Большинство AI-инструментов работают по простому циклу: вы даёте входные данные, модель возвращает результат, и взаимодействие заканчивается. У модели нет памяти о предыдущих диалогах, нет возможности выполнять действия во внешних системах и нет механизма проверки того, верен ли её результат. Это разговорный AI, и для многих задач его вполне достаточно.
Агентный AI принципиально иной. Агентная система создана для того, чтобы добиваться цели за несколько шагов, используя инструменты и информацию из внешних систем, принимая решения по ходу работы и корректируя подход на основе полученных данных. Разница не в том, какая модель умнее, а в архитектуре. Агентные системы не отвечают на вопросы. Они выполняют работу.
Что делает AI-систему «агентной»
В маркетинге этот термин используют вольно. На практике настоящая агентная система обладает четырьмя свойствами:
Автономность в многошаговых задачах
Система может разбить высокоуровневую цель на последовательность подзадач, выполнить их по порядку и обработать ветвления, возникающие, когда промежуточные шаги дают неожиданные результаты. Пользователю не нужно контролировать каждый шаг. Система продолжает работу, пока не столкнётся с решением, на которое у неё нет полномочий, и тогда передаёт его человеку.
Использование инструментов
Система может выполнять запросы к базам данных, вызывать API, читать и записывать файлы, искать в интернете, выполнять код или работать со сторонним ПО от имени пользователя. Именно это отличает агентную систему от чат-бота с длинным системным промптом.
Память
Агентные системы сохраняют состояние между сеансами: краткосрочное (что происходило ранее в рамках этой задачи) и долгосрочное (что обычно нужно этому пользователю или организации). Без памяти система не может опираться на предыдущую работу и ограничивается разовыми взаимодействиями.
Самокоррекция
Когда вызов инструмента завершается ошибкой, промежуточный результат явно неверен или план не приводит к прогрессу, агентная система может распознать проблему и попробовать другой подход. Это не идеально — современные системы лучше обнаруживают явные сбои, чем тонкие, — но заметно лучше простой модели с одной попыткой.
Почему это меняет расчёт окупаемости AI
Обычный AI-ассистент сокращает время, которое специалист тратит на черновик, краткое изложение документа или ответ на фактический вопрос. Выигрыш в эффективности реален, но ограничен: по-прежнему нужен человек, который подаст входные данные, проверит результат и решит, что делать дальше.
Агентная система это меняет. Когда система может начинать работу без запроса, выполнять её в нескольких системах без посредничества человека и выдавать результаты, которые сразу поступают в последующие процессы, речь идёт уже не о помощи сотруднику. Речь идёт о полной автоматизации процессов интеллектуального труда, которые раньше считались слишком сложными для автоматизации.
Практический вывод: окупаемость агентного AI считается не как «сколько часов это экономит на одного пользователя», а как «какие процессы сейчас требуют человека только потому, что охватывают несколько систем и требуют контекстного суждения». Именно такие процессы — кандидаты на автономное выполнение.
Агентные системы — не универсальные инструменты продуктивности. Это инфраструктура выполнения для конкретных, чётко определённых процессов.
Архитектура изнутри
Корпоративные агентные развёртывания обычно состоят из четырёх компонентов:
Слой планирования. Модель, которая разбивает цель на подзадачи и управляет общим планом выполнения. Обычно это передовая модель рассуждений (класса Claude, GPT или Gemini) или open-weight аналог, например Qwen, DeepSeek или Llama, работающий в вашей собственной среде.
Реестр инструментов. Набор инструментов, которые может вызывать агент: запросы к базам данных, API-эндпоинты, операции с файлами, средства коммуникации. Всё чаще они предоставляются через Model Context Protocol (MCP), так что один управляемый коннектор обслуживает всех агентов. Агент выбирает из этого реестра то, что нужно для каждой подзадачи.
Цикл выполнения. Слой оркестрации, который отправляет команды инструментам, собирает результаты, возвращает их модели планирования и отслеживает продвижение к цели. Распространённые варианты: LangGraph, OpenAI Agents SDK, Claude Agent SDK, CrewAI и собственные реализации на нативном function calling; для передачи задач между агентами появляются протоколы agent-to-agent, такие как A2A.
Точки подтверждения человеком. Места в процессе, где система останавливается и запрашивает одобрение человека, прежде чем продолжить. В корпоративных развёртываниях они обязательны. Это механизм, с помощью которого организации сохраняют контроль над тем, что агенту разрешено делать автономно.
Проблема суверенитета данных
Вот ограничение, которое большинство поставщиков умалчивают в маркетинге: агентная система полезна ровно настолько, насколько полезны доступные ей данные. А в регулируемых отраслях (юриспруденция, здравоохранение, финансовые услуги, оборона, госсектор) большая часть ценных данных не может покидать инфраструктуру организации.
Облачные агентные платформы решают сложную инженерную задачу и создают неразрешимую проблему соответствия требованиям. Ваш агент может обращаться к CRM, ERP и хранилищу документов, но каждый фрагмент данных, который возвращают эти системы, проходит через инфраструктуру, которую вы не контролируете.
Развёртывание агента внутри вашего периметра решает эту проблему. Модель планирования работает в вашей сети или в вашем частном облачном регионе. Реестр инструментов подключается только к вашим внутренним системам. Данные никогда не покидают периметр. Технически это сложнее, но это единственная архитектура, которая одновременно удовлетворяет и функциональным требованиям, и требованиям соответствия.
Что делать сейчас
Если ваша организация рассматривает агентный AI, практическая отправная точка — не выбор технологии, а аудит процессов. Определите пять главных процессов в вашей организации, которые сейчас выполняются вручную, охватывают несколько систем, следуют устойчивому шаблону и требуют участия человека главным образом потому, что системы никто не связал между собой. Это ваши первые кандидаты для агентного AI.
Затем спросите, касается ли какой-либо из этих процессов данных, которые нельзя отправлять во внешний API. Если да, вопрос архитектуры решён: агент должен работать внутри вашего периметра — локально или в частном облачном регионе под вашим контролем. Если нет, облачная оркестрация подходит для пилотного проекта.
Единственная ошибка, которой стоит избежать, — покупка агентной платформы до того, как вы определили, что она должна делать. Агентные системы — не универсальные инструменты продуктивности, а инфраструктура выполнения для конкретных, чётко описанных процессов. Сначала опишите процесс. Затем выбирайте инфраструктуру.
Нужен план внедрения?
Мы определяем объём развёртывания агентного AI за три дня и проводим пилоты на ваших реальных данных. Рекомендуем облачную, on-premises или гибридную архитектуру с учётом ваших данных и требований к соответствию.