ИИ агенты - Урок №11

Вы уже знакомы с ChatGPT и другими нейросетями: они блестяще справляются с разовыми задачами по запросу - написать текст, дать ответ, создать картинку. Это ваши исполнители.

Но что, если вам нужен не просто исполнитель, а полноценный сотрудник или менеджер проекта? Тот, кому можно поручить сложную, многошаговую цель и быть уверенным, что он сам разобьёт её на этапы, выполнит их и вернётся с готовым результатом?

Познакомьтесь с ИИ-агентом. ИИ агент не просто чат-бот, а автономная система, способная:

• Самостоятельно планировать путь к цели.
• Принимать решения на каждом этапе.
• Использовать инструменты (как молоток или калькулятор) для работы.
• Анализировать промежуточные результаты и корректировать план.

Проще говоря, если обычный ИИ - умная энциклопедия, то ИИ-агент - личный эксперт-исполнитель, который берёт на себя всю цепочку задач от идеи до финального результата.

Чтобы переписка получилось живой - "скормите" нейросети как можно больше примеров вашей переписки.

Главное отличие ИИ-агента от «простого использования ИИ» в том, что агент не ждёт, пока вы каждый раз вручную дадите команду. При обычной работе с ChatGPT или другими моделями вы задаёте вопрос — получаете ответ — задаёте следующий вопрос.

Агент же действует автономно: сам формулирует подзадачи, выбирает инструменты, проверяет результат и двигается дальше без вашего вмешательства.

Его ключевая особенность — способность подключаться к внешним системам: вашей CRM, базам данных, платежным шлюзам и любым другим API. Это позволяет агенту не просто генерировать текст, а выполнять реальные действия в цифровой среде: проводить анализ данных, оформлять заказы, обновлять статусы в CRM или формировать отчеты.

Он работает с начала и до конца: получил задачу — спланировал — выполнил — вернул результат. Такой подход превращает его из советчика в вашего полноценного цифрового коллегу, который берет на себя всю рутинную и сложную работу.

Существует несколько основных видов AI-агентов, каждый из которых решает задачи по-своему.

Реактивные агенты работают по заранее заданным правилам и реагируют только на текущую ситуацию. Они быстрые и надёжные, но не умеют учиться или прогнозировать.

Например, чат-бот, который отвечает на типовые вопросы клиентов на сайте , опираясь на заготовленную базу.

Агенты с обучением способны анализировать прошлый опыт и корректировать своё поведение. Они постепенно становятся точнее и полезнее.

Обычно реактивные агенты комбинируются с агентами с обучением (благодаря обновлению моделей - можно настраивать агента, который не только правильно "реагирует" на ситуацию, но и запоминает результаты своей работы и корректирует их исходя из опыта.

Мультиагентные системы — это целая команда ИИ-агентов, где каждый выполняет свою роль, а вместе они закрывают комплексную задачу. Например, связка «ИИ-юрист» + «ИИ-переводчик» + «ИИ-ассистент по документообороту» позволяет не только проанализировать контракт, но и перевести его, а затем подготовить все нужные формы для отправки.

AI-агенты могут работать практически в любой цифровой среде — от CRM-систем: Битрикс24 и AmoCRM до корпоративных порталов, мессенджеров.

Их архитектура обычно строится на сервере, где «живет» ядро агента — программа, которая принимает запросы, обрабатывает их с помощью ИИ-модели и возвращает готовый результат.

Сервер может быть как в «облаке» , так и внутри локальной инфраструктуры компании.

Подключение идёт через API, что позволяет агенту получать данные из любой системы, анализировать их, выполнять команды и передавать результаты обратно.

Давайте разберем на живом примере, как мы автоматизировали процесс согласования договоров в компании «Triada», где я работаю с помощью ИИ-агента.

Задача: Ускорить и разгрузить рутинную работу юристов по проверке типовых договоров.

Проблема: Менеджеры по продажам выставляют несколько договоров в день. Ручная проверка каждого юристом отнимала 2–3 часа рабочего времени, создавая узкое горлышко и задержки для клиентов.

Решение: Внедрили ИИ-агента, который работает прямо в CRM-системе (Битрикс24) и выполняет роль первого, и часто единственного, инстанция проверки.

Как это работает — пошагово:

1. Запуск. Менеджер по продажам загружает проект договора от клиента в карточку сделки в Битрикс24.
2. Захват задачи. ИИ-агент видит новую задачу, «забирает» документ и начинает его анализ.
3. Проверка. Агент сверяет условия договора с внутренними правилами компании: проверяет реквизиты, ключевые пункты, способы оплаты, сроки и ответственность сторон.
4. Принятие решения.

• Если всё соответствует: агент автоматически утверждает договор, и менеджер получает уведомление о готовности к подписанию.
• Если есть отклонения: агент фиксирует риски, составляет список правок комментариями в документе и передает его живому юристу на доработку.

Результат: До 80% типовых договоров агент утверждает мгновенно и автономно. Юристы компании теперь фокусируются только на сложных и нестандартных случаях, где действительно нужен их экспертный взгляд.

Итог: Мы не просто ускорили процесс в десятки раз, но и повысили его точность, освободили дорогостоящих специалистов от рутины и сделали работу менеджеров более эффективной.

В момент прикрепления договора - срабатывает веб-хук (специальная команда), которая отправляет договор на сервер.

На сервер отправляется договор и далее специальные модули "вытягивают" из заполненного поля файл договора в одном из нужных форматов (xml, doc или pdf) и преобразую эти файлы в текст (читаемый ИИ).

Далее в системе (на сервере) стоит специальный "модуль", который деаномизирует данные (меняет коммерческие данные - название компаний/ИНН/цены/контакты) и отправляет договор в обезличенном формате в DeepSeek.

В модуле DeepSeek, который размещен на нашем сервере, указан специальный промпт (команду), которая анализирует договор.

После - проанализированный договор передается в личный кабинет, куда "запущен" живой юрист.
В личном кабинете - ИИ агент выдает результат анализа договора и пишет рекомендации.

Далее юрист компании в личном кабинете "нажимает" кнопку согласен ли он с анализом договора.

Если да, то автоматически в Битриксе меняется статус договора "на утвержден" и наш менеджер может высылать клиенту оригиналы на подпись. Для этого уже другой веб-хук передает команду Битриксу поменять статус утверждения договора.

Еще раз - как вы видите на примере, ИИ агент легко встраивается в любую среду.

В нашем примере мы встроили его и в Битрикс, и в личный кабинет компании, где находится настоящий юрист.
И да, ИИ агент не заменяет полноценного юриста (слишком велики риски), но позволяет одному юристу утверждать не 10 договоров в сутки, а 30 - что существенно поднимает его эффективность.

Архитектура ИИ-агента строится из трёх ключевых элементов.
Первое - API, через который агент получает данные из любых источников: CRM-систем (amoCRM, Битрикс24), телефонии, SQL-баз, сайтов, почтовых сервисов или мессенджеров. API — это «мост» между вашей системой и агентом, позволяющий безопасно выгружать нужную информацию.
Второе - сервер с системой автоматизации (например, n8n или Zapier). Здесь происходит сбор и обработка данных, логическая настройка сценариев, последовательность действий и маршрутизация запросов. Этот слой — «нервная система» агента, связывающая входящие данные с нужными модулями.
Третье - модули на базе нейросетей: ChatGPT, DeepSeek, Grok, Gemini, а также специализированные модули, например, для речевой аналитики. Каждый модуль выполняет свою задачу — от анализа текста и генерации ответов до проверки договоров или оценки звонков.
После выполнения задачи результаты работы агента выгружаются в любое цифровое пространство через API или вебхуки: можно отправить email клиенту, сообщение в мессенджер, опубликовать пост в соцсетях или записать данные обратно в CRM. Таким образом, агент не просто отвечает на запросы, а полностью автоматизирует целые бизнес-процессы — от получения данных до их финальной доставки.

Интеллектуальные агенты могут закрывать широкий спектр задач, которые раньше требовали ручной работы сотрудников.

Например, в Триаде (где я работаю) такие решения уже помогают бизнесу автоматизировать ключевые процессы:

• ИИ-юрист анализирует договоры, проверяет их на риски и готовит правки;
• ИИ-ассистент продаж формирует персонализированные коммерческие предложения и письма для клиентов;
• ИИ для тендеров находит подходящие закупки, анализирует требования и подготавливает документы для участия;
• ИИ для SEO пишет статьи, оптимизированные под поисковые системы; а ИИ-ассистент руководителя собирает отчёты и планирует задачи команды.

Все эти агенты работают автономно, интегрируются в рабочие системы компании и выполняют рутинные процессы без постоянного вмешательства человека, позволяя сотрудникам сосредоточиться на стратегических задачах.

Кроме этого, существуют и другие типы AI-агентов, которые можно внедрять в компании.

Например, ИИ-аналитик — собирает данные с разных источников, строит прогнозы и выявляет тренды для принятия управленческих решений.
ИИ-рекрутер — автоматически просматривает резюме, оценивает кандидатов по заданным критериям и даже проводит первичные интервью через чат.
ИИ-контролёр качества — проверяет звонки менеджеров, чаты с клиентами или тексты на соответствие стандартам компании.
ИИ-переводчик — работает в связке с другими агентами и переводит документы, письма или технические инструкции в реальном времени.

ИИ агента можно написать практически для любого рутинного процесса внутри компании и встроить в любую среду.

В отличие от "написания" запросов нейросети в чат - можно управлять качеством и креативностью ответа ИИ агента с помощью специальных настроек. С помощью этих настроек можно сделать ИИ более креативным, сдержанным или точным. Это как специи — один повар кладёт побольше перца, другой — чуть сахара.

Настройки прописываются в самом ИИ агенте. Давайте их разберем.

Параметр: temperature
Отвечает за настройку креативности.
Чем выше значение (до 2), тем более хаотичный и нестандартный ответ.
Чем ниже (0–0.3) — тем более точный, сухой и «по шаблону».

Рекомендуем указывать:
— 0.2–0.5 — для сторителлинга, соцсетей
— 0.7–1 — для деловых задач, писем

Все параметры (в том числе temperature) прописываются в модуле OpenAi (или иного ИИ модуля) внутри его настроек.

top_p - отвечает за фильтр вероятностей. Если temperature — это жар, то top_p — это сито.

Представьте, что у вас есть огромный мешок с фразами, которые модель может использовать. Когда top_p = 1, нейросеть смотрит на весь мешок: и на хорошие, и на сомнительные, и на редкие варианты. А вот если вы зададите top_p = 0.5, она берёт только те фразы, которые входят в верхние 50% по вероятности. Остальные — даже не рассматривает.
Это как если бы вы искали сотрудников, но сразу отсеяли всех с опытом менее 3 лет. Меньше случайностей — больше предсказуемости.

Как это влияет на ответы?

• top_p = 1.0 — модель учитывает всё, может "творить", но есть шанс, что уведёт в сторону.
• top_p = 0.8 — разумный фильтр, отсеивает редкие идеи, но сохраняет разнообразие.
• top_p = 0.5 — модель будет выбирать только самые очевидные, проверенные шаблоны.
• top_p = 0.1 — ультрасжато. Подойдёт, если нужен сухой, максимально предсказуемый ответ.

frequency_penalty
Штраф за повторение одних и тех же фраз. Если ИИ начал повторяться (использовать те же самые выражения или ответы)— поднимите значение до 0.8.


presence_penalty
Штраф за повтор тем или слов. Позволяет «освежить» тему и заставить модель искать новые углы

Как и любая технология, AI-агенты не лишены рисков и подводных камней.

Во-первых, качество данных: если агент обучается на неточной или устаревшей информации, он будет тиражировать ошибки и выдавать неверные рекомендации.
Во-вторых, галлюцинации ИИ — ситуации, когда агент “придумывает” несуществующие факты или искажает информацию, что особенно опасно в юриспруденции, финансах и медицине.
В-третьих, интеграционные сложности: не все корпоративные системы сразу “дружат” с агентами, и внедрение может потребовать доработок.

Ещё один риск — избыточная автоматизация, когда сотрудники начинают полностью полагаться на ИИ, теряя навыки критической оценки информации. Не стоит забывать и о конфиденциальности: загрузка в агента коммерческой тайны или персональных данных без защиты может привести к утечкам.

И, наконец, сопротивление персонала — часть сотрудников может воспринимать AI-агента как угрозу своей работе, поэтому важно грамотно объяснять его роль как помощника, а не заменителя.

Данные проблемы тоже могут решаться с помощью грамотной структуры внедрения ИИ агента.

Например, для проверки галлюцинаций создается специальный ИИ агент, который проверяет результата работы другого ИИ агента на галлюцинацию.
Для защиты от утечки данных используется специальный модуль деперсонализации. Такой агент "заменяет" все конфиденциальные данные (номера/контакты) на несуществующие, чтобы подключенные к системе нейросети не получали конфиденциальную информацию.


Также ИИ агента можно развернуть локально на сервере вашей компании, что минимизирует вероятность утечки.

Мультиагентная система позволяет соединять разные агенты на базе искусственного интеллекта для идеального выполнения сложных задач.

В отличие от простых агентов (Реактивных и агентов с обучением) - мультиагентная система подразумевает под собой связь разных агентов.

Например, мы в Триаде внедрили у себя прослушку звонков отдела продаж, которая реализована с помощью мультиагентной системы.

Посмотрим на схему выше.
Один ИИ агент расшифровывает звонок.
Другой делит расшифровку на менеджера и на спикера.
Третий агент - оценивает каждого менеджера и сравнивает его со скриптом.
Четвертый - корректирует скрипт.

Далее результаты работы всех ИИ агентов собираются в единый файл и отправляются сначала в Гугл таблицу, а затем в Битрикс-24.

Все агенты работают последовательно и размещены на нашем сервере. Это и есть мультиагентная система (и ей будет посвящен отдельный урок).