекты одновременно по двум параметрам – VALUE × STARTABILITY.

VALUE: начинаем с того, что действительно болит
VALUE отвечает на вопрос: насколько проект действительно важен для бизнеса?
Универсального набора критериев здесь, на мой взгляд, быть не должно. В момент выбора проекта для компании наиболее значимыми могут быть затраты, дефицит сотрудников, скорость определённого процесса, качество работы, клиентский опыт или возможности для роста. Через некоторое время приоритеты могут измениться – важно понимать, что сильнее всего «болит» у бизнеса именно сейчас.
Поэтому первый вопрос должен быть не «где мы можем применить AI?», а «какую бизнес-задачу нам действительно важно решить?»
Это принципиальная для меня последовательность – business first. Сначала бизнес и его проблема, затем возможное решение и только после этого конкретная технология.
Хороший пример – один из наших проектов для арбитражных управляющих. В процедуре банкротства необходимо анализировать банковские операции физического лица за период до трёх лет. Данные поступают из разных банков в десятках документов и разных форматах – PDF, Excel, сканах и графических файлах.
Специалисту приходится вручную просматривать весь этот массив и находить необходимые операции. В зависимости от конкретного дела такая работа могла занимать от половины рабочего дня до нескольких дней. Именно время, которое специалист тратил на эту работу, было одной из наиболее болезненных проблем бизнеса и, соответственно, одной из главных составляющих VALUE проекта.
После автоматизации большой архив разнородных документов обрабатывается системой за минуты. Весь массив проверяется по единым заданным критериям, специалист получает уже отобранные операции для дальнейшей работы, а объём документов перестаёт напрямую определять объём ручного труда.
Есть и менее очевидный эффект. Результат можно получить именно тогда, когда он нужен. Если большой объём работы внезапно необходимо выполнить к следующему утру, наличие бюджета само по себе проблему не решает: невозможно ночью мгновенно найти необходимое количество квалифицированных специалистов. Автоматизированная система может обработать документы независимо от времени суток.
То есть VALUE конкретного проекта определяется не абстрактной «полезностью AI», а реальной проблемой конкретного бизнеса и тем, насколько существенно решение меняет ситуацию.

STARTABILITY: насколько проект определён
Но высокой ценности недостаточно.
Можно найти задачу с огромным потенциальным эффектом, потратить значительные ресурсы на её автоматизацию и в итоге столкнуться с таким количеством неопределённости, исключений и внешних зависимостей, что проект будет крайне сложно довести до работающего результата.
Поэтому второй параметр – STARTABILITY. Он отвечает на другой вопрос: насколько высока вероятность, что именно этот проект удастся нормально запустить и довести до работающего результата?
Для первого AI-проекта я особенно внимательно смотрю на то, насколько задача определена.
Что конкретно приходит на вход? Известны ли все источники исходных данных? Что именно должно получиться на выходе? Можно ли полностью описать существующий процесс и его правила? Какие существуют исключения? Может ли специалист вручную пройти этот процесс от начала до конца и получить результат, с которым затем можно сравнить работу системы?
Не менее важно, насколько процесс находится внутри контролируемого компанией контура. Чем меньше критических зависимостей от внешних данных, подрядчиков, других подразделений и событий, на которые команда проекта не может повлиять, тем выше вероятность успешного старта.

Ещё один важный фактор – единый владелец проекта со стороны бизнеса. У проекта должен быть человек, который отвечает за результат, обладает необходимыми полномочиями и способен оперативно принимать решения. Кросс-функциональный проект тоже вполне может быть выбран в качестве первого, но при условии, что ответственность за конечный результат не распределена между несколькими равноправными владельцами.
Сам по себе этот принцип, конечно, относится не только к AI – он справедлив практически для любого проекта. Но при внедрении AI его значение особенно заметно. Такие решения можно разрабатывать достаточно быстро, и длительные согласования на стороне заказчика способны стать главным ограничением скорости всего проекта.

В проектах Wave AI мы стараемся двигаться короткими итерациями, поэтому это особенно хорошо видно на практике: скорость реализации начинает определяться не только скоростью разработки, но и тем, насколько оперативно со стороны заказчика принимаются необходимые решения и предоставляется информация.
В идеальной для первого проекта ситуации логика достаточно проста: мы хорошо понимаем, как эту работу сегодня выполняет человек, можем полностью описать процесс, знаем вход и ожидаемый выход, способны проверить результат автоматизации и понимаем, кто со стороны бизнеса отвечает за проект.

Это вовсе не означает, что задача должна быть простой. Она может быть технологически сложной. Важно другое – она должна быть максимально определённой.

Матрица VALUE × STARTABILITY
Если совместить два параметра, получается достаточно простая матрица.
Высокий VALUE + высокая STARTABILITY.
Очевидный кандидат на первый проект. Задача действительно важна для бизнеса, а вероятность получить работающий результат достаточно высока.
Высокий VALUE + низкая STARTABILITY.
Очень интересная задача, к которой, возможно, имеет смысл вернуться позже. Высокая потенциальная ценность ещё не означает, что именно с неё нужно начинать.
Низкий VALUE + высокая STARTABILITY.
Такой проект легко реализовать, но возникает другой вопрос: зачем? Сам факт того, что какую-то задачу удобно автоматизировать с помощью AI, ещё не делает её хорошим AI-проектом.
Низкий VALUE + низкая STARTABILITY.

Здесь выбор очевиден: вкладывать ресурсы в такой проект просто нецелесообразно.
Получается, что ошибка возможна с обеих сторон. Можно взяться за очень ценную задачу, которую компания пока не способна нормально реализовать. А можно выбрать то, что очень легко сделать, но что практически ничего не изменит для бизнеса.
На практике выбирать между этими двумя крайностями обычно не требуется. Через нас прошло уже достаточно разных проектов, и мой опыт показывает: если речь идёт о достаточно сложном бизнесе с большим количеством процессов, проект с одновременно высоким VALUE и высокой STARTABILITY можно найти практически всегда.

Что происходит после первого успешного проекта
В кейсе с арбитражными управляющими именно поэтому мы начали с анализа банковских выписок. С одной стороны, это была действительно болезненная для бизнеса задача. С другой – достаточно определённый процесс: известен исходный массив документов, понятны критерии поиска, известен требуемый результат, а специалист способен проверить качество работы системы.
Следующей стала непосредственно связанная задача – автоматическое формирование запросов в банки по найденным операциям. Она уже тоже реализована. Более того, мы оформили это решение как общедоступный сервис, которым может воспользоваться любой арбитражный управляющий. Зарегистрироваться и попробовать его можно здесь: https://docs.wave-ai.ru/.

Но дальше произошло нечто более интересное. После появления первого работающего решения заказчик начал по-другому смотреть на собственный бизнес.
До этого AI был технологией, о возможностях которой можно рассказывать на встречах и показывать на чужих примерах. После реализации проекта заказчик увидел всё на собственном процессе: работа, которая раньше требовала огромного количества ручного времени, действительно может выполняться совершенно иначе.
Меняется отношение к самой технологии. Появляется доверие. Появляется опыт постановки задачи – заказчик уже понимает, почему необходимо подробно описывать процесс, данные, исключения и ожидаемый результат. Но самое интересное – появляется способность замечать другие участки собственного бизнеса, которые раньше вообще не воспринимались как потенциальные кандидаты на автоматизацию.
Так в дальнейших обсуждениях появились новые самостоятельные задачи. Одна из них – обработка входящей корреспонденции и поступающих документов. Другая – автоматическое формирование заявления о банкротстве, на подготовку которого специалист также тратит несколько часов.
Это не последовательные ступени одной технологической цепочки. Это разные процессы и участки бизнеса. И каждый из них теперь можно отдельно оценить по уже знакомым двум параметрам: какой VALUE даст автоматизация и насколько высока STARTABILITY конкретного проекта.

Первый проект меняет не только процесс
Поэтому первый успешный AI-проект даёт компании как минимум два результата.
Первый – непосредственный бизнес-эффект от самого решения: экономию времени, повышение качества, новые возможности или другой результат, ради которого проект вообще запускался.
Второй – собственный опыт компании. Руководители начинают лучше понимать возможности и ограничения AI, точнее ставить задачи и иначе смотреть на существующие процессы. Следующие проекты выбираются уже не на основании абстрактных представлений о технологии, а на основании собственного опыта её применения.
Именно поэтому первый AI-проект не должен быть компромиссом между «полезно» и «реализуемо». Нужно найти проект, который одновременно достаточно ценен для бизнеса и достаточно определён, чтобы с высокой вероятностью состояться.

В достаточно сложном бизнесе такой проект есть практически всегда.

Ещё недавно для большинства пользователей знакомство с искусственным интеллектом начиналось с простого сценария: открыть ChatGPT или другой сервис, написать запрос и получить ответ. Подготовить текст, проанализировать документ, найти идею, разобраться в незнакомой теме. Сегодня возможности AI значительно шире. Системы не только отвечают на вопросы, но и анализируют корпоративные данные, выполняют операции в бизнес-приложениях, участвуют в автоматизации процессов и даже создают новые программные инструменты по текстовому описанию.

При этом всё чаще используется термин «AI-агент». Иногда им обозначают действительно самостоятельные системы, способные выбирать последовательность действий. А иногда – практически любую автоматизацию, в которой присутствует языковая модель. Для руководителя это не просто вопрос терминологии. От понимания различий зависит, какое решение выбирать, сколько будет стоить внедрение, насколько предсказуемым окажется результат и какие действия можно доверить системе. Попробуем разобраться, какие варианты уже доступны бизнесу и чем они принципиально отличаются.

Сразу оговорюсь: рынок AI развивается чрезвычайно быстро. Появляются новые продукты, существующие платформы расширяют функциональность, а границы между разными классами решений становятся всё менее чёткими. Один продукт может одновременно выполнять функции ассистента, автоматизировать операции и использовать агентные механизмы. Поэтому приведённые ниже примеры не претендуют на исчерпывающую классификацию. Наша задача – увидеть основные возможности и понять, как они могут использоваться для решения бизнес-задач.

Готовые AI-инструменты: человек ставит задачу и получает результат
Самый знакомый вариант – универсальные AI-ассистенты. ChatGPT, Claude, GigaChat и другие подобные продукты помогают работать с информацией: готовить документы, анализировать данные, формулировать гипотезы, исследовать вопросы. Для бизнеса это уже вполне полезный инструмент. Руководитель может использовать AI при подготовке стратегии, маркетолог – для исследования аудитории, юрист – для предварительного анализа документов.
Отдельное направление – интеллектуальный поиск и исследовательские системы. Например, Perplexity объединяет поиск информации с её анализом и подготовкой ответов на основе найденных источников. Более сложные исследовательские режимы способны выполнять последовательность поисковых и аналитических действий, прежде чем сформировать результат. Здесь важно заметить изменение: пользователь всё чаще получает не просто ответ на отдельный вопрос, а результат выполнения более сложного поручения. Однако сам факт использования AI-инструмента ещё не означает, что компания внедрила AI в свои бизнес-процессы. Если сотрудник вручную переносит полученные результаты в корпоративные системы, сама организация работы может оставаться прежней.

AI внутри привычных корпоративных систем
Следующее важное направление – развитие AI внутри программных продуктов, которыми компании уже пользуются. CRM, системы управления задачами, корпоративные базы знаний и офисные приложения постепенно получают собственные интеллектуальные функции. Например, Битрикс24 развивает Коворк/Код – инструменты, позволяющие работать с корпоративными данными, выполнять доступные действия и создавать приложения по текстовому описанию. Похожие направления развиваются в Notion и Microsoft, которые встраивают AI-помощников и агентные механизмы непосредственно в рабочую среду.
Для бизнеса здесь особенно интересно то, что AI перестаёт быть отдельным окном, между которым и рабочими системами сотрудник постоянно переносит информацию. Он получает доступ к рабочему контексту и, в пределах предоставленных полномочий, может участвовать в выполнении реальных задач. Но доступ к корпоративным данным и возможность выполнять действия – не одно и то же. При внедрении таких решений необходимо понимать, что система может читать, что может изменять, какие действия требуют подтверждения и кто отвечает за результат.

AI-автоматизация: когда система выполняет конкретную работу
Есть другой, не менее важный класс решений – специализированная автоматизация бизнес-задач с использованием AI. Представим компанию, которая регулярно получает большое количество документов. Сотрудники открывают файлы, находят нужную информацию, проверяют её по установленным критериям, переносят результаты в таблицы и формируют итоговые документы. Такую работу можно автоматизировать, объединив распознавание документов, AI-анализ и обычные программные правила.
Например, в одном из проектов Wave AI мы автоматизировали анализ банковских выписок для арбитражных управляющих. Исходные данные могут включать документы за несколько лет, предоставленные в разных форматах. Система извлекает операции, применяет заданные критерии отбора и формирует структурированный результат. Работа, которая при ручной обработке могла занимать многие часы, выполняется существенно быстрее.
И здесь принципиальный момент: такое решение не обязательно является AI-агентом. Последовательность действий может быть определена заранее. Система получает документы, обрабатывает их, проверяет установленные условия и формирует результат. Интеллектуальные модели выполняют те операции, которые трудно или неэффективно реализовать обычными программными правилами. При этом решение может приносить бизнесу значительную пользу без какой-либо сложной агентной архитектуры.
Аналогичная логика применима к речевой аналитике. AI распознаёт разговоры, извлекает необходимые сведения, определяет характеристики коммуникаций и формирует данные для управленческого анализа. Но сама система не обязана самостоятельно решать, какие действия предпринять для изменения работы отдела продаж или контакт-центра. Такие решения ценны прежде всего тем, что позволяют выполнять ранее трудоёмкую работу систематически, с заданной периодичностью и в необходимом масштабе.

Что принципиально отличает AI-агента
У термина «AI-агент» пока нет единственного определения, одинаково используемого всеми разработчиками. Но есть полезное практическое различие: в обычной автоматизации последовательность основных действий определяется заранее, а в агентной системе AI может самостоятельно выбирать, какие действия и инструменты использовать для достижения поставленной цели.
Например, руководитель поручает подготовить анализ причин снижения продаж. Обычная автоматизация может по установленному алгоритму выгрузить показатели из CRM, сравнить их с предыдущим периодом и сформировать отчёт по заданному шаблону. Агентная система потенциально способна действовать иначе: изучить показатели, определить, каких данных недостаточно, обратиться к дополнительным источникам, проверить возникшие гипотезы и выбрать следующие шаги исследования.
При этом агент не обязательно должен обладать полной свободой действий. Его самостоятельность ограничивается доступными инструментами, разрешениями, правилами и контрольными точками. В частности, система может самостоятельно собирать и анализировать информацию, но не иметь права изменять цены, отправлять коммерческие предложения или распоряжаться бюджетом без подтверждения человека. Именно сочетание способности выбирать действия с установленными полномочиями делает агентные решения интересными для бизнеса. Однако большая самостоятельность одновременно усложняет контроль. Если система сама определяет последовательность работы, необходимо проверять не только конечный результат, но и допустимость выполненных действий.

AI уже может создавать программные инструменты
Ещё одно быстро развивающееся направление – создание сайтов, приложений и автоматизаций по текстовому описанию. Например, Сбер представил GigaStudio – сервис для создания сайтов и веб-приложений без необходимости самостоятельно писать программный код. Сходные возможности развивает Битрикс24 в режиме «Код». Пользователь описывает задачу, а система помогает создать соответствующий программный инструмент.
Это существенно меняет доступность разработки небольших внутренних сервисов. Раньше для создания даже относительно простого приложения компании часто требовались отдельная постановка задачи, разработчик, тестирование и развёртывание. Теперь часть этой работы может выполняться с помощью AI. Но здесь важно не путать скорость создания прототипа с готовностью решения к промышленной эксплуатации. Приложение, созданное по текстовому описанию, всё равно необходимо проверять: правильно ли оно обрабатывает данные, обеспечивает ли безопасность, учитывает ли исключения, можно ли его сопровождать и развивать.
Кроме того, создание программного продукта с помощью AI – это характеристика решаемой задачи, а не обязательно отдельный архитектурный класс. Внутри таких инструментов могут использоваться как агентные механизмы, так и заранее организованные последовательности действий.

Почему бизнесу не всегда нужен агент
После знакомства с такими возможностями может возникнуть впечатление, что развитие AI обязательно должно идти от простого ассистента к автоматизации, затем к агенту и далее к полностью самостоятельным системам. На мой взгляд, это ошибочная постановка вопроса. Перед нами не обязательные этапы технологической эволюции, а разные способы решения задач. Они могут сосуществовать внутри одной компании, дополнять друг друга и использоваться в самых разных сочетаниях.
Если бизнес-процесс хорошо определён, входные данные известны, правила обработки понятны, а результат можно проверить по установленным критериям, часто разумнее использовать предсказуемую автоматизацию. Если же задача предполагает исследование, неопределённость, необходимость выбирать источники и менять последовательность действий в зависимости от промежуточных результатов, агентный подход может оказаться более подходящим. Но даже в этом случае следует отдельно оценивать стоимость, надёжность, права доступа и последствия возможных ошибок. Сложность архитектуры сама по себе не является преимуществом.
Более того, компания может широко использовать AI в маркетинге, продажах, документообороте и клиентском сервисе, не передавая автономным агентам управление этими функциями. AI может выполнять значительную часть работы, но определение целей, принятие ключевых решений и ответственность за бизнес-результат остаются вопросами управления.

Выбирать нужно не технологию, а способ решения задачи
В предыдущих статьях цикла мы обсуждали, почему первый AI-проект прежде всего должен состояться и как выбирать проекты с помощью модели VALUE × STARTABILITY. Разнообразие AI-инструментов добавляет к этой логике ещё один важный вопрос: какой именно тип решения соответствует выбранной бизнес-задаче?
Иногда достаточно предоставить сотрудникам доступ к готовому сервису и научить правильно им пользоваться. Иногда полезнее подключить AI-функцию внутри существующей CRM или другой корпоративной платформы. Для повторяющихся операций может потребоваться специализированная автоматизация. А для задач, в которых невозможно заранее определить все необходимые действия, стоит рассмотреть агентную архитектуру. В некоторых случаях подходящим решением окажется сочетание нескольких вариантов.
Главное – не начинать с вопроса «Какого AI-агента нам внедрить?». Правильнее сначала определить, какую работу необходимо выполнить, какой результат нужен бизнесу и что сегодня мешает его получать. А уже затем выбирать технологию, архитектуру и конкретный продукт.

AI должен становиться частью решения управленческой задачи, а не самостоятельной целью внедрения. Именно этот принцип, на мой взгляд, позволит компаниям получать практическую пользу от AI независимо от того, какие новые инструменты появятся на рынке завтра.