По данным Finexpertiza, в 2024 году суммарные затраты крупных и средних организаций на внедрение и использование технологий искусственного интеллекта составили 90,3 млрд. рублей, причем всё большую популярность среди ИИ-решений набирают ИИ-агенты. Высшая школа бизнеса НИУ ВШЭ включила их в список трендов на 2026 год для российских компаний. Рассмотрим, как ИИ-агенты уже сейчас внедряются в работу компаний и что мешает сделать их эффективными помощниками.

ИИ-агенты — это прямая эволюция сервисов с LLM

На сегодняшний день ИИ-агент — это не модель или чат-бот, а комплекс инструментов, сервисов и алгоритмов, которые в совокупности воспроизводят работу человека по решению конкретной задачи. Он способен анализировать данные, принимать решения, выполнять действия и адаптироваться к результатам — всё это в рамках чётко заданных правил и ограничений.

Все классические системы автоматизации работают по точным алгоритмам, где есть один возможный ответ, и он всегда одинаковый. В таких системах не хватает гибкости и нет возможности адаптировать результат под небольшие изменения в постановке задачи. ИИ-агенты с этим легко справляются, они сами подстраиваются под контекст, используя все вышеописанные компоненты. В основе этих решений лежат нейронные сети, которые являются статистическими и вероятностными алгоритмами, которые обучаются не по жестким правилам, а по закономерностям, найденным в данных. Они способны обобщать опыт и делать выводы даже в новых непредусмотренных сценариях. Благодаря этому ИИ-агенты могут принимать решения в условиях неопределенности, адаптироваться к изменению задач и сами предлагать решения.

Если рассмотреть упрощённый пример архитектуры, то в её основе лежит LLM, запущенная в своей собственной изолированной среде. Эта модель выступает в роли «интеллектуального ядра» — она обрабатывает контекст, формулирует решения и определяет последовательность действий. Однако у неё нет прямого доступа к внешним системам или данным.

Для взаимодействия с реальной средой используется прокси-контейнер — MCP. Это своего рода «контролирующий посредник», который принимает запросы от LLM, проверяет их на допустимость, валидирует параметры и только после этого вызывает разрешённые функции или инструменты. MCP отвечает за логирование, аутентификацию, контроль прав доступа и соблюдение политик безопасности.

Наконец, существует третий контейнер — изолированное окружение, где непосредственно происходят вычисления, обработка данных или выполнение команд. Именно здесь располагаются прикладные инструменты, скрипты, API и зависимости, необходимые агенту для работы. Доступ к этому окружению осуществляется исключительно через MCP, по чётко определённым API-контрактам и с учётом ролевой модели безопасности. LLM не имеет возможности напрямую вмешиваться в процессы, файловую систему или сетевые ресурсы.

Однако в более сложных сценариях архитектура может включать несколько различных LLM, каждая из которых выполняет свою специализированную роль в рамках единого агентского контура:

  • Исполнитель — отвечает за анализ задачи и выработку конкретных действий, формирует пошаговый план выполнения.
  • Проверяющий или контролёр — оценивает корректность решений исполнителя, проверяет соответствие действий политике безопасности и корпоративным правилам.
  • Координатор — распределяет задачи между другими агентами, управляет приоритетами и следит за целостностью контекста.

Такой разделённый интеллект повышает надёжность и устойчивость системы: решения одного агента проходят дополнительную валидацию другим, а доступ к ресурсам остаётся под управлением MCP и ролевых политик безопасности.

Способы внедрения ИИ-агентов в бизнес

Аналитики McKinsey прогнозируют, что ИИ-агенты смогут забрать на себя до 30% рутинных операций в компании, дав возможность специалистам заниматься более сложными задачами. Согласно исследованию Grand View Research, объем мирового рынка ИИ-агентов будет расти на 45% до 2030 года и достигнет 70,5 млрд. долл.

Однако важно понимать — для достижения необходимого эффекта нужно подготовить инфраструктуру компании для внедрения ИИ-агентов. Компании часто начинают с конца — пытаются внедрить готовых агентов или интегрировать LLM-модули «поверх» существующих процессов, не имея подготовленной базы.

Первая и самая частая ошибка — отсутствие этапности и цифровой зрелости данных. Чтобы ИИ-агенты действительно приносили пользу, необходимо пройти последовательные шаги:

  1. Провести полную оцифровку источников данных — аудио, видео, тексты, транзакции, метаданные. Без этого у агента просто нет «глаз и ушей».
  2. Создать единое хранилище и стандартизировать форматы, чтобы данные могли быть взаимосвязаны и доступны для моделей.
  3. Обучить и подготовить модели для анализа всех модальностей — речь, текст, изображение, действия, сенсорика.
  4. Создать управляющий уровень, который обеспечивает безопасность, маршрутизацию и контроль доступа.
  5. Только после переходить к внедрению ИИ-агентов как интерфейсов, которые взаимодействуют с системой, пользователями и внешними процессами.

Среди других распространенных ошибок можно выделить:

  • Отсутствие единой платформы: ИИ-агенты разворачиваются как разрозненные решения — в отделе продаж, ИТ, аналитике. Нет общей инфраструктуры, единого API, доступа к данным и сквозной безопасности. В результате системы не взаимодействуют между собой и не могут обмениваться знаниями.
  • Игнорирование вопросов безопасности и изоляции: многие компании дают агентам избыточные права или подключают их к корпоративным системам напрямую. Это нарушает принципы Zero Trust и создаёт риски утечек данных или неконтролируемых действий.
  • Ожидание мгновенного эффекта: ИИ-агенты — не «волшебная кнопка». Без переосмысления процессов и подготовки данных их внедрение редко даёт результат. Необходима адаптация бизнес-процессов под новый формат работы.
  • Недостаток обучения персонала: сотрудники не понимают, как правильно взаимодействовать с агентами, как формулировать задачи и интерпретировать результаты. Из-за этого агент воспринимается как «чёрный ящик», а не как инструмент совместной работы.

Отсутствие системного подхода к цифровой трансформации — распространенная ошибка компаний, которые стремятся быстрее внедрить новую технологию. Именно это влечет за собой неправильную работу всей системы — вместо ускорения процессов появляется разочарование в эффективности решения, компании терпят убытки. При грамотной интеграции ИИ-агентов в инфраструктуру в долгосрочной перспективе они способны стать полноценными участниками рабочих процессов.

Кирилл Смеловец, главный архитектор сервисов искусственного интеллекта и машинного обучения Cloud X