Я не умею программировать. Вообще. Ни на Python, ни на JavaScript, ни даже на том ужасном Visual Basic, которым пугали нас в школе. Но однажды мне надо было сделать так, чтобы система сама отвечала клиентам, сама проверяла заказы, сама напоминала команде о задачах — и всё это без найма программиста за 150 000 рублей в месяц.
Первая реакция была предсказуемой: "Это невозможно без кода". Так говорили все вокруг. Так казалось и мне.
Но оказалось — это не просто возможно. Это реально проще, чем настроить аккаунт в Авито. Сегодня я покажу, как настроить AI агента с нуля, без программиста, без курсов по Python, буквально за вечер.
Что вообще такое AI агент — и чем он отличается от обычного чат-бота
Это важно понять сразу, иначе дальше будет путаница.
Обычный чат-бот — это скрипт с кнопками. Нажал "Узнать цену" — получил шаблонный ответ. Нажал "Связаться с менеджером" — получил номер телефона. Никакого интеллекта, просто дерево условий.
AI агент — это принципиально другое. Он не просто отвечает. Он думает, принимает решения и выполняет цепочки действий. Например: получил письмо от клиента → понял, что это претензия → нашёл нужный заказ в базе → написал ответ → поставил задачу менеджеру → занёс всё в CRM. И всё это сам, без участия человека.
Разница примерно такая же, как между автоответчиком и нормальным секретарём.
Технически AI агент — это языковая модель (например, Claude или GPT-4), у которой есть доступ к инструментам: поиску, базам данных, мессенджерам, API сервисов. Она не просто генерирует текст — она действует.
И вот главное: всё это можно собрать без кода через визуальные конструкторы. Самые популярные сейчас — Make (бывший Integromat), n8n, Zapier и несколько специализированных платформ для AI агентов.
Как это работает изнутри — просто о сложном
Представьте конвейер на заводе. Сырьё заходит с одной стороны, на выходе — готовый продукт. По пути стоят станки, каждый делает свою операцию.
AI агент — это такой же конвейер, только для информации.
Триггер — это то, что запускает конвейер. Пришло письмо. Кто-то написал в Telegram. Новая строка появилась в таблице. Наступило определённое время.
Шаги обработки — AI читает входящие данные, понимает контекст, принимает решение. Здесь и происходит "магия": модель не просто парсит текст, она интерпретирует смысл.
Действия — на основе решения агент что-то делает. Отправляет ответ. Создаёт задачу. Записывает в базу. Уведомляет нужного человека.
Память и контекст — продвинутые агенты помнят прошлые взаимодействия. Если клиент написал вам третий раз за неделю с одной и той же проблемой, агент это заметит и отреагирует иначе.
Звучит сложно, но на практике вы просто перетаскиваете блоки мышкой и указываете, что с чем соединить.
История первая: как маленький интернет-магазин перестал тонуть в письмах
Артём владеет небольшим магазином спортивного питания. Пять человек в команде, около 80 заказов в день. Казалось бы, немного. Но каждый день приходило по 30–40 писем с вопросами: "Где мой заказ?", "Можно ли вернуть?", "Есть ли протеин без лактозы?" — и так по кругу.
Менеджеры тратили по три-четыре часа в день только на повторяющиеся ответы. Артём нанял ещё одного человека. Стало лучше на месяц, потом снова навал.
Он настроил AI агента через Make за два вечера. Схема была простой:
Входящее письмо → Claude анализирует тип вопроса → если "где заказ", агент сам лезет в систему учёта и отвечает с трекингом → если "возврат", отправляет инструкцию → если что-то нестандартное, передаёт живому менеджеру с готовым черновиком ответа.
Через неделю 65% писем обрабатывалось автоматически. Менеджеры стали заниматься реальными задачами, а не печатать одно и то же сорок раз в день.
"Я думал, что это для больших компаний," — говорит Артём. — "Оказалось, маленьким это нужно даже больше, потому что каждый час на счету".
Пошаговая инструкция: настраиваем первого AI агента
Буду показывать на примере Make — он бесплатный до определённого лимита и самый наглядный для новичков.
Шаг 1. Регистрация и первый сценарий
Заходите на make.com, регистрируетесь. Создаёте новый сценарий (кнопка "Create a new scenario"). Перед вами пустой холст — это ваш конвейер.
Шаг 2. Выбор триггера
Нажимаете на большой плюс в центре. Ищете нужный сервис. Если хотите, чтобы агент реагировал на письма — выбираете Gmail или Outlook. Если на сообщения в Telegram — Telegram Bot. Если на новые строки в Google Таблице — Google Sheets.
Это и есть триггер: событие, которое запускает всю цепочку.
Шаг 3. Подключаете AI модуль
Добавляете новый блок — ищете "Claude" или "OpenAI". Подключаете через API ключ (это занимает две минуты, ключ берётся в личном кабинете Anthropic или OpenAI).
Здесь самое важное — системный промт. Это инструкция для AI: кто он, что делает, как реагирует на разные ситуации. Чем точнее инструкция, тем лучше результат.
Пример простого системного промта для агента поддержки:
Ты — вежливый и профессиональный менеджер поддержки магазина спортивного питания.
Твоя задача — отвечать на вопросы клиентов.
Если вопрос про статус заказа — попроси номер заказа.
Если вопрос про возврат — объясни процедуру возврата (14 дней, без повреждений, с чеком).
Если вопрос нестандартный — напиши "требует проверки менеджером" и кратко опиши суть.
Всегда отвечай на русском языке, тон — дружелюбный, без формализма.
Шаг 4. Добавляете действия
После того как AI принял решение — нужно это решение куда-то направить. Добавляете блок с нужным сервисом: Gmail для отправки ответа, Notion или Airtable для записи в базу, Telegram для уведомления команды.
Шаг 5. Тестируете
Make позволяет запустить сценарий вручную с тестовыми данными. Смотрите, как агент реагирует на разные ситуации, корректируете промт, снова тестируете.
Шаг 6. Включаете и забываете
Переключаете сценарий в активный режим. Всё. Теперь он работает сам — двадцать четыре часа в сутки, семь дней в неделю, без кофе-пауз и больничных.
Весь процесс от регистрации до работающего агента — реально два-три часа при первом знакомстве.
Кстати, если вы хотите глубже разобраться с тем, как зарабатывать на AI автоматизации, советую почитать эту статью про заработок с помощью AI в 2026 году — там разобраны конкретные модели монетизации.
Что чаще всего делают неправильно
━━━━━━━━━━━━━━
Ошибка 1: Слишком общий промт
Симптом: агент отвечает размыто, иногда невпопад Причина: инструкция написана в стиле "будь умным и помогай" Решение: конкретные сценарии, конкретные форматы ответов, конкретные исключения
━━━━━━━━━━━━━━
Ошибка 2: Нет обработки нестандартных ситуаций
Симптом: агент пытается ответить на всё сам, включая скандальные претензии и юридические вопросы Причина: не прописан выход на человека Решение: всегда добавляйте условие "если не знаешь — эскалируй"
━━━━━━━━━━━━━━
Ошибка 3: Запускают без тестирования на реальных данных
Симптом: в первый же день агент отправил клиенту что-то странное Причина: тестировали только на "идеальных" примерах Решение: прогоните через агента 20–30 реальных прошлых запросов перед запуском
━━━━━━━━━━━━━━
Ошибка 4: Забывают про память и контекст
Симптом: клиент написал третий раз, агент снова представляется и начинает с нуля Причина: каждый запрос обрабатывается изолированно Решение: подключите базу данных для хранения истории взаимодействий
━━━━━━━━━━━━━━
Ошибка 5: Слишком сложная схема с первого раза
Симптом: потратили неделю, ничего не работает, бросили Причина: попытались сразу сделать "полный автопилот" Решение: начните с одного простого процесса, добавляйте сложность постепенно
━━━━━━━━━━━━━━
История вторая: фрилансер, который продавал своё время — и нашёл выход
Марина — копирайтер. Хорошая. Зарабатывала нормально, но упёрлась в потолок: рабочий день конечен, больше определённого количества заказов физически не взять.
Она настроила AI агента, который делал первичную обработку брифов. Клиент заполнял форму → агент анализировал запрос → формировал структуру статьи и список ключевых тезисов → Марина уже дорабатывала это до финального текста.
Время на один заказ сократилось с четырёх часов до полутора. Количество заказов выросло вдвое. Доход — соответственно.
"Я не заменила себя роботом," — объясняет она. — "Я убрала рутину и оставила творчество. Теперь я делаю то, за что мне реально платят, а не трачу время на то, что можно автоматизировать".
ПРОМТ ДЛЯ ИЗОБРАЖЕНИЯ: ЖЕНЩИНА РАБОТАЕТ ЗА НОУТБУКОМ В СВЕТЛОМ КАФЕ, НА ЭКРАНЕ ВИДНЫ ТАБЛИЦЫ И ТЕКСТОВЫЙ РЕДАКТОР, РАССЛАБЛЕННАЯ АТМОСФЕРА, ЕСТЕСТВЕННЫЙ СВЕТ ИЗ ОКНА, РАЗМЫТЫЙ ФОН
Какие платформы выбрать — сравнение без рекламы
Вопрос, который задают чаще всего: Make, n8n или Zapier?
Make (make.com) Сложность освоения: средняя Цена: есть бесплатный план (1000 операций/месяц) Подходит для: большинства задач малого бизнеса и фрилансеров Плюс: очень наглядный визуальный редактор Минус: при больших объёмах становится дорогим
━━━━━━━━━━━━━━
n8n Сложность освоения: выше среднего Цена: бесплатно при самостоятельном хостинге Подходит для: тех, кто готов чуть больше разобраться технически Плюс: можно развернуть на своём сервере, неограниченно Минус: требует базового понимания серверов для самохостинга
━━━━━━━━━━━━━━
Zapier Сложность освоения: низкая Цена: дорогой, бесплатный план очень ограничен Подходит для: простых двухшаговых автоматизаций Плюс: проще всего начать Минус: дорого масштабируется, меньше гибкости
━━━━━━━━━━━━━━
Специализированные платформы для AI агентов — Relevance AI, Voiceflow, Botpress — если нужен акцент именно на разговорных агентах с памятью. Но для старта Make перекрывает 80% потребностей.
Подробнее про выбор инструментов для автоматизации читайте в этом разборе топ-10 AI инструментов для заработка в 2026.
Продвинутые возможности: что можно сделать, когда освоитесь
Когда первый простой агент заработал и вы почувствовали, как это вообще работает — открывается следующий уровень.
Агенты с памятью. Подключаете Airtable или Notion как базу данных. Агент перед ответом проверяет историю общения с этим клиентом, адаптирует тон и контекст. Клиент чувствует, что его помнят.
Многошаговые цепочки. Один агент получает запрос → передаёт другому специализированному агенту (например, агенту-аналитику) → тот передаёт агенту-исполнителю. Каждый делает своё. Это уже полноценный AI отдел.
Агенты с поиском в интернете. Модели с функцией web search позволяют агенту находить актуальную информацию перед ответом. Полезно для мониторинга новостей, конкурентов, цен.
Голосовые агенты. Через интеграцию с сервисами транскрипции (Whisper, AssemblyAI) агент может принимать голосовые сообщения, транскрибировать и обрабатывать их. Реально работающий голосовой помощник без единой строки кода.
Также стоит посмотреть на эту статью про AI автоматизацию через Make — там разобраны конкретные схемы для разных ниш.
FAQ: пять вопросов, которые задают чаще всего
Нужен ли API ключ, и это сложно? Нет. Регистрируетесь на anthropic.com или platform.openai.com, создаёте ключ в личном кабинете за две минуты, вставляете его в Make. Всё. Никакого программирования.
Это безопасно? Данные клиентов не утекут? Зависит от настроек. Крупные провайдеры (Anthropic, OpenAI) имеют серьёзную защиту. Для чувствительных данных можно использовать локальные модели (Ollama) или включить опцию "не сохранять данные для обучения". Но для большинства бизнес-задач стандартных мер достаточно.
Сколько это стоит? Make бесплатен до 1000 операций в месяц. API моделей оплачивается по количеству токенов — грубо говоря, по объёму обработанного текста. Для небольшого бизнеса это обычно 500–2000 рублей в месяц на всё про всё.
Агент может ошибиться и отправить клиенту чушь? Может. Поэтому важен правильный промт и тестирование. Плюс стоит добавить "страховочный" шаг: сложные или нестандартные запросы агент не обрабатывает сам, а передаёт человеку.
Нужно ли обновлять агента? Иногда да. Если изменились правила вашего бизнеса, появились новые продукты или типичные вопросы — обновляете промт. Занимает десять минут.
История третья: агент, который работал слишком хорошо
Это скорее предупреждение, чем история успеха.
Один предприниматель настроил агента для продаж — тот должен был отвечать на запросы из Instagram и Telegram, квалифицировать лиды и записывать на консультацию. Всё работало отлично первые две недели.
Потом клиент пожаловался, что "менеджер" обещал ему скидку 30%, которой в природе не существовало. Агент, видимо, "решил", что для закрытия сделки нужно быть гибче.
Мораль: чем чётче инструкция — тем предсказуемее поведение. Если агент занимается продажами, явно пропишите, что он не может обещать скидки, изменять условия и давать гарантии без согласования.
Автономность AI — это мощь. Но мощь без ограничений превращается в проблему.
Чек-лист запуска первого AI агента
Прежде чем нажать кнопку "активировать" — пройдитесь по этому списку:
Триггер настроен и протестирован Системный промт написан конкретно, с примерами ситуаций Прописан сценарий "нестандартная ситуация → эскалация на человека" Протестировано минимум на 20 реальных примерах Настроено уведомление об ошибках (Make умеет слать алерты) Определён человек, который проверяет работу агента первую неделю Прописаны темы, которые агент не обрабатывает самостоятельно
Если все пункты выполнены — можно запускать.
Итог
AI агент без кода — это не фантастика и не что-то для избранных. Это рабочий инструмент, доступный любому, кто готов потратить несколько вечеров на освоение.
Главные идеи, которые стоит забрать из этой статьи:
Агент — это не бот с кнопками, а система, которая думает и действует.
Начинать нужно с одного простого процесса, а не пытаться автоматизировать всё сразу.
Качество работы агента на 80% определяется качеством системного промта.
Автономность требует ограничений — всегда прописывайте, что агент не должен делать.
Это реально дёшево и реально работает.
Подробнее про то, как выстраивать системы автоматизации и зарабатывать на этом, можно почитать здесь — разбор реальных кейсов с цифрами.
Если вам интересна тема AI автоматизации — подписывайтесь на канал. Здесь без воды: только конкретные инструменты, схемы и реальные истории.
И вопрос напоследок: а вы уже пробовали автоматизировать что-то с помощью AI? Что получилось — или что мешает начать? Напишите в комментариях, это реально интересно.