ИИ-агенты для бизнеса: где они окупаются, а где нет

Вопрос «нужен ли нам ИИ-агент» почти всегда стоит переформулировать в «какой процесс мы хотим удешевить и почему именно этим инструментом». Иначе внедрение получается ради технологии, а не ради результата.

Процессы, где агент выигрывает

Признаки процесса, где агент действительно окупается:

• На входе неструктурированный текст. Письма, обращения, документы, заявки в свободной форме. Именно здесь модель делает то, чего не делает обычный код.
• Объём большой и стабильный. Разовая задача не окупает разработку.
• Цена одной ошибки невелика. Неверная категория тикета исправляется, неверный платёж - нет.
• Ошибка обнаруживается. Это критично: процесс, где ошибку никто не заметит, автоматизировать нельзя ни агентом, ни кодом.
• Правила описываются с трудом. Если процесс легко описывается условиями, дешевле их и написать.

Типичные кандидаты: первичная обработка обращений, классификация и маршрутизация, разбор документов в структуру, подготовка черновиков ответов, сбор и сведение данных из разных источников.

Где дешевле обычная автоматизация

Самая частая ошибка при внедрении - взять агента туда, где хватает воркфлоу.

Если данные уже структурированы, а правила известны, задача решается связкой сервисов без модели: дешевле в эксплуатации, предсказуемее и отлаживается за минуты. Про этот класс инструментов - гид по n8n.

Ориентир по стоимости: шаг воркфлоу стоит доли копейки, шаг агента - в сотни раз дороже. На десяти запусках в день разница незаметна, на десяти тысячах она определяет экономику.

Отдельный случай - парсинг и сбор данных. Здесь модель обычно нужна только на разбор неструктурированной части, а сам сбор делается кодом.

Как считать окупаемость честно

Считайте четыре величины, а не две.

Что стоит процесс сейчас. Часы, умноженные на стоимость часа, плюс стоимость задержки, если она есть.

Что будет стоить с агентом. Токены на запуск, умноженные на объём, плюс инфраструктура. Считайте по реальному числу шагов, а не по идеальному сценарию: разница обычно в три-четыре раза.

Что стоит доля ошибок. Возьмите измеренный процент неудач и умножьте на стоимость их разбора. Это та статья, которую пропускают, и именно она чаще всего съедает экономию.

Что стоит поддержка. Меняются формы входящих данных, меняются модели, ломаются интеграции. Система без владельца деградирует за месяцы.

Практическое правило: до пилота на реальных данных цифры окупаемости - это гипотеза. Две недели работы в режиме наблюдения, где агент предлагает, а человек решает, дают настоящий процент ошибок. Дальше считать можно.

Риски, которые обычно не закладывают

• Данные уходят наружу. Всё, что попало в контекст, ушло провайдеру модели. Для персональных данных и коммерческой тайны это вопрос, который решают до внедрения, а не после.
• Зависимость от провайдера. Цена, доступность и поведение модели вам неподконтрольны. Возможность сменить модель стоит закладывать в архитектуру сразу.
• Тихая деградация. Агент не ломается заметно: он начинает чаще ошибаться. Без мониторинга это обнаруживают через клиентов.
• Ложное чувство контроля. Отчёт агента об успехе - не факт успеха. Нужна верификация программой.

С чего начинать

Порядок, который снижает риск и стоимость входа:

1. Выбрать один процесс с объёмом и с обнаружимыми ошибками.
2. Измерить, сколько он стоит сейчас.
3. Собрать узкую версию и прогнать в режиме наблюдения.
4. Посчитать окупаемость по измеренным цифрам.
5. Расширять только после этого.

Если процесс, который хочется автоматизировать, ещё не выбран - есть разбор в блоге: какие процессы автоматизировать первыми.

Обсудить конкретную задачу и получить оценку по срокам и стоимости можно на странице услуг. Как выглядит разработка агентов со стороны исполнителя - в отдельной статье. Общая картина - гид по ИИ-агентам.