Разработка ИИ-агентов для бизнеса: этапы, сроки, что нужно от компании

Разбираемся в главном: чем свой агент отличается от готовой платформы

Разработка агента и покупка готовой платформы различаются одним: кто под кого подстраивается. Платформа приносит свой сценарий, и процесс придётся уложить в него. Свой агент строится обратным путём: за основу берут процесс, который у вас уже работает, со всеми его исключениями.

Звучит как реклама кастома? Не совсем. Готовое решение часто оказывается правильным выбором — если ваш процесс типовой, платформа закроет его быстрее и дешевле любой разработки. Беда начинается там, где под видом платформы продают совсем другое.

Gartner в июне 2025 года посчитал: из тысяч вендоров, называющих себя агентными, настоящих около ста тридцати. Остальное — переклейка ярлыка на старых ассистентах, чат-ботах и роботизации. Компания покупает «агента», а получает сценарный бот с новым названием и годовой подпиской.

Как отличить одно от другого ещё на этапе разговора? Есть три вопроса, которые быстро всё расставляют по местам.

Что система сделает с исключением? Спросите про тот случай, который случается раз в неделю и который все сотрудники знают наизусть. Ответ «настроим правило» означает платформу. Ответ «покажите двадцать таких случаев» означает разработку.

Кому принадлежит база знаний? Если ответы агента живут внутри чужого сервиса и забрать их нельзя, вы арендуете зависимость, а не инструмент.

Что будет, когда процесс поменяется? У платформы ответ звучит как «перенастроите сами в интерфейсе», и это честно ровно до первого нетипового изменения.

Ни один из ответов не делает платформу плохой. Они просто показывают, что вы покупаете: готовый сценарий или работу под ваш. Если на этом месте вы ловите себя на мысли, что вам, возможно, хватит обычного чат-бота, — это честный вопрос, и ответ на него дешевле найти до старта, чем после.

Считаем, что теряется без агента: пока заявка ждёт ответа, клиент уходит

Главные потери без агента прячутся не там, где их ищут. Они не в самой работе, а в очереди перед ней: задача сделается, вопрос только, через сколько часов.

Возьмём заявку с сайта, которая пришла в семь вечера. Менеджер увидит её утром, ответит в десять, клиент к этому времени успел написать ещё трём подрядчикам. Работа выполнена честно, а лид ушёл к тому, кто ответил первым.

Посчитайте на своих числах. Если в день приходит двадцать обращений и каждое ждёт хотя бы час — это двадцать потерянных часов ожидания ежедневно, которых нет ни в одном отчёте. Их не видно, потому что все работали и никто не бездельничал.

Мы это видим на себе. До того как поставить себе агента, первый ответ лиду уходил через несколько часов; после — через пять минут, включая ночь и выходные. Сама заявка при этом обрабатывается быстрее: то, что отнимало у менеджера часы внимания, размазанные по всему дню, теперь занимает около двух минут — прочитать черновик, поправить, отправить.

Вот в чём фокус: разработка AI-агентов окупается на однообразных задачах, которые повторяются каждый день. Красивый сценарий случается раз в квартал. Скучный — каждый рабочий день.

Смотрим на своём примере: 200 документов в день и заявка за две минуты

Покажем на двух своих системах, потому что обе мы сначала поставили себе и только потом предложили клиентам. Это способ проверки: пока не поработал с этим сам, не знаешь, где оно ломается.

DocuFlow разбирает входящие документы: определяет тип, вытаскивает нужные поля, складывает в единый список с фильтрами по отделу и приоритету. Раньше человек читал документ и переносил данные руками, теперь он проверяет то, что уже разобрано.

Цифры такие. Через систему проходит около двухсот документов в день, а разбор, который раньше съедал у сотрудника полный рабочий день, укладывается в пару часов.

Wizard устроен иначе — он живёт во входящих заявках. Читает сообщение, сверяется с нашей базой знаний, готовит менеджеру черновик ответа и заводит карточку в трекер с полной перепиской и коротким пересказом того, что человеку нужно.

И вот наблюдение, ради которого стоило всё это затевать. Ускорение первого ответа было ожидаемым выигрышем. А неделю изменило другое: ничего больше не переписывается в трекер руками, поэтому ничего не теряется в запарке. Внедрение ИИ-агентов у нас окупилось вот таким незаметным местом, а не тем, которое показывают на демо.

Третий пример из клиентских: голосовой ассистент, который мы собирали как MVP. Там агент закрывает девяносто пять процентов обращений и отвечает примерно за пять секунд. Задача была другая, дать людям голосовой вход в продукт, но принцип тот же: сначала один понятный процесс, потом остальное.

Собираем карту проекта: сколько идёт каждый из четырёх этапов

От первого разговора до работающего агента проходит примерно два-три месяца, и этот срок распадается на четыре этапа. Сразу оговорка, короткая: цифры ниже — наша практика, а не чужое исследование.

Работа держится на простой логике: сначала маленькая рабочая версия на одном процессе, потом всё остальное. Внедрение AI-агентов в бизнес-процессы, начатое сразу с большого контура, по нашему опыту упирается в то, что никто не может сказать, стало ли лучше.

Обратите внимание, где стоит развилка. Решение «идём дальше» принимается после пилота, а не после разбора: пока агент не поработал на ваших данных, честно ответить на этот вопрос нельзя. Не пропускайте этот шаг — он и существует, чтобы дорогая ошибка стала дешёвой.

А от чего срок уезжает за эти рамки? Почти никогда от техники. Уезжает он тогда, когда к середине проекта выясняется, что требования были сформулированы примерно, и список пожеланий с каждой встречей растёт. Это лечится не скоростью разработки, а тем самым человеком, который имеет право сказать «этого в пилоте не будет, вернёмся во второй версии».

Шаг первый: бесплатный разбор, на котором решают, нужен ли агент вообще

Первый созвон занимает от пятнадцати до тридцати минут и заканчивается одним из двух: либо задачей для пилота, либо честным «здесь агент не нужен».

Второй вариант звучит странно от подрядчика, но он случается регулярно. Если правило можно записать одной фразой — «счёт больше десяти тысяч уходит на согласование» — обычная автоматизация сделает это дешевле, предсказуемее и без проверки результата человеком. Разработка AI-агентов имеет смысл там, где правило записать нельзя, а примеров правильных решений много: рассортировать свободный текст, прочитать документ, приходящий в четырёх форматах, свести записи, которые человек сводит на глаз.

Около половины задач дешевле закрыть обычной автоматизацией. Мы говорим об этом до счёта, а не после.

Во сколько обходится сам агент, когда он всё-таки нужен, зависит от процесса, а не от прайса: вилки по типам задач мы расписали отдельно.

О чём мы спрашиваем на этом созвоне? Всего о трёх вещах: что за процесс, сколько раз в день он повторяется и по какому признаку сотрудник понимает, что сделал правильно. Третий вопрос обычно самый неудобный — и самый полезный, потому что ответ на него определяет, можно ли вообще измерить результат.

Что нужно от вас на этом шаге? Только назвать процесс и примерно представлять его объём. Ни данных, ни доступов пока не требуется, готовиться к разговору и собирать документы заранее не надо.

Шаг второй: пилот на одном процессе и что он потребует от вас

Пилот — это маленькая работающая версия на одном процессе и на ваших настоящих данных. Отсюда и требования: на этом шаге проект впервые упирается в вас.

Что нужно от вас для ИИ-агента на этом шаге? Четыре вещи, и лучше знать о них заранее.

• Выгрузка процесса файлом. За несколько месяцев, в виде, который можно отправить. Красивый дашборд, к которому нет доступа на выгрузку, здесь не считается: смотреть на данные и работать с ними — разные вещи.
• Доступ к системе, где данные лежат. Не «мы покажем на экране», а право прочитать. На нашей практике именно этот пункт оказывается самым долгим, и ниже будет отдельный разговор почему.
• Размеченные примеры. Для классификации обычно нужны несколько тысяч примеров, из которых несколько сотен размечены руками: вот это правильный ответ, вот это нет. Разметить сотню примеров занимает два-три дня скучной работы.
• Человек, который принимает результат. Не тот, кто платит, а тот, кто посмотрит на ответ агента и скажет «да, так правильно», причём скажет это и через квартал.

Почему разметку пропускают чаще всего

Из этих четырёх пунктов тяжелее всего даётся разметка, и вот почему. Попросите троих сотрудников разобрать одну и ту же пачку заявок — вы получите три разных результата, и каждый будет уверен в своём. Пока эти расхождения не проговорены вслух и не записаны, сверяться агенту не с чем: он выучит ту версию правды, которая случайно чаще попалась ему в примерах, и будет уверенно её повторять.

Не пугайтесь этого списка: идеальных данных не бывает ни у кого. Harvard Business Review вместе с Cloudera осенью 2025 года опросили больше двухсот руководителей, и полностью готовыми к ИИ свои данные назвали семь процентов. Ещё примерно четверть сказали, что данные не готовы или почти не готовы, а почти три четверти назвали подготовку данных сложной работой. Так что вы не в худшем положении, чем рынок.

Размечает при этом ваш сотрудник, а не мы: правильный ответ знает тот, кто занимается этим процессом каждый день, и передать это знание можно только примерами.

Чем заканчивается пилот? Работающим контуром на одном процессе и цифрой, которую можно сравнить с той, что была до него. Если цифры до пилота не существовало — её считают в первую неделю, и это нормальная часть работы, а не потерянное время.

Шаг третий: разработка и интеграции, где сроки едут чаще всего

Сроки разработки ИИ-агента едут на доступе, а не на модели. На третьем этапе это видно отчётливее всего.

Выгрузку обещают за неделю, а приходит она через полтора месяца. Разберём, из чего складывается эта задержка, потому что почти никогда она не техническая.

Сначала выясняется, кто в компании настоящий владелец данных, и это редко тот отдел, который заказывал агента. Потом оказывается, что выгрузку руками делает один конкретный человек, а у него своя очередь задач. Потом службе безопасности нужно понять, что именно уедет за периметр и на каких условиях. Каждый шаг занимает дни, вместе они дают недели, и ни на одном из них никто не виноват.

Поэтому доступ мы просим в первый день, а не когда дойдёт очередь. И вам советуем закладывать в план полтора месяца, а не неделю: если управитесь быстрее — прекрасно, проект пойдёт с опережением.

Показательно, что мешает таким проектам. Gartner прогнозирует, что больше сорока процентов проектов агентного ИИ закроют до конца 2027 года, и называет три причины: растущие издержки, неясная ценность, слабый контроль рисков. Ни одна из них не техническая.

Что происходит с нашей стороны

Агент из пилота обрастает тремя вещами. Первая — интеграции: он перестаёт жить в отдельном окне и начинает читать и писать в ваши системы. Вторая — обработка исключений: те самые случаи, которые бывают раз в неделю и о которых на пилоте никто не вспомнил. Третья — права: кто из сотрудников что видит и что агенту разрешено делать самому, а что только предлагать.

Отдельная история — права доступа внутри вашей компании. Агенту приходится решать, что он делает сам, а что только предлагает человеку, и этот выбор делается по цене ошибки, а не по технической возможности. Отправить клиенту письмо от лица компании и подготовить его черновик — разные уровни доверия, и мы разводим их с самого начала.

Что нужно от вас: человек, который отвечает на вопросы по процессу, и терпение к тому, что первые ответы агента придётся править. Это нормально! Агент на этом этапе похож на нового сотрудника в первую неделю: он всё понял в целом, но ещё не знает, что у вас принято, а что нет.

Шаг четвёртый: поддержка, без которой агент тихо устаревает

Отдельного сотрудника на поддержку агента вам не понадобится, а вот забыть про него не получится. Через сколько всё поедет, честно сказать нельзя: у одних процесс не меняется полгода, у других новое поле в форме появляется через месяц после запуска.

Зато понятно, как это выглядит. Качество не рушится с грохотом, оно сползает: агент продолжает раскладывать заявки по правилам, которые были верны в июне, и заметить это некому.

Агент не ломается с грохотом. Он тихо отвечает по вчерашним правилам, и заметить это некому, если никто не смотрит.

Разрыв между «запустили» и «живёт» виден и в больших опросах. McKinsey в обзоре за 2025 год пишет, что с агентами экспериментируют почти две трети организаций, а масштабируют где-то у себя примерно четверть. Внутри одной функции доля тех, кто действительно масштабирует, не превышает десятой части. Причин у такого разрыва много, и мы видим среди них поддержку, которую не заложили в план.

Пример из самых будничных. Отдел продаж добавил в форму поле «источник обращения», агент про него ничего не знает. Формально всё работает и отчёты собираются, а вылезает это через месяц, когда руководитель не может понять, почему один канал вдруг перестал приносить лиды.

Что входит в ежемесячную работу: смотрим на качество ответов, дообучаем на новых данных, добавляем то, что понадобилось по ходу. Отдельный сотрудник у вас для этого не нужен — нужен один человек, который раз в месяц смотрит отчёт и говорит, что поменялось в процессе. В отчёте видно, на каких обращениях агент ошибается чаще остальных и какие новые типы появились за месяц: по нему и решают, что дообучать дальше.

Поэтому разработка AI-агентов заканчивается тем, что кто-то продолжает за систему отвечать. Мы это заложили в свою модель работы сознательно: подрядчик, который сдал код и ушёл, оставляет заказчику проблему вместо результата.

Итоги: с чего начать

До любого разговора с подрядчиком проверьте две вещи. Первая: можно ли выгрузить ваш процесс файлом за несколько месяцев и есть ли у кого-то право эту выгрузку отдать. Вторая: кто в компании скажет «работает правильно» и подпишется под этим через квартал.

Если ответ на оба вопроса у вас есть, укладывайтесь в те самые два-три месяца. Если нет — начните с них, и внедрение ИИ-агентов в бизнес пойдёт заметно быстрее, чем у тех, кто выясняет это уже в процессе. Это нормальная стартовая точка, а не отставание.

А если хотите проверить конкретный процесс, приходите на бесплатный разбор: те самые пятнадцать-тридцать минут, на которых мы смотрим процесс и данные и говорим, где агент даст результат, а где задача решается проще и дешевле.