Чем бот отличается от ИИ-агента

Классический бот — это дерево сценариев. Разработчик заранее прописывает ветки, система распознаёт намерение и ведёт пользователя по известному маршруту. ИИ-агент получает цель и сам решает, какими шагами её достичь: выбирает инструменты, обращается к базам данных, вызывает API, проверяет результат и корректирует план.

Разница проявляется на первом же нестандартном запросе. Бот на фразу «перенесите поставку на следующую неделю и разделите её на две части» ответит «не понял вопрос» или позовёт оператора. Агент разберёт запрос на подзадачи, найдёт заказ в ERP, проверит остатки, сформирует новое приложение и вернётся с подтверждением.

Почему сценарная автоматизация упирается в потолок

Сценарный подход хорошо работает там, где процесс стабилен, а число вариантов конечно: статус заказа, запись на приём, типовой вопрос в поддержку. Как только появляется вариативность — исключения, неполные данные, несколько систем одновременно — стоимость поддержки растёт быстрее, чем польза.

Возникает снежный ком: новое правило конфликтует с предыдущими, регрессионное тестирование занимает недели, аналитики вручную описывают ветки. В итоге автоматизируется 30–40% обращений, остальное уходит людям. Агентный подход меняет экономику: вы описываете инструменты и правила безопасности, а маршрут решения система строит сама.

Ключевые отличия в подходе

• Цель вместо сценария. Бот исполняет инструкцию, агент планирует последовательность действий под конкретную ситуацию.
• Инструменты вместо кнопок. Агент вызывает функции: поиск по базе знаний, SQL-запрос, создание документа, отправку письма, запись в CRM.
• Память вместо сессии. Сохраняется контекст клиента, история решений и предыдущих обращений, а не только текущая реплика.
• Самопроверка. Агент оценивает результат шага и повторяет его при ошибке, а не ломается на первом сбое интеграции.

Что нужно для запуска агента в контуре компании

Минимальный стек: LLM (локальная или через API), слой доступа к данным на базе RAG по внутренним документам, набор инструментов с чёткими контрактами и журналирование каждого шага. Отдельно проектируется слой безопасности: агент работает под сервисной учётной записью с минимальными привилегиями, а необратимые действия требуют подтверждения человеком.

Практический шаг первый — выбрать процесс, где много исключений, но результат легко проверяется. Шаг второй — описать 5–10 инструментов, покрывающих 80% случаев. Шаг третий — запустить в режиме «человек подтверждает», собрать логи, разметить ошибки и только затем расширять автономность. Такой поэтапный запуск снижает риск и даёт данные для дообучения.

Российская практика: где агенты уже работают

Типовые сценарии в российских компаниях — обработка входящих заявок и писем с созданием документов в 1С, сверка накладных и счетов с распознаванием сканов через OCR, подготовка коммерческих предложений по прайсу и истории сделок, первая линия поддержки с эскалацией сложных случаев. В промышленности агенты связывают заявки на ремонт с данными о оборудовании и регламентами ТО.

Отдельная особенность рынка — требования 152-ФЗ и закрытость контуров. Поэтому чаще разворачивают локальные модели на собственных GPU или в приватном облаке, а доступ к данным ограничивают ролевой моделью. Это удорожает старт, но снимает юридические риски и позволяет работать с чувствительной информацией.

Как оценить готовность процесса

Достаточно трёх вопросов. Есть ли цифровой след — данные лежат в системах, а не в головах сотрудников? Можно ли проверить результат автоматически — по статусу в ERP, сумме, наличию документа? Допустима ли ошибка с откатом? Если на все три ответ «да», агент даст эффект уже на пилоте.

Если процесс держится на устных договорённостях и звонке конкретному сотруднику, сначала нужна цифровизация. Агент не заменяет отсутствующие данные — он работает поверх них и быстро показывает, где в учёте пробелы.

Как мы можем помочь

АПС проектирует и внедряет ИИ-агентов под конкретные процессы: аудит данных, выбор модели, RAG по вашей базе знаний, интеграции с 1С и CRM, настройка прав и журналирования, пилот с замером метрик. Начинаем с одного участка, где эффект считается в часах и деньгах, и масштабируем после подтверждённого результата. Обсудить проект