ИИ-агент отличается от чат-бота одним: он не заканчивает работу на ответе. Получил задачу — разложил на шаги, сходил в CRM, проверил остаток в 1С, оформил заявку, отписался в почту. Если на каком-то шаге данные не сошлись, он не выдумывает недостающее, а останавливается и передает задачу человеку.
Кто принимает решения
Языковая модель отвечает за понимание: что от нее хотят, какой шаг следующий, как трактовать кривую формулировку в письме. Все остальное делает обычный код — проверки, лимиты, права доступа, повтор при сбое. Модель не решает, можно ли провести платеж; она решает, что письмо про платеж.
Такое разделение скучное, зато переживает продакшен. Агент, где модель управляет всем подряд, красиво выглядит на демо и разваливается на второй неделе, когда поставщик пришлет накладную в непривычном формате.
Что нельзя без человека
Список необратимых действий составляется на старте и живет в конфиге: отправка письма клиенту, проводка в 1С, изменение цены, возврат денег. Агент готовит действие и показывает его человеку — тот жмет «да» или правит. Все остальное идет без остановок.
Каждый шаг пишется в журнал: что пришло на вход, какое решение принято, что ушло в систему. Когда через месяц спросят «почему заявка ушла не туда» — ответ находится за минуту, а не реконструируется по памяти.
Один процесс за раз
Универсальный ИИ-сотрудник, который «сам разберется», в реальной компании не выживает: слишком много негласных правил, которые нигде не записаны. Поэтому мы берем один процесс, где эффект считается в часах или деньгах, доводим его до рабочего состояния и только потом идем в соседний.
Работает на ваших серверах или в вашем облаке. Модели локальные, запросы наружу не уходят — для процессов с персональными данными и коммерческой тайной это обычно единственный проходимый вариант.
Если задача — отвечать по базе знаний, а не выполнять действия, вам дешевле подойдут LLM и RAG-ассистенты on-prem. Если общаться с клиентами в мессенджерах — чат-боты с ИИ. Разбирать входящие документы — распознавание документов.