Что такое ИИ-агент: разработка, внедрение, примеры

ИИ-агент: что это?

Само понятие ИИ-агента появилось задолго до больших языковых моделей, ChatGPT и всего остального. Оно пришло из области обучения с подкреплением (RL), где закрепилось как термин в девяностых.

В RL агентом называют любую динамическую систему, у которой есть пространство состояний, пространство действий и функция награды. Со временем понятие трансформировалось.

Сегодня под ИИ-агентом чаще всего понимают систему на базе большой или малой языковой модели. Если упростить, агента можно представить в виде связки из пяти элементов:

• языковая модель отвечает за мышление;
• инструменты позволяют агенту действовать: выполнять код, обращаться к API, вызывать функции операционной системы;
• оркестратор управляет логикой работы и решает, что запускать и в каком порядке;
• контекстное окно хранит рабочую память, то есть информацию, которая нужна прямо сейчас;
• внешние источники данных (базы знаний, файлы, поисковые механизмы) дают агенту дополнительные знания по мере необходимости.

Как создать ИИ-агента

Сделать ИИ-агента с нуля сегодня может почти любой человек. Другой вопрос, что у агента должен быть мозг, языковая модель. Она может быть облачной, с открытым исходным кодом или проприетарной, то есть принадлежащей конкретной компании или человеку.

Типовая проблема возникает, когда человек говорит: «У меня есть компьютер, у меня уже куплена видеокарта, она моя. Зачем мне платить за серверные ресурсы? Давай я разверну агента на базе LLM прямо у себя».

Пока зависимость от проприетарных решений больших компаний сохраняется, хотя с каждым месяцем этот порог и снижается. Есть задачи, где малые агенты справляются хорошо, а есть задачи, где они справляются плохо.

Где ИИ-агенты дают эффект

Внедрение ИИ-агента может быть горизонтальным или вертикальным. Пример горизонтального внедрения — ассистент для анализа видеовстреч. Им может пользоваться вся компания: расшифровывать звонки, суммаризировать информацию, генерировать слайды.

Оценить эффект горизонтального внедрения сложно. Такие инструменты просто становятся базовыми, как когда-то текстовый редактор. Вертикальное внедрение — это кейсы, которые напрямую влияют на выручку или издержки конкретного процесса.

Например, ИИ-агент делает описания и теги для карточки товара по отзывам. Он встроен в конкретный бизнес-процесс, и от него ожидают измеримый эффект. Чтобы оценить его работу, бизнес будет смотреть на процент прироста прибыли по товарам, для которых добавили такую обработку.

Какие ограничения есть у ИИ-агентов

AI-агент, как правило, не самая быстрая система и достаточно затратная с точки зрения токенов. Поэтому мы не рассматриваем задачи реального времени и сценарии с большим потоком нагрузки на одного агента. Это не B2C с высокой частотой обращений.

Чаще речь идет о внутренних процессах: агент либо помогает их автоматизировать, либо используется как инструмент для генерации контента. Это более реалистичная модель применения.

Второй важный момент — экономика. Агенты по подписке часто бывают убыточны. Если вы платите 30 долларов в месяц и при этом закрываете задачи на 200 долларов — модель сходится. На практике так бывает редко.

Устойчивые кейсы обычно строятся на собственной инфраструктуре и не обязательно на самой мощной модели. Если нет высокой нагрузки и вы контролируете вычисления, юнит-экономика становится предсказуемой.

Какие есть рабочие примеры ИИ-агентов

ИИ-агентов для бизнеса чаще используют в трех направлениях: работа с документами, общение с клиентами и усиление внутренних команд.

В документообороте эффект обычно измеряют временем выполнения задачи. Например, агент готовит пакет документов: формирует договор и смету, передает их на подпись и оплату. Сокращается число согласований и ручных операций.

В работе с клиентами типичный сценарий — автоматизация колл-центра. Если клиент сообщает о проблеме, агент может создать заявку, назначить выезд специалиста и отследить статус обращения. В отдельных случаях он принимает финансовое решение, например отправляет купон.

Во внутренних процессах агенты часто помогают разгружать технические команды. Например, SQL-агент на платформеFlexar помогает бизнес-аналитику работать с продуктовой базой данных без знания SQL. Он формулирует запросы и возвращает ответы по метрикам без привлечения разработчиков.

Как внедрить ИИ-агента в бизнес

Универсального сценария внедрения нет. Обычно мы рекомендуем компаниям провести аудита процессов и данных до разработки ИИ-агента. Это помогает увидеть точки роста, которые не лежат на поверхности.

Например, юридическая компания решила автоматизировать работу с судебными уведомлениями. На первый взгляд кажется, что это операционная задача: отслеживать публикации, обновлять календарь, передавать информацию помощнику.

При детальном разборе выясняется, что внутри процесса есть аналитический слой: причины переноса заседаний, нехватка документов и сигналы о возможных рисках. Здесь создание ИИ-агента потенциально может принести больше ценности.