# Чат-бот отвечает на вопросы, ИИ-агент работает в процессе: в чём разница и с чего начать
Каноническая страница: https://plainews.ru/posts/ne-esche-odin-chat-bot-kak-ii-agentov-vstraivayut-v-korporativnye-processy
Опубликовано: 2026-08-26T14:00:17.690Z

Чем ИИ-агент отличается от корпоративного чат-бота, из чего состоит платформа агентов и как выбрать первый процесс для пилота без десятков интеграций.
Корпоративный ИИ постепенно выходит за пределы диалогового окна. Инфостарт, который развивает собственную платформу ИИ-агентов, описал её логику: вместо универсального помощника — отдельные агенты с конкретной ролью, источниками данных, правилами и форматом результата. Главная идея: ценность возникает не в отдельном чат-боте, а в связке «данные компании → анализ → рекомендация → действие».

## Чем агент отличается от обычного корпоративного бота

Стандартный корпоративный чат-бот ждёт вопроса. Сотрудник сам собирает контекст, переносит данные из разных систем и объясняет модели, что именно нужно получить.

ИИ-агент строится иначе: не вокруг запроса, а вокруг заранее описанного процесса — данные, анализ, рекомендации, действие, накопление контекста. Агент сам берёт сведения из разрешённых источников — CRM, ERP, 1С, BPM-системы, Service Desk, документов, базы знаний, записей встреч. Затем сопоставляет информацию, выделяет значимые факты и выдаёт рекомендацию или готовый результат.

Полностью процесс алгоритму при этом не передаётся. Сотрудник проверяет выводы агента и сам принимает ответственное решение. Для корпоративного применения это важное ограничение: агент сокращает ручную работу, но не размывает зону ответственности.

## Что стоит между языковой моделью и пользователем

Сама LLM (большая языковая модель) — лишь один элемент системы. Чтобы она работала с реальными процессами, вокруг неё нужен набор компонентов:

| Компонент | Что делает |
| --- | --- |
| Рабочее место | Интерфейс, где сотрудник видит исходные данные и результат |
| Сценарий | Задаёт роль агента и границы задачи |
| Правила | Определяют обработку данных и формат ответа |
| Драйверы интеграций | Подключают CRM, ERP, 1С и другие корпоративные системы |
| Шлюз моделей | Через него выбирается разрешённая ИИ-модель |
| Память | Учитывает историю решений, когда это нужно |
| Совместная работа | Обеспечивает общий контекст |

Такая архитектура отделяет бизнес-логику от конкретной модели. На практике это значит, что сценарии и правила не привязаны к одной LLM и переживают её смену.

## Где агенты применимы: пять сценариев

Самые понятные сценарии — там, где сотрудники регулярно собирают сведения из нескольких источников, сопоставляют их и готовят типовой результат.

**Работа с контрагентами.** Агент объединяет историю взаимодействия, значимые события и данные о клиенте. Менеджер получает краткое досье и возможные следующие шаги вместо ручного просмотра всей истории.

**Аналитика продаж.** Агент разбирает выполнение плана, конверсию, состояние воронки и отдельные сделки. Задача не только показать цифры, но и выделить риски и ситуации, которые требуют внимания руководителя.

**Обработка встреч.** Запись разговора превращается в резюме: принятые решения, задачи, договорённости и ответственные. Это экономит время на восстановление контекста и подготовку протокола.

**Поддержка 1С.** Агент ищет информацию в базе знаний, помогает определить вероятные причины проблем с производительностью и опирается на опыт предыдущих разборов. Такой инструмент пригодится и новым специалистам, которым нужно быстро погрузиться в особенности конкретной системы.

**Клиентский сервис.** Агента встраивают в личный кабинет клиента. Пользователь работает с ИИ в привычном интерфейсе, а система отвечает с учётом доступных данных и подсказывает дальнейшие действия.

## С чего начать: пилот без лишних интеграций

Внедрение не обязано быть масштабным проектом с десятками интеграций. Для первого шага достаточно найти одну операцию, которая:

- выполняется регулярно,
- требует поиска данных в нескольких системах,
- содержит повторяющийся анализ,
- завершается предсказуемым результатом,
- допускает проверку человеком.

Дальше определяют источники данных, описывают сценарий, фиксируют ограничения и решают, в какой момент сотрудник подтверждает результат. Если пилот даёт практический эффект, к агенту подключают дополнительные источники и связанные процессы.

> **К сведению.** Проект начинается не с выбора модели, а с разбора процесса: какие данные использует сотрудник, где теряет время, какое решение принимает и какую часть работы можно передать агенту без потери контроля.

## Следующий уровень: система агентов вместо одного инструмента

Масштабирование идёт поэтапно: одна задача → дополнительные данные → связанные процессы → система из нескольких агентов с общими компонентами, правилами доступа и контекстом.

На этом уровне ИИ перестаёт быть универсальным собеседником и становится частью корпоративного ИТ-контура. Каждый агент знает свою роль, работает с разрешёнными данными и передаёт человеку структурированный результат, а не просто генерирует текст в ответ на запрос.

## Что это значит

На наш взгляд, самое показательное в этой схеме — пропорции. Из семи компонентов с языковой моделью напрямую связан только шлюз, остальные — про данные, интеграции, сценарии и контроль. Значит, основная работа при внедрении лежит не в выборе модели, а в том, чтобы описать процесс и аккуратно открыть агенту доступ к нужным системам.

Пять признаков подходящей операции работают как фильтр для пилота. Если задача нерегулярная, результат непредсказуем или его нельзя проверить человеком, агент там вряд ли окупится — и честнее начать с другого процесса.

## Источники

- Habr AI: Не еще один чат-бот: как ИИ-агентов встраивают в корпоративные процессы