Что такое ИИ-агент и чем он отличается от чат-бота и ИИ-ассистента

В руководстве Anthropic «Building effective agents» агентные системы делятся на два типа. Воркфлоу — системы, где модель и инструменты связаны заранее прописанными в коде путями. Агенты — системы, где модель сама направляет процесс, сама решает, как пользоваться инструментами, и сохраняет контроль над способом выполнения задачи. Набор деталей при этом может совпадать: модель, поиск по данным, инструменты, память. Поэтому по списку подключённых сервисов агента не узнать — смотреть нужно на то, кто управляет порядком действий.

Определение в русской Википедии шире: программа на основе ИИ, которая выполняет поставленные цели с помощью вспомогательного ПО и действует с определённой степенью автономности. Ключевые слова здесь — «определённой степенью». Автономность бывает разной, и именно от неё зависят цена, риски и то, кто отвечает за результат.

Чтобы не спорить о словах, мы проверяем любую систему тремя вопросами:

• Кто решает, что делать дальше: человек, заранее написанный код или модель?
• Может ли система что-то изменить во внешнем мире: записать в CRM, отправить письмо, провести оплату?
• Может ли она сама проверить результат и повторить попытку, если не получилось?

Агент — только если ответы «модель, да, да». Если хотя бы один ответ другой, перед вами бот, ассистент или сценарий с вызовом модели. Это не хуже, просто это другая вещь — с другой ценой и другими рисками.

Единой границы между понятиями нет. Одни называют агентом любого бота на нейросети, другие — только систему, которая работает совсем без человека. Поэтому мы разводим понятия по одному критерию — кто выбирает следующий шаг — и получаем лестницу из четырёх уровней.

Из таблицы и складываются наши рабочие определения. Ассистент помогает и оставляет решение человеку. Агент действует и отчитывается. Собрать их можно на одной модели и одной базе знаний: разница между ассистентом и агентом — в том, кто нажимает кнопку. Отсюда и разная цена ошибки: плохой черновик ассистента менеджер исправит за минуту, а неудачное действие агента уже произошло.

Перечни «агент для HR, агент для логистики, агент для бухгалтерии» мало что объясняют: не видно, где агент действительно нужен, а где хватило бы автоматизации. Нагляднее провести одну задачу через все уровни. Возьмём заявку с сайта — задачу, понятную почти любому бизнесу.

• Бот по сценарию: клиент нажимает кнопки «услуга — дата — телефон», бот собирает заявку и отправляет менеджеру уведомление. Модели здесь нет.
• ИИ-бот: клиент пишет своими словами — «сколько стоит и когда можно», — бот ищет ответ в базе знаний, а вопрос, на который ответа нет, переводит на менеджера.
• ИИ-ассистент: заявка приходит менеджеру вместе с черновиком ответа, подобранной ценой и похожими прошлыми сделками. Отправляет ответ менеджер.
• ИИ-агент: система заводит сделку в CRM, сама решает, каких данных не хватает, и спрашивает о них клиента, подбирает свободное время, назначает встречу и присылает менеджеру итог.

Прежде чем подниматься на четвёртый уровень, мы проверяем задачу тестом порядка шагов: можно ли записать последовательность действий заранее? Если заявку всегда обрабатывают одинаково — создать сделку, проверить слоты, предложить время, — нужен сценарий, где модель вызывается в одном-двух местах: разобрать текст клиента и сформулировать ответ. Порядок задаёт код, и в тысячный раз сценарий ведёт себя так же, как в первый. Агент нужен там, где следующий шаг зависит от того, что выяснилось на предыдущем, а вариантов слишком много, чтобы их перечислить.

Если порядок шагов можно нарисовать на салфетке, это сценарий с вызовом модели, а не агент. Он дешевле, предсказуемее и проще в поддержке.

Цены на «ИИ-агента» отличаются на порядки, и дело не в жадности или скромности продавцов. Под одним названием продают разное: бота с ответами на частые вопросы, справочник по базе знаний, бота с интеграцией в CRM, систему из нескольких агентов. Сравнивать их ценники — всё равно что сравнивать самокат и грузовик по цене «транспорта». Поэтому мы считаем стоимость по составу работ, а он у любого уровня складывается из четырёх частей:

• Сборка: сценарии, интеграции, база знаний, тестирование на реальных случаях.
• Эксплуатация: сервер и обращения к модели, которые оплачиваются по факту использования.
• Поддержка: правки сценариев, обновление базы знаний, реакция на сбои.
• Контроль: проверка действий, разбор ошибок, ведение журнала — это время ваших сотрудников.

Чаще всего недооценивают эксплуатацию. Ассистент обычно обращается к модели один раз на запрос. Агент работает циклом: подумал, вызвал инструмент, посмотрел на результат, решил, что дальше. Условный пример: 1000 заявок в месяц, ассистент тратит один вызов на заявку, агент — в среднем восемь (разобрать текст, найти клиента, проверить слоты, уточнить, записать, проверить запись, написать итог, повторить неудачный шаг). Получается 1000 вызовов против 8000. К тому же на каждом шаге агент передаёт модели растущую историю своих действий, поэтому и сами вызовы становятся всё длиннее. Агент платит за каждый шаг, а не за каждый запрос.

После запуска добавляются ежемесячные расходы: сервер — от нескольких сотен рублей, обращения к модели — по нагрузке (у бота по сценарию их нет), обслуживание — от 10 000 ₽. Расходы на модель мы считаем заранее под ожидаемый объём и выносим в смете отдельной строкой: у агента она заметно больше, чем у ассистента, и об этом лучше знать до старта. Подробно о цене самого простого уровня — в материале «Сколько стоит телеграм-бот для бизнеса в 2026 году».

Главный вопрос к агенту — не «насколько он умный», а «к чему у него доступ». Ошибка ассистента — плохой черновик. Ошибка агента — действие: письмо ушло, сделка закрыта, деньги списаны. Даже неверный факт у агента опаснее, чем у чат-бота: бот его только произнесёт, а агент на его основе что-то сделает. Поэтому права агента мы раскладываем по двум осям: что он делает и можно ли это отменить.

Отсюда четыре правила, с которых мы начинаем любой проект с агентом:

• Минимум прав: агенту, который записывает клиентов на встречи, бухгалтерия для работы не нужна, значит, и доступа к ней у него нет.
• Подтверждение человеком: всё, чего нельзя отменить, агент делает только после согласия сотрудника.
• Журнал действий: что агент сделал, на каких данных и с каким результатом — чтобы ошибку можно было найти и откатить.
• Границы данных: заранее решено, что уходит в модель, а что остаётся внутри компании.

Последний пункт — отдельный выбор. Можно развернуть модель внутри вашего контура: наружу не уходит ничего, но выбор моделей уже, а качество ответов может уступать облачным. Можно работать с облачной моделью и передавать ей только обезличенный минимум. Разницу в качестве и рисках мы показываем до начала работ: менять схему после запуска дороже. Юридическую сторону работы с персональными данными стоит отдельно сверить с юристом компании.

В прогнозе Gartner от 25 июня 2025 года сказано, что больше 40% проектов агентного ИИ закроют к концу 2027 года — из-за растущей стоимости, неясной ценности для бизнеса и недостаточного контроля рисков. Там же приведена оценка: настоящих вендоров агентного ИИ около 130 из тысяч заявленных.

Там же — январский опрос 2025 года среди 3412 участников вебинаров: 19% ответили, что их организация вложилась в агентный ИИ значительно, 42% — осторожно, 8% — никак, 31% ждут или не определились. Участники вебинаров — не срез рынка, поэтому цифры стоит читать как настроение интересующихся, а не как статистику. Но картина понятная: интереса много, уверенности меньше.

Наша позиция: многие задачи, которые подают как агентные, агент не требуют, поэтому начинать стоит с самого простого рабочего решения и усложнять его, только когда его перестало хватать. На разборе процесса нередко выясняется, что нейросеть не нужна вовсе — хватает обычной автоматизации, и это дешевле. Агент оправдан там, где гибкость важнее предсказуемости. Чтобы это проверить, мы задаём шесть вопросов:

• Можно ли быстро проверить результат — автоматически или взглядом человека?
• Можно ли отменить ошибку или она обходится недорого?
• Зависит ли следующий шаг от того, что выяснилось на предыдущем?
• Есть ли у процесса владелец, который отвечает за результат?
• Предусмотрены ли откат и ручной режим на случай сбоя?
• Понятно ли, сколько стоит текущий процесс и в чём будет видна польза?

Типичная ошибка — покупать «агента» для задачи, где хватило бы сценария: рассылки по расписанию, переноса заявок из формы в CRM, напоминаний клиентам. Такая система дороже в эксплуатации, иногда ведёт себя непредсказуемо и не даёт ничего, чего не дал бы обычный код.

Если хотя бы на один вопрос ответ «нет», начинайте уровнем ниже. Агента можно добавить позже, когда станет видно, где сценарий не справляется.

Чем ИИ-агент отличается от чат-бота? Чат-бот идёт по сценарию, который написал человек: кнопки, ветки, правила. Агент сам выбирает следующий шаг и может действовать во внешних системах.

Чем агент отличается от ИИ-ассистента? Ассистент готовит ответ или черновик, а решение принимает человек. Агент выполняет действие сам и отчитывается о нём.

ChatGPT — это агент? Обычный диалог с моделью — это ассистент: она отвечает, а действует человек. Агентом система становится, когда у неё есть инструменты и право выполнять действия в цикле без подтверждения на каждом шаге.

Может ли ИИ-агент ошибиться? Да, как любая система на языковой модели. Поэтому важна не только точность, но и устройство: минимум прав, подтверждение необратимых действий, журнал и передача задачи человеку, когда система не уверена.

Сколько стоит ИИ-агент? Зависит от числа инструментов, шагов и проверок. У нас бот по сценарию стоит от 20 000 ₽, ИИ-бот или ассистент — от 30 000 ₽, агента считаем по смете после разбора процесса. Отдельно — расходы на модель и сервер.

С чего начать? С описания процесса: что происходит сейчас, сколько это стоит и где теряется время. Подробнее об этом — в статье «Как внедрить ИИ в бизнес: сначала процесс, потом технология».

«Агент» — это не класс продукта, а уровень автономности. Выбирать стоит самый низкий уровень, который решает задачу, и поднимать его только после замеров: сколько обращений бот не понял, какие черновики ассистента менеджеры переписывают, какие ветки сценарий не покрывает. Тогда переход на следующий уровень опирается на данные, а не на моду.

Так устроена работа в AI-направлении студии: первый этап — разбор процесса, и на нём нередко выясняется, что агент пока не нужен. Мы считаем это хорошим результатом. Деньги, не потраченные на лишнюю автономность, уходят туда, где она действительно окупается, а система, которую можно объяснить на салфетке, переживёт смену подрядчика и модели. Хороший агент начинается с честного ответа, что он пока не нужен.

• Building effective agents (Anthropic)
• Gartner Predicts Over 40% of Agentic AI Projects Will Be Canceled by End of 2027
• Агентный искусственный интеллект — Википедия