Расскажу без воды.
Три года назад я радовался, что ChatGPT пишет за меня письма клиентам. Казалось — вот оно, будущее. Потом потратил полгода на настройку Zapier, чтобы автоматически отправлять эти письма. Ещё год — на попытки «научить» бот отвечать на вопросы по нашей базе.
Всё это работало плохо. Не потому что я что-то делал неправильно — просто инструменты были не теми.
Сейчас я строю системы, которые сами квалифицируют лидов, сами готовят коммерческие предложения и сами ставят задачи менеджерам. Без моего участия. И вот что я понял за это время.
Главная ошибка, которую делают все
Большинство компаний используют ИИ как умный поиск. Спросил — получил ответ. Скопировал — использовал. Забыл.
Это не автоматизация. Это просто замена Google.
Настоящая автоматизация — когда система сама видит задачу, сама собирает нужные данные, сама делает расчёт и сама передаёт результат туда, куда нужно. Менеджер получает готовое КП, а не очередную «рыбу для доработки».
Разница в подходе называется Agentic AI. И это не маркетинговый buzzword — это конкретная архитектура, которую можно построить уже сейчас.
Почему старые инструменты перестали работать
В 2024–2025 году все строили примерно одно и то же: берёшь Zapier или Make, подключаешь ChatGPT, настраиваешь триггер — и вот твоя «автоматизация».
Проблема в том, что такая система линейная. Она умеет делать ровно то, что ты ей объяснил, в той же последовательности. Стоит клиенту задать нестандартный вопрос — и всё, система либо игнорирует его, либо выдаёт чушь.
Я сам через это прошёл. У нас был бот для квалификации входящих заявок. Работал нормально на типичных запросах. Но когда клиент писал что-то вроде «Нам нужно, но сначала уточните у нашего тендерного отдела» — бот просто фиксировал это как отказ и закрывал заявку.
Мы потеряли несколько реально горячих лидов, прежде чем поняли, в чём проблема.
Что изменилось в 2026-м
Сейчас я строю агентов по принципу ReAct — это когда система не просто выполняет команду, а рассуждает: что мне нужно узнать, какой инструмент вызвать, что делать с результатом.
Звучит сложно. На практике это выглядит так:
Приходит заявка. Агент думает: «Мне нужно проверить, кто этот клиент. Вызову API обогащения данных». Получает данные. Думает: «Они из среднего бизнеса, подходят под наш ICP. Теперь проверю остатки на складе по их запросу». Проверяет. Думает: «Могу закрыть запрос. Сформирую КП с актуальными ценами». Формирует. Передаёт менеджеру.
Весь этот цикл — 11 минут. Раньше менеджер тратил на это 45 минут вручную.
Почему без правильных данных это не работает
Вот секрет, который обходит большинство гайдов: агент умный ровно настолько, насколько умны данные, которые ему дают.
Если вы «кормите» его общими текстами из интернета — он будет давать общие советы. Если в его базе ваши реальные кейсы, регламенты, прайсы с живыми ценами — он будет говорить как эксперт вашей компании.
Это называется RAG — система, где ИИ перед каждым ответом обращается к вашей базе знаний, а не выдумывает из головы.
Я однажды сравнил два ответа на один и тот же вопрос клиента:
- Без RAG: «Для вашего офиса рекомендуется принтер с производительностью 30–40 страниц в минуту»
- С RAG на нашей базе: «Для 80 сотрудников с вашим профилем нагрузки мы рекомендуем Ricoh MP 2014 — у нас 3 единицы в наличии, по кейсам похожих клиентов это покрывает пиковую нагрузку. Если нужен запас — следующая партия через 14 дней»
Почувствуйте разницу. Первый ответ мог написать любой. Второй — только эксперт, который работает в вашей компании.
Про галлюцинации — и как я с ними борюсь
Самый частый вопрос, который мне задают: «А что если ИИ соврёт?»
Соврёт. Это называется галлюцинация, и это реальная проблема.
Но с ней можно работать. Я встраиваю в каждого агента механизм самопроверки — перед тем как выдать ответ, система задаёт себе три вопроса: каждый факт подтверждён источником из базы? Есть ли утверждения без источника? Соответствует ли ответ нашим регламентам?
Это не даёт 100% гарантии — но снижает количество ошибок на 80%. Оставшиеся 20% — это зона Human-in-the-loop: критические решения (скидки, финансовые условия, нестандартные запросы) всегда проходят через человека.
Автономность не значит бесконтрольность. Это важно понимать.
Сколько это реально стоит и когда окупается
Буду честен с цифрами.
Нормальный пилотный проект — первый агент для одного процесса — обходится в 220–560 тысяч рублей. Зависит от сложности интеграций и объёма базы знаний.
Окупается за 3–4 месяца. Не потому что я так говорю в презентации, а потому что снижается стоимость лида (в среднем на 30–40%) и ускоряется цикл сделки.
Арифметика простая: если менеджер тратил 45 минут на КП и делал 8 штук в день — после внедрения агента он делает 25+, потому что тратит 11 минут и половину времени освобождает для живых переговоров.
Больше КП → больше сделок → окупаемость.
С чего начать, если вы хотите попробовать
Я бы не советовал сразу строить сложную мультиагентную систему. Это как начинать учиться плавать с открытого океана.
Начните с трёх шагов:
Первый — найдите один процесс, где вы точно знаете: вот входящие данные, вот желаемый результат. Квалификация лида, подготовка КП, ответы на типовые вопросы поддержки. Один процесс, не пять.
Второй — соберите данные. Кейсы клиентов, регламенты, прайсы, FAQ. В цифровом виде. Это фундамент, без которого агент будет галлюцинировать.
Третий — запустите пилот на этом одном процессе. Смотрите на цифры 60 дней. Считайте, сколько времени сэкономили, сколько лидов обработали, где агент ошибся.
После этого будете знать, куда двигаться дальше — с реальными данными, а не с ожиданиями из чужих кейсов.
Если хотите разобраться, подходит ли это для вашего бизнеса — я сделал подробный чек-лист на 47 вопросов. Он помогает за 20 минут понять, где вы находитесь и что нужно закрыть в первую очередь.
Вопросы — пишите в комментариях. Разберём конкретные сценарии.