Бизнесу уже мало ИИ, который вежливо отвечает на вопросы. На первый план выходит агентный ИИ: системы, которым пытаются поручить не один запрос, а кусок реальной работы — от разбора задачи до запуска действия. Для русскоязычной IT-аудитории это важный сдвиг: спор теперь не о том, "умеет ли модель писать текст", а о том, где ее можно безопасно встроить в процесс и кто будет отвечать, если она ошибется.
Именно об этом шла речь на виртуальном круглом столе IT-World и клуба «ИТ-Диалог», сообщает IT-World. Модератор встречи Иван Козлов из группы ЛАТЕО предложил участникам обсуждать не общий хайп вокруг ИИ, а более неприятные и прикладные вопросы: где заканчивается ассистент и начинается агент, какие данные ему можно доверять, когда он вправе действовать сам, а когда обязан остановиться и передать решение человеку.
Главный вывод звучит трезво: лучше всего такие системы пока приживаются там, где много повторяемой работы, понятен результат и можно заранее ограничить ущерб от ошибки. Во ВГИКе ИИ уже используют для ежедневной обработки новостей. Проблема была не в сборе публикаций как таковом, а в том, что материалы не приходят с готовой разметкой. Система сама определяет, к какой категории относится текст: воспитательная работа, патриотическое воспитание, духовно-нравственные ценности. По сути, это не поиск по ключевым словам, а регулярная смысловая классификация, встроенная в рутинный контур. Для компаний это знакомый сценарий: агентный ИИ начинает не с эффектных демо, а с задач, на которых сотрудники давно тратят время без особой добавленной ценности.
Еще показательнее пример с медиаархивом ВГИКа. В архиве накопилось более 400 тысяч фотографий с мероприятий, и в какой-то момент поиск двух нужных снимков занял несколько дней. После этого ручной подвиг решили больше не повторять. Теперь при появлении новой папки система распознает лица, связывает их с базой персон и маркирует архив. Если человек системе неизвестен, она либо пытается найти его в открытых источниках, либо отправляет уведомление ответственному сотруднику с просьбой подтвердить новую персону. Это важная деталь: человек не исчезает из процесса, но перестает быть бесплатным скриптом на ножках. Его подключают уже к исключениям, а не к потоку однотипных операций.
На этом месте обычно и начинается путаница в терминах. Как только в привычную автоматизацию встраивают языковую модель, ее хочется назвать агентом. Документ классифицируется, письмо резюмируется, черновик ответа появляется сам — выглядит убедительно. Но, как пояснил Иван Волков из Content AI, сам по себе вызов LLM не делает систему агентной. Граница проходит там, где система не просто исполняет заранее зашитый сценарий, а сама выбирает последовательность действий для достижения цели, используя доступные ей инструменты. Для техдиров и продуктовых команд это не философия, а вполне практичный критерий. Если у вас набор скриптов с одним умным шагом внутри, это еще не агентный ИИ. А значит, и риски, и требования к контролю там совсем другие.
При этом для бизнеса техническая чистота определения вторична. Руководителей интересует не термин, а эффект: снимает ли решение нагрузку, ускоряет ли процесс, не создает ли новых дыр в безопасности и не превращается ли в дорогое развлечение. Владимир Нелюб из «Группы Астра» сформулировал это предельно прикладно: агентный ИИ — вопрос не только технологий, но и экономики, процессов и управленческого контура. В самой «Группе Астра» такие сценарии развивают прежде всего вокруг разработки: автоматизация тестирования, развертывания приложений и части задач, связанных с написанием кода. По оценке компании, это может ускорять разработку в среднем на 30–40%. Цифра заметная, но в источнике она звучит именно как экспертная оценка, а не как универсальная норма для рынка. И это, пожалуй, честнее многих презентаций.
Отдельный нерв дискуссии — инфраструктура. По словам Ильи Борнякова, генерального директора ITPOD корпорации ITG, проблема корпоративного ИИ уже не в выборе модели. Модель можно найти, арендовать или развернуть локально. Дальше начинаются более прозаические вещи: закрытые данные, GPU, питание и охлаждение, распределение расходов между подразделениями, права доступа, аудит, владелец бюджета. На демо все это почти не видно. В эксплуатации именно эти вопросы быстро выясняют, готова ли компания к ИИ как к рабочему инструменту, а не к слайду на стратегической сессии. Для российского рынка этот тезис особенно узнаваем: желание внедрять есть, а вот единый контур управления, логирование, правила доступа и внятная ответственность часто появляются уже по факту, когда пилотов стало слишком много.
Из-за этого агентный ИИ редко приходит в компанию в виде готового «цифрового сотрудника». Обычно путь длиннее и скучнее, а значит реалистичнее. Сначала сотрудники получают безопасный доступ к языковой модели в корпоративном контуре. Затем к ней подключают внутренние документы и базы знаний, чтобы ответы опирались не только на общие знания модели, но и на локальные регламенты. После этого появляются ассистенты для отдельных операций — например, для разбора документов, извлечения причин рекламаций или отбраковки партии с последующей передачей данных в информационную систему. Такой маршрут описал Петр Сагаловский из «Маревен Фуд Сэнтрал». В компании для этого используют внутренний роутер на портале, логируют все запросы и работают через API, чтобы данные сотрудников не утекали во внешние сервисы и не использовались для дообучения моделей на стороне поставщика.
Этот промежуточный этаж важнее, чем может показаться на фоне рынка, одержимого словом «агент». Он позволяет понять, где ИИ действительно разгружает людей, а где просто добавляет еще один слой сложности поверх не самых здоровых процессов. Антон Хаймовский из Content AI прямо предупредил: ИИ-проекты часто закрывают не потому, что модель «глупая», а потому что экономику плохо посчитали еще до старта. Облачный сценарий выглядит дешевым, пока не растет поток запросов. Локальный контур кажется надежным, пока в смету не попадают GPU, DevOps, MLOps, информационная безопасность, аттестация, резервное оборудование и обучение сотрудников. Иногда неприятная правда еще проще: задачу можно дешевле закрыть классической автоматизацией, без всякой LLM-магии.
Для разработчиков и архитекторов из этого следует довольно приземленный вывод. Агентный ИИ — это не кнопка «сделай умно» и не универсальный слой поверх любых корпоративных систем. Это лестница из нескольких ступеней: безопасный доступ к модели, работа с внутренними знаниями, ассистенты для отдельных операций, затем частичная автономность там, где процесс формализован и проверяем. На каждой ступени приходится заново отвечать на одни и те же вопросы: какие инструменты доступны системе, какие действия она вправе выполнять, кто проверяет результат и что делать, если внешний сервис внезапно исчезнет вместе с частью логики. Чем раньше компания отвечает на эти вопросы без романтики, тем меньше шансов, что следующий «умный агент» окажется просто дорогим способом автоматизировать хаос.
Похоже, ближайшие годы рынок будет не столько спорить о том, существуют ли агенты, сколько делить процессы на три корзины: где достаточно обычной автоматизации, где хватает ассистента, а где агентный ИИ уже можно пускать в контур с понятными ограничениями. Победят не те, кто громче всех назовет продукт агентом, а те, кто сумеет доказать две вещи одновременно: система экономит время и деньги, а человек в любой момент понимает, что именно она сделала и почему.