Чат-боты на больших языковых моделях стали привычными за 2024 год. Теперь поставщики обещают «агентов» и многие путают эти понятия. Разница принципиальная: чат-бот отвечает на вопрос, агент выполняет задачу. Для бизнеса и госсектора это означает не косметическое улучшение интерфейса, а другую модель автоматизации. Разберём, где проходит граница и куда стоит вкладывать бюджет.

Чат-бот отвечает, агент действует

Классический LLM-ассистент работает в одном цикле: вы задаёте вопрос – он генерирует текст. Память ограничена диалогом, никаких действий во внешних системах он не совершает. Полезно для справки, черновиков, поиска по базе знаний.

ИИ-агент устроен иначе. Он получает цель, разбивает её на шаги, вызывает внешние инструменты – API, базы данных, корпоративные сервисы, – проверяет результат и корректирует план. Ключевые отличия:

  • Планирование – агент сам строит последовательность действий под цель, а не выдаёт один ответ.
  • Инструменты – он читает и пишет данные в реальные системы: CRM, ERP, СЭД, учётные контуры.
  • Итеративность – агент оценивает промежуточный результат и повторяет шаги, пока цель не достигнута.
  • Состояние – он удерживает контекст задачи между шагами, а не только в рамках реплики.

Грубо говоря, чат-бот – это собеседник, агент – это исполнитель с доступом к рычагам.

Где агент окупается, а где нет

Агент даёт эффект там, где процесс состоит из многих рутинных шагов в нескольких системах и плохо ложится на жёсткий RPA-сценарий. Реальные кандидаты:

  • Обработка обращений: классификация заявки, сбор данных из учётных систем, подготовка ответа и черновика решения для оператора.
  • Документооборот: разбор входящих документов, сверка с реестрами, формирование проекта ответа или акта.
  • Внутренний бэк-офис: подготовка отчётности, сверка данных между контурами, заполнение форм по регламенту.
  • Поддержка разработки и эксплуатации: разбор инцидентов, сбор логов, первичная диагностика.

Где агент не нужен: однотипные операции без вариативности (дешевле обычная автоматизация), а также процессы с нулевым допуском на ошибку без обязательной проверки человеком. Агент ошибается, и его действия в боевых системах требуют контроля – права доступа, логирование, ручное подтверждение критичных шагов.

Решение о пилоте удобно встроить в общее планирование – мы разбирали приоритеты в обзоре ИТ-трендов 2025 года и подходы к распределению ИТ-бюджета.

Что учесть в госсекторе и на КИИ

Для госзаказчиков и объектов критической информационной инфраструктуры агентный ИИ упирается в требования по импортозамещению и защите данных. Модели и инфраструктуру разворачивают в контуре заказчика, без отправки данных во внешние облака. Доступ агента к системам ограничивают по принципу минимальных привилегий, каждое действие логируют для аудита. Если процесс затрагивает значимые объекты КИИ, агент встраивается в уже выстроенный периметр – а у многих организаций сроки приведения КИИ в соответствие истекают в 2025 году, и архитектуру агента стоит проектировать с учётом этих ограничений сразу.

Вывод

ИИ-агент – это не «умнее чат-бот», а инструмент для выполнения многошаговых задач в реальных системах. Он окупается на рутинных процессах с большим объёмом и вариативностью, где человек тратит время на сбор и сверку данных. Начинать стоит с одного измеримого процесса, обязательного контроля действий и защищённого контура. Если вы оцениваете применимость агентов под конкретный процесс, начинать стоит с проектирования ИИ-приложения под вашу инфраструктуру и требования, а не с выбора модели.