Агенты AI и мультиагентные системы: как Agentic AI меняет бизнес-процессы

Искусственный интеллект постепенно переходит от модели «человек задает вопрос – система выдает ответ» к модели, в которой ИИ получает цель и самостоятельно выполняет цепочку действий. Так появились AI-агенты – программные системы, способные анализировать ситуацию, планировать шаги, использовать внешние инструменты и контролировать результат. Интерес бизнеса к этой технологии быстро растет.

По данным McKinsey, в 2025 году 62 % опрошенных компаний уже экспериментировали с AI-агентами, а 23 % сообщили о масштабировании хотя бы одной Agentic AI-системы. При этом большинство организаций пока внедряет агентов только в одной-двух функциях. Главный вопрос для компаний сегодня не в том, нужны ли они им вообще, а в том, какие процессы действительно стоит передать и где сохранить детерминированную автоматизацию и человеческий контроль.

Что такое AI-агенты

AI-агент – это программная система, которая получает цель, анализирует контекст, выбирает последовательность действий и взаимодействует с внешними системами для достижения результата. В основе обычно находится большая языковая модель, но сама модель – только один компонент решения.

Агент AI может получить задачу обработать заявку клиента, определить, какие данные необходимы, запросить их из CRM, найти информацию в базе знаний, классифицировать обращение, подготовить ответ и создать задачу менеджеру. То есть он не просто генерирует текст, а принимает решения в рамках заданного процесса и выполняет действия.

IBM описывает AI-агентов как системы, способные самостоятельно планировать и выполнять задачи с ограниченным надзором человека. В отличие от обычной LLM, агент взаимодействует с инструментами и внешней средой, а сложную задачу может разбивать на последовательность подзадач. Поэтому между LLM и агентом AI существует принципиальная разница: LLM отвечает на запрос, агент AI использует LLM как механизм рассуждения, но дополнительно получает память, инструменты, бизнес-правила, доступ к данным и возможность выполнять действия.

Типичный цикл работы агента выглядит следующим образом: цель → анализ контекста → планирование → действие → получение результата → проверка → следующее действие.

Важный принцип — не давать модели неограниченные права. Агент должен действовать через контролируемые интерфейсы, а критические операции проходить через политики и проверки.

Например, сотрудник ставит задачу: «Проверь новую заявку от клиента и подготовь менеджеру краткое резюме». Агент получает заявку, определяет тип запроса, обращается к CRM, проверяет историю взаимодействия, находит связанные документы и формирует результат. Если данных недостаточно, система может запросить дополнительную информацию. Если действие требует специального разрешения, она передает его человеку. Если операция завершена, агент фиксирует результат в корпоративной системе.

AI-агенты уже начинают активно использоваться в корпоративных системах. Например, Amazon развивает AgentCore для создания масштабируемых агентов с политиками, памятью и оценкой поведения. В 2025 годах компания также представила Nova Act для автоматизации действий через пользовательские интерфейсы.

Разница особенно заметна в нестандартных ситуациях. Реактивный агент следует заранее заданному сценарию, а целевой может адаптировать последовательность действий к изменившимся условиям.

Для бизнеса не всегда нужен максимальный уровень автономности. Чем выше свобода агента, тем сложнее контроль, тестирование и прогнозирование поведения. Поэтому для большинства первых проектов разумнее начинать с управляемых workflow-агентов.

Для корпоративного внедрения специализация часто оказывается более практичной. Агент, который хорошо выполняет одну измеримую функцию, обычно полезнее универсального «цифрового сотрудника», чьи возможности сложно оценить.

Мультиагентные системы и Agentic AI

Мультиагентная система объединяет несколько агентов AI, каждый из которых отвечает за определенную часть процесса. Один может искать информацию, второй анализировать данные, третий проверять результат, а оркестратор – распределять задачи и контролировать последовательность работы.

Например, в страховании можно создать систему из четырех агентов: для приема заявления, проверки документов, оценки риска и контроля соответствия правилам. Вместо одного сложного агента получается команда специализированных цифровых исполнителей. Это и есть один из наиболее перспективных вариантов Agentic AI: система становится не просто помощником, а координатором нескольких интеллектуальных исполнителей.

Однако мультиагентная архитектура не является автоматически лучшей. Каждый дополнительный агент увеличивает количество взаимодействий, стоимость, задержку и потенциальные точки отказа. Поэтому разделять процесс на несколько исполнителей стоит только тогда, когда специализация действительно дает преимущество.

Чем AI-агенты отличаются от классической автоматизации и RPA

Классическая автоматизация работает по заранее заданному сценарию. Если произошло событие А, система выполняет действие Б. RPA особенно эффективна там, где данные структурированы, процесс стабилен, а правила однозначны. AI-агент действует гибче: он способен интерпретировать неструктурированный текст, выбирать между несколькими вариантами действий и адаптироваться к изменению входных данных. Но это не означает, что агенты заменяют RPA. Наоборот, наиболее рациональная корпоративная архитектура часто объединяет технологии.

Например, агент AI определяет, какие операции необходимо выполнить, а RPA-робот переносит данные между устаревшими системами. UiPath также отмечает, что RPA остается предпочтительным инструментом для предсказуемых правил-ориентированных задач, тогда как agentic automation лучше подходит для процессов с вариативностью и необходимостью принятия решений.

Поэтому вопрос «агенты или RPA?» обычно поставлен неправильно. В реальном бизнес-процессе могут одновременно работать LLM, AI-агент, RPA, API-интеграции и человек.

Преимущества, риски и ограничения Agentic AI

Преимущества

Главное преимущество – возможность автоматизировать не отдельную операцию, а цепочку действий. Это позволяет сокращать ручной труд там, где раньше автоматизация упиралась в необходимость человеческого решения. Другой плюс – работа с неструктурированной информацией. Агент способен анализировать документы, письма и естественный язык, а затем связывать эти данные с корпоративными системами.

Риски

Их создает автономность: ошибка обычного чат-бота – неправильный текстовый ответ, в то время как ошибка агента может привести к изменению данных, отправке сообщения, созданию заказа или другому реальному действию. Поэтому необходимы разграничение прав, аудит действий, валидация результата, контроль инструментов и возможность остановить выполнение. Особенно важно защищаться от атак на AI и ситуаций, когда вредоносная инструкция попадает в документ или другой источник, который агент обрабатывает. Также остается проблема экономики. McKinsey отмечает, что хотя 88 % опрошенных организаций регулярно используют AI хотя бы в одной функции, большинство все еще находится на стадии экспериментов и пилотов.

Граница между категориями постепенно размывается: современные продукты могут сочетать свойства нескольких технологий, поэтому при ее выборе лучше ориентироваться не на маркетинговое название, а на конкретные функции и уровень автономности.

Что выбрать бизнесу: рекомендации по внедрению от экспертов «Рексофт»

Анализ процессов. Нужно найти операции, где одновременно присутствуют высокая доля ручного труда, повторяемость, достаточное количество цифровых данных и понятный результат.

Определение оптимального уровня автономности. Если процесс полностью предсказуем, классическая автоматизация может оказаться дешевле и надежнее. Если нужно интерпретировать документы и принимать промежуточные решения, стоит рассматривать AI-агента. Если процесс включает несколько специализированных этапов, имеет смысл оценить мультиагентную архитектуру.

Для первого пилота лучше выбрать ограниченный процесс с измеримым KPI: время обработки заявки, стоимость операции, доля автоматического решения, количество ошибок или нагрузка на сотрудников. При этом Agentic AI следует внедрять как часть существующей ИТ-архитектуры, а не как отдельный эксперимент. Важно заранее определить источники данных, права доступа, API, механизмы мониторинга и владельца процесса.