На автопилоте: какие бизнес-процессы компании уже доверяют ИИ-агентам
ИИ-агенты становятся такой же частью ИИ-инфраструктуры компаний, как системы управления предприятием (ERP). Они сами управляют бизнес-процессами, то есть выполняют действия. Максим Федотов (IT-компания Git in Sky) разбирает сценарии, где они несут пользу
Фото: Declan Sun / Unsplash
Фонг Ле, генеральный директор компании Strategy, крупнейшего в мире корпоративного держателя биткоина, в феврале заявил, что традиционная эпоха корпоративного ПО фактически завершилась. По его мнению, cледующим этапом развития станет инфраструктура, в которой ИИ способен понимать бизнес-контекст организации и инициировать действия внутри корпоративных систем, то есть по сути эпоха ИИ-агентов.
Какие процессы компании могут доверить и доверяют ИИ-агентам уже сейчас? Давайте разберемся.
Где ИИ-агенты уже приносят пользу: 4 сценария
ИИ-агенты приносят наиболее заметный эффект в процессах с высокой повторяемостью, большим объемом данных и сложной логикой координации.
Проверка документов и финансовых операций
В финансовых организациях значительная часть времени сотрудников уходит на анализ договоров, кредитных заявок и других документов. Это рутинная работа, но она требует высокой точности и внимательности. ИИ-агент может анализировать документы, извлекать из них ключевые данные, проверять их на соответствие внутренним правилам и автоматически запускать дальнейшие процедуры.
Например, Альфа-банк обратился к подобным технологиям для автоматизации валютного контроля. По утверждениям банка, если раньше сотрудникам требовалось до двух часов на анализ одного договора с заполнением 90 полей, то теперь ИИ-агент выполняет эту задачу примерно за одну минуту. Причем система способна обрабатывать до 2,7 тыс. контрактов в течение 24 часов и формировать заключение с 80% точностью, позволяя экспертам сосредоточиться на более сложных задачах.
Управление логистикой и цепочками поставок
В ретейле и e-commerce управление цепочками поставок зависит от тысяч параметров: спроса, складских запасов, транспортных маршрутов и загрузки складов. Даже небольшая ошибка может привести к дефициту товара или избыточным запасам. ИИ-агенты способны анализировать данные о продажах и логистике, автоматически корректировать планы поставок, оптимизировать маршруты доставки и перераспределять складские запасы. В результате компании быстрее реагируют на изменения спроса и снижают операционные издержки.
Так, DHL использует агентные решения для планирования встреч, контрольных звонков водителям и координации складских операций с высоким приоритетом. Например, один голосовой агент может взаимодействовать по телефону с партнером, занимающимся планированием работы водителей, а другой — обрабатывать электронную переписку по конкретной отправке. По оценке DHL Supply Chain, использование таких систем позволит «ежегодно экономить миллионы минут, которые раньше уходили на телефонные переговоры и обработку электронной переписки».
Обслуживание клиентов и поддержка пользователей
Контакт-центры крупных компаний ежедневно обрабатывают миллионы обращений клиентов. При этом значительная часть запросов типовая: уточнение статуса заказа, возврат товаров, изменение бронирований — все зависит от направления бизнеса. ИИ-агент может взять эти рутинные процессы на себя, самостоятельно вести диалог с клиентом, обращаться к внутренним базам знаний, выполнять операции в CRM и инициировать возвраты или изменения заказов.
Вступайте в сообщество Школы управления РБК в Telegram или «Макс», чтобы общаться с руководителями из разных сфер, выстраивать нетворкинг и получать советы экспертов.
Один из примеров — шведский платежный сервис Klarna. Компания запустила ИИ-ассистента на базе OpenAI, который уже в первый месяц обработал 2,3 млн диалогов — около двух третей всех обращений в поддержку. По оценке Klarna, система выполняет объем работы, сопоставимый с тем, который приходился бы на 700 сотрудников службы поддержки, причем при неизменном уровне удовлетворенности клиентов. В итоге время решения типовых запросов сократилось с 11 минут до менее чем 2 минут, а количество повторных обращений снизилось на 25%.
Предиктивное обслуживание оборудования
В промышленности интерес к ИИ-агентам связан прежде всего с возможностью автоматизировать операционные решения непосредственно в производственном контуре. Например, отслеживать параметры производственной линии, выявлять узкие места, оптимизировать загрузку оборудования, а также предотвращать незапланированные сбои и неисправности.
Так, в энергосекторе у нас был кейс по внедрению ИИ-агента для предиктивного обслуживания на основе данных с вибрационных датчиков. Принцип относительно прост: алгоритмы анализируют спектр вибраций оборудования и выявляют аномальные паттерны. Когда система обнаруживает характерную последовательность вибраций, которая обычно предшествует поломке, оператор автоматически получает предупреждение о необходимости обслуживания. Но даже в режиме «второго пилота», под контролем сотрудников ТЭЦ по итогам первых шести месяцев работы количество нежелательных событий с генераторами в годовом исчислении сократилось на 24% благодаря своевременному ТО.
Где создают риски: один неудачный кейс
На практике компании пока очень осторожны в передаче ИИ-агентам полного контроля над процессами. Дело не столько в самих агентах, сколько в инфраструктуре, лежащей в их основе. Если агент принимает решения или дает ответы на основе неполной или искаженной информации, он не повышает эффективность, а масштабирует ошибку.
Один из показательных случаев произошел в 2025 году с Джейсон Лемкин — технологическим предпринимателем и основателем сообщества SaaStr. Он решил протестировать ИИ-агента от Replit в реальной рабочей среде.
Агенту была поставлена задача помочь с управлением проектом и данными. Однако в процессе работы система начала действовать слишком автономно: она внесла изменения в структуру проекта без явного разрешения. В какой-то момент агент удалил базу данных, посчитав это частью оптимизации или «очистки».
После этого ИИ сообщил, что восстановление невозможно — фактически признав данные утерянными. Это выглядело как критический сбой: база содержала важную информацию, и ее потеря могла привести к серьезным последствиям.
Тем не менее Лемкин смог вручную восстановить данные. Этот случай показал сразу несколько рисков:
- агент может неправильно интерпретировать задачу;
- избыточная автономность приводит к необратимым действиям;
- система не всегда корректно оценивает последствия своих решений.
При этом сам Лемкин не отказался от идеи использования ИИ-агентов. Он подчеркнул, что проблема не в технологии как таковой, а в настройке, контроле и ограничениях, которые должны задавать разработчики и пользователи. В январе Лемкин заявил, что прекратит нанимать людей в отдел продаж SaaStr и вместо этого сделает ставку на ИИ-агентов.
ИИ-агенты постепенно становятся новым слоем корпоративной инфраструктуры подобно тому, как ранее ими стали, например, ERP-системы. Однако «автопилот» работает только там, где определены правила принятия решений, подготовлены данные и выстроена система контроля.