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.
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.
