ИИ-агент: что это такое, как работает и как создать своего

По прогнозу Gartner, к 2029 году ИИ-агенты будут сами закрывать до 80% типовых обращений клиентов. Термин звучит из каждого второго питча, и часто за ним прячут обычного чат-бота со скриптами. В этой статье разберём без маркетинга: что такое ИИ-агент на самом деле, как он устроен, чем отличается от ChatGPT и как создать своего. Способов три, от конструктора до разработки с нуля.

Мы в Clora строим ИИ-агентов для продаж и пропустили через них тысячи реальных диалогов с покупателями. Поэтому кроме теории в статье будет то, что обычно узнают на собственных ошибках.

Что такое ИИ-агент простыми словами

ИИ-агент представляет собой программу на основе большой языковой модели (LLM), которая самостоятельно выполняет задачи: понимает цель, разбивает её на шаги, пользуется внешними инструментами (CRM, базы данных, платёжные системы) и доводит дело до результата.

Ключевое слово здесь «самостоятельно». Обычная нейросеть отвечает на вопрос и останавливается. Агент действует. Если для ответа нужно проверить остаток на складе, он сам сделает запрос в учётную систему. Если клиент готов купить, оформит заказ и выставит счёт. Если задача не решается с первого раза, попробует другой путь.

Самая точная аналогия: не «умный чат», а цифровой сотрудник. Вы ставите ему задачу («консультируй покупателей и оформляй заказы»), даёте доступ к рабочим инструментам и материалам компании, а дальше он работает сам и зовёт человека только в сложных случаях.

Чем ИИ-агент отличается от чат-бота и от ChatGPT

Эти три технологии постоянно путают, хотя между ними поколение разницы.

Сценарный чат-бот

Живёт по жёсткому сценарию из кнопок и веток. Свободную речь не понимает, реагирует только на кнопки и ключевые слова. Во внешних системах почти не работает, разве что по заранее прописанным веткам. Контекст помнит в рамках сценария, а на любой вопрос мимо скрипта отвечает «я вас не понял». Потолок такого бота: закрыть пять типовых вопросов.

Нейросеть-ассистент (ChatGPT)

Свободную речь понимает отлично и красиво объясняет что угодно. Но у него нет доступа к вашим системам: он не проверит остаток на складе, не создаст сделку в CRM, не выставит счёт. Контекст держит в рамках одного чата, историю клиента между разговорами не хранит. Итог его работы: клиент получил хорошее объяснение условий, но дальше всё равно нужен человек.

ИИ-агент

Сам планирует цепочку шагов до цели. Действует во внешних системах: CRM, склад, оплата, документы. Помнит клиента между диалогами: историю, прошлые заказы, предпочтения. Если разговор пошёл не по плану, перестраивает план или зовёт человека. Итог его работы: проконсультировал, собрал заказ, выставил счёт.

Если совсем коротко: чат-бот следует скрипту, ChatGPT отвечает, агент делает. При этом ChatGPT агенту не конкурент, а деталь: внутри почти каждого агента работает такая же языковая модель, только обвязанная инструментами, памятью и планировщиком. Об этой обвязке дальше.

Как работает ИИ-агент: четыре компонента и один цикл

Архитектура любого агента, от простого до корпоративного, собирается из четырёх блоков.

1. Мозг: большая языковая модель

LLM (GPT, Claude, DeepSeek, GigaChat и другие) отвечает за понимание речи и рассуждение: что клиент имел в виду, какой шаг сделать следующим, как сформулировать ответ. Модель самая заметная часть агента, но не самая важная. Посредственная модель с хорошими инструментами и данными работает лучше, чем топовая модель «в вакууме».

2. Инструменты: «руки» агента

Инструментом называют функцию, которую агент может вызвать: «найди товар в каталоге», «создай сделку в CRM», «сформируй счёт», «проверь статус доставки». Какой инструмент нужен в конкретный момент, модель решает сама, этот механизм называется function calling. Именно инструменты превращают говорилку в исполнителя: без них агент может только рассуждать о заказе, с ними может его оформить.

3. Память: короткая и долгая

Короткая память хранит контекст текущего диалога: что клиент уже сказал, что лежит в корзине. Долгая переживает диалог: история покупок, контакты, предпочтения. Когда покупатель возвращается через месяц, агент с долгой памятью не спрашивает имя и телефон заново, а здоровается: «Добро пожаловать снова! Повторим прошлый заказ?»

Отдельным слоем идёт база знаний: документы, прайсы и регламенты компании, по которым агент отвечает. Подход называется RAG (retrieval-augmented generation): под каждый вопрос система находит в знаниях нужный фрагмент и передаёт его модели.

4. Планировщик: цикл «цель → план → действие → проверка»

Главное отличие агента от одиночного запроса к нейросети в том, что агент работает циклом. Получив задачу, он строит план, выполняет шаг, смотрит на результат и решает, что дальше: продолжить, перепланировать или отдать человеку. Клиент пишет «нужна плитка для ванной, метров шесть». Агент уточняет стиль, ищет коллекции в каталоге, считает количество упаковок с запасом на подрез, собирает корзину, предлагает оплату. Это не один ответ, а последовательность решений, и каждое опирается на результат предыдущего.

В серьёзных системах в цикл добавляют проверку качества: отдельный шаг, который ловит галлюцинации, то есть уверенные ответы, не подтверждённые базой знаний. В Clora, например, каждый ответ агента проходит такой контроль до отправки клиенту. Если утверждение не подтверждается документами компании, ответ переписывается или уходит человеку.

Какие бывают ИИ-агенты

Классификаций много, на практике полезны две.

По степени автономности. Ассистент-подсказчик готовит черновики, а решение принимает человек. Полуавтономный агент сам ведёт рутину, но ключевые действия вроде оплаты, скидки или договора подтверждает человек. Автономный агент закрывает задачу полностью и отчитывается результатом. Начинать разумно с середины: полная автономия не стартовая точка, а результат накопленного доверия и статистики.

По специализации. Универсальные агенты (личные ассистенты) делают всё понемногу. Специализированные заточены под одну функцию: агент продаж, агент поддержки, агент-рекрутер. Практика последних двух лет здесь однозначна: специализированные агенты доходят до продакшена чаще, потому что у них измеримая цель и ограниченная зона ответственности.

Внутри одного продукта агенты часто работают командой, это называют мультиагентной системой: один маршрутизирует запрос, второй консультирует по базе знаний, третий оформляет заказ, четвёртый проверяет качество ответа. Пользователь видит один чат, под капотом конвейер из нескольких агентов.

Где используют ИИ-агентов: примеры задач

Максимум эффекта агенты дают там, где много однотипных диалогов и понятный результат.

• Продажи. Консультации по каталогу, квалификация лидов, сбор заказа, счета и оплата, возврат «уснувших» клиентов. Это самое зрелое применение: цикл продажи хорошо формализуется, а результат меряется деньгами. Подробный разбор есть в статье что такое ИИ-агент для продаж и как он работает.
• Поддержка клиентов. Ответы по базе знаний, статусы заказов, типовые претензии, эскалация сложных случаев.
• Внутренние процессы. Первичный скрининг резюме, подготовка отчётов, обработка документов, онбординг сотрудников.
• Маркетинг. Сегментация базы, персональные предложения, реактивация клиентов.

Скорость здесь не бонус, а суть. По классическому исследованию Harvard Business Review, компания, связавшаяся с лидом в течение часа, квалифицирует его в семь раз чаще той, что ответила позже. Агент отвечает за секунды и не спит. Человек физически не даст такой же отклик в два часа ночи в воскресенье.

Как создать ИИ-агента: три способа

Выбор способа сводится к балансу скорости, гибкости и цены.

Способ 1. No-code конструктор

В визуальном редакторе (n8n, Make и аналоги) вы соединяете блоки: триггер, например сообщение в Telegram, затем запрос к LLM, затем действие вроде записи в таблицу. Отличный вариант, чтобы понять принцип и автоматизировать простые сценарии. Запуск занимает дни, бюджет на старте почти нулевой, если не считать подписки на сервисы в цепочке.

Ограничения проявляются на масштабе. Длинные диалоги с памятью, контроль галлюцинаций, права доступа, устойчивость к нестандартным репликам: всё это в конструкторе приходится собирать и чинить руками, и схема из сорока блоков быстро становится неподдерживаемой. Кому подходит: личная автоматизация и простые процессы.

Способ 2. Готовая платформа под задачу

Если агент нужен для конкретной функции, например продаж, поддержки или найма, быстрее взять продукт, где архитектура уже построена и обкатана: маршрутизация, память, инструменты, контроль галлюцинаций. Ваша работа сводится к обучению агента на данных компании и подключению своих систем. Запуск занимает от нескольких минут до пары часов, бюджет складывается из подписки от нескольких тысяч рублей в месяц.

Минус: вы ограничены рамками задачи платформы, агента-юриста из агента продаж не сделать. Кому подходит: бизнесу, которому нужен результат в конкретной функции, а не эксперименты с технологией.

Способ 3. Разработка с нуля

Полный контроль: свой стек (LLM API плюс фреймворк вроде LangGraph, LangChain или CrewAI), свои модели, любая логика. Сроки измеряются месяцами, бюджет начинается от сотен тысяч рублей и легко уходит в миллионы, плюс команда на поддержку. Кому подходит: продуктовым командам и действительно нестандартным кейсам.

И сразу честное предупреждение: по оценке Gartner, больше 40% проектов агентного ИИ будут свёрнуты до конца 2027 года из-за размытых целей, недооценённой стоимости и отсутствия метрик. Разработка с нуля оправдана, когда агент часть вашего продукта, а не когда «хочется своё».

Как проверять любое из решений перед запуском, от защиты от галлюцинаций до эскалации, мы разбирали в гайде как выбрать ИИ-агента для продаж: 9 критериев.

Создание ИИ-агента без кода: пошаговый пример за 15 минут

Покажем второй способ на практике, на примере агента продаж в Clora. Логика шагов одинакова для любой приличной платформы, так что пример пригодится, даже если вы выберете другой инструмент.

Шаг 1. Расскажите о бизнесе. Что продаёте: товары, услуги или и то и другое. Кому: частным клиентам или компаниям. В каком канале общаетесь: виджет на сайте, Telegram, WhatsApp, почта. Из этих ответов платформа собирает базовую конфигурацию. Агенту-«товарнику» нужны каталог и корзина, агенту в услугах важнее квалификация лида, КП и счета.

Шаг 2. Загрузите знания. Ссылка на сайт, текст или файлы: PDF, Word, Excel с прайсами. Из них строится база знаний, по которой агент будет отвечать. Это самый важный шаг: агент не умнее своих данных. О том, как ИИ читает и понимает загруженные документы, у нас есть отдельный разбор.

Шаг 3. Подключите системы. CRM (amoCRM, Битрикс24), чтобы лиды сами попадали в воронку. Система заказов (RetailCRM, МойСклад), чтобы агент видел актуальные остатки и создавал заказы. Приём оплаты, чтобы отправлять ссылку на оплату прямо в диалоге. Без интеграций агент останется консультантом, с ними становится продавцом полного цикла.

Шаг 4. Проверьте и запустите. Задайте агенту десяток реальных вопросов клиентов в тест-чате, включая каверзные: «а скидку дадите?», «чем вы лучше конкурента?». Убедитесь, что на вопросы вне базы знаний он честно уточняет, а не сочиняет. Дальше установка виджета на сайт или подключение мессенджера, и агент работает.

Весь путь занимает 15–30 минут против месяцев разработки. Что получается на выходе, с цифрами конверсии по нишам, можно посмотреть в кейсах.

Как создать ИИ-агента с нуля: что нужно знать разработчику

Если вы всё же строите сами, вот минимальная карта местности.

Стек. Язык, как правило, Python. Доступ к моделям по API: OpenAI, Anthropic, DeepSeek, в российском контуре GigaChat и YandexGPT. Оркестрация через фреймворк: LangGraph (граф состояний, самый предсказуемый контроль потока), LangChain, CrewAI, AutoGen. Мы в Clora строим агентов на LangGraph: маршрутизатор определяет намерение клиента, специализированные узлы (консультация, CRM, заказ) работают параллельно, отдельный узел проверяет ответ на галлюцинации.

RAG и база знаний. Документы компании режутся на фрагменты, каждый превращается в вектор (эмбеддинг) и складывается в векторную базу вроде pgvector или Qdrant. На каждый вопрос клиента система достаёт релевантные фрагменты и передаёт их модели вместе с вопросом. 80% качества агента делается здесь, а не в выборе LLM.

Что съедает время на самом деле. Не «подключить GPT», это день работы. Месяцы уходят на остальное: контроль галлюцинаций и того, что агент не пообещает несуществующую скидку, память между сессиями и каналами, обработка сбоев внешних API, тестирование на сотнях реальных диалогов, мониторинг качества после запуска, безопасность персональных данных. Держите в голове и юнит-экономику: каждый диалог стоит токенов LLM, и до запуска полезно посчитать стоимость одного диалога, умноженную на ваш трафик.

Реалистичный бюджет. Прототип: 2–4 недели работы одного разработчика. Продакшен-система с интеграциями и контролем качества: от 3–6 месяцев команды и от 1–2 млн рублей, плюс постоянная поддержка. Модели обновляются, промпты деградируют, интеграции ломаются.

Частые ошибки при создании ИИ-агентов

1. Агент без инструментов. Подключили LLM к чату и назвали агентом. Клиенты быстро понимают, что «агент» ничего не может сделать, и уходят к телефону.
2. Пропущенный этап данных. Агента запускают на пустой или устаревшей базе знаний, он галлюцинирует, доверие сгорает за первую неделю. Сначала данные, потом запуск.
3. Полная автономия с первого дня. Дайте агенту сначала рутину с подтверждением ключевых действий человеком, расширяйте права по мере накопления статистики.
4. Нет пути к человеку. Любой агент должен уметь сказать «зову коллегу» и передать диалог менеджеру с полным контекстом. Агент без эскалации превращается в ловушку для клиента.
5. Нет метрик. Заранее определите, что считается успехом: доля закрытых без человека диалогов, конверсия в заказ, скорость ответа. Иначе через три месяца невозможно понять, работает агент или просто отвечает.

Сколько стоит ИИ-агент

Порядок цифр по трём путям. Конструктор: условно бесплатно на старте, но считайте ваше время на сборку и поддержку плюс подписки на каждый сервис в цепочке. Готовая платформа: подписка от нескольких тысяч рублей в месяц и запуск в тот же день. Актуальные планы Clora есть на странице тарифов, попробовать можно бесплатно и без карты. Разработка с нуля: от 1–2 млн рублей и месяцы до первого результата, плюс команда на сопровождение.

Отдельный вариант для компаний, которым нужен результат без самостоятельной настройки: внедрение под ключ. Аудит воронки, обучение агента на ваших данных и запуск делает команда платформы.

FAQ: короткие ответы на частые вопросы

ИИ-агент и ChatGPT: это одно и то же?
Нет. ChatGPT остаётся языковой моделью с чат-интерфейсом: отвечает, но не действует. ИИ-агент использует такую же модель как «мозг», но добавляет инструменты (CRM, каталог, оплата), память и планировщик. Поэтому он выполняет задачи, а не только разговаривает.

Можно ли создать ИИ-агента бесплатно?
Поэкспериментировать можно: у конструкторов и LLM-провайдеров есть бесплатные лимиты. Рабочий агент бесплатным не бывает: вы платите либо подписку за платформу, либо за токены модели и время разработчиков. Дешевле всего проверить гипотезу на триале готовой платформы и уже с цифрами решать, что строить дальше.

Какие данные нужны, чтобы агент работал хорошо?
Сайт или каталог, прайс, ответы на 20–30 реальных вопросов клиентов, регламенты по доставке, возврату и оплате. Качество агента определяется этими данными сильнее, чем выбором нейросети.

ИИ-агент заменит моих сотрудников?
Он заберёт рутину: типовые вопросы, ночные заявки, оформление документов. Людям останутся переговоры и сложные случаи. Подробно разбирали в статье заменит ли ИИ отдел продаж.

Насколько это безопасно? Агент не сольёт данные клиентов?
Зависит от реализации. Спрашивайте у вендора, где хранятся данные, шифруются ли ключи интеграций, соблюдается ли 152-ФЗ. Как это устроено в Clora, описано на странице безопасности.

Сколько времени занимает создание ИИ-агента?
На готовой платформе от 15 минут до пары дней с интеграциями. В конструкторе дни или недели. С нуля от трёх месяцев до года в зависимости от сложности.

Коротко: главное

• ИИ-агент состоит из LLM, инструментов, памяти и планировщика. Он не только отвечает, но и действует: в CRM, каталоге, платёжной системе.
• От чат-бота его отличает свобода от скриптов, а от ChatGPT то, что он доводит задачу до результата.
• Внутри работает цикл «цель, план, действие, проверка». В зрелых системах ответы дополнительно проверяются на галлюцинации.
• Создать агента можно тремя способами: в конструкторе (гибко, но всё руками), на готовой платформе (быстро, в рамках задачи) или с нуля (полный контроль, месяцы и миллионы).
• Качество агента определяют данные и инструменты, а не «крутость» модели. Начинайте с ограниченной автономии и всегда оставляйте путь к человеку.