Agentic AI: что это такое и что он значит для бизнеса

Agentic AI: что это такое простыми словами

Слово «agentic» (по-русски «агентный») описывает не продукт, а способ устроить систему. Обычная нейросеть получает запрос и отдаёт ответ. Агентная система получает цель и сама решает, какими шагами к ней идти: что посмотреть, какой инструмент вызвать, достаточно ли результата. Единого общепринятого определения нет, производители используют термин по-разному, поэтому ниже наше рабочее.

Agentic AI — система на базе языковой модели, которая ведёт задачу к цели: планирует шаги, пользуется инструментами и проверяет результат, не выходя за заданные границы.

В определении четыре части. Если не хватает любой, перед вами что-то другое: чат, скрипт или заготовка под будущего агента.

Рамка вокруг всего — границы: доступные инструменты и права, лимиты шагов и времени, действия, которые требуют подтверждения человека. Без границ это не agentic AI, а неуправляемая программа с доступом к вашим системам.

«Agentic AI», «агентный ИИ» и «агентный искусственный интеллект» означают одно и то же. «AI-агент» или «агент на базе LLM» — конкретная система такого устройства; основы разобраны в статье что такое AI-агент. «Мультиагентная система» — случай, когда агентов несколько: как она устроена.

Чем agentic AI отличается от генеративного ИИ, чат-бота, RPA и классического ML

Это соседние технологии, а не конкуренты: у каждой своя работа, и в реальных процессах они встречаются вместе.

Главное следствие: у агента контроль слабее «по построению». У RPA шаги записаны, у ML есть метрика на выборке, у чата ответ читает человек. У агента путь заранее не записан, поэтому контроль строится вокруг него отдельно: об этом раздел про безопасность.

Agentic AI и генеративный ИИ: не «или», а «и»

Генеративный ИИ — класс моделей, создающих текст, изображения, код. Agentic AI — способ организации системы, в центре которой обычно стоит такая модель: она читает вход и выбирает шаг, а инструменты, права, проверки и журнал обеспечивает обычная инженерия. Поэтому вопрос «что лучше» поставлен неточно: вторая система включает первую.

Agentic AI и RPA: что чем заменяется

Чаще всего ничем. Стабильный процесс со структурированным входом лучше отдать скрипту или интеграции: дешевле и предсказуемее. Агент нужен там, где вход неструктурирован, исключений много, а шаг зависит от смысла; в учётную систему при этом записывает детерминированный код. Критерии — в статье RPA или AI-агент, отличие от бота — в сравнении агента и чат-бота. Классический ML агент использует как инструмент, например вызывает прогноз спроса.

Как выглядит цикл агентной системы: условная иллюстрация

Иллюстрация, а не описание проекта. Менеджер получает письмо клиента: «Заказ задерживается, когда привезёте?». Агент с целью «подготовить ответ и, если срок сорван, задачу логисту» идёт так.

1. Понять задачу. Вытаскивает из письма номер заказа. Номера нет — не гадает, а готовит уточняющий вопрос.
2. Собрать факты. Вызывает «получить заказ» в учётной системе и «получить статус отправления». Оба инструмента только читают.
3. Проверить шаг. Заказ найден и принадлежит этому клиенту? Данные не сошлись — агент не дописывает недостающее сам, а передаёт случай человеку с пометкой, что именно не сошлось.
4. Подготовить действие. Черновик ответа со ссылкой на источник каждого факта и черновик задачи логисту.
5. Получить подтверждение и оставить след. Менеджер видит письмо, данные и черновики; отправка и создание задачи — после его решения. Вызовы инструментов и решение пишутся в журнал.

Чего здесь нет: агент не пишет в учётную систему, не обещает клиенту новый срок и не отправляет письмо сам. Автономно он только читает и готовит черновики: это дёшево и обратимо. Агент один, но у разных действий разная свобода: это и есть уровни автономности.

Уровни автономности: от подсказки до самостоятельного действия

Автономность — не свойство модели, а решение по каждому действию. Один агент может сам читать данные и готовить черновик письма, но не иметь права его отправить. Удобно думать четырьмя ступенями.

Где бизнесу находиться сегодня

Рабочее правило у нас такое. Начинать стоит со ступеней 2 и 3: человек подтверждает готовое решение, а не делает работу заново, и контроль остаётся у людей. Ступень 4 мы считаем уместной для отдельных операций, а не для процесса целиком, и только когда по накопленной статистике агент на этой операции ошибается редко, цена ошибки низкая, а саму ошибку легко заметить и откатить. Последние два условия — критерии из статьи про человека в контуре: низкая цена ошибки и обратимость. Не выполняется хотя бы одно из трёх — нужно подтверждение.

Спускаться тоже нужно уметь: если после смены модели, инструкции или данных качество просело, операцию возвращают на ступень ниже. Снижать автономность должно быть возможно без переписывания агента. От «умности» модели ступень не зависит: сильная модель, как правило, ошибается реже, но не перестаёт ошибаться, а цена ошибки остаётся прежней.

Agentic AI для бизнеса: что зрело, а что пока эксперимент

Вокруг агентного ИИ много громких обещаний: «цифровой сотрудник», «автономная компания», «агенты сами договорятся». Статистику мы не приводим: она зависит от того, как авторы определили слово «агент». Вместо цифр — наше деление по тому, что можно ставить в процесс при нормальном контроле, на момент подготовки материала. Рынок движется быстро: проверяйте актуальное состояние на своей задаче.

Чтобы отличить настоящую агентную систему от чат-бота с новой вывеской, задайте поставщику пять вопросов:

• Какие у системы инструменты и права: чтение или запись?
• Кто выбирает следующий шаг: модель или прописанный сценарий?
• Что система делает сама, а что после подтверждения человека?
• Как проверяется каждый шаг, а не только красивый итоговый ответ?
• Что остаётся в журнале и можно ли восстановить, почему она так поступила?

Общие слова про «интеллект» и «автономность» в ответ — признак презентации, а не системы. Ответ «жёсткий сценарий, а модель разбирает текст» — не недостаток, но это сценарий с моделью, а не агентная система: для многих процессов правильная конструкция.

Как сделать агентную систему безопасной и измеримой

Агент ошибается. Это свойство подхода: модель работает вероятностно, а агент выстраивает такие шаги в цепочку. Условный пример, не замер: пусть на каждом шаге агент прав в 9 случаях из 10 и шаги независимы; после пяти шагов безупречный путь получится примерно в 6 случаях из 10 (0,9 в пятой степени ≈ 0,59). Реальные цифры зависят от задачи, но принцип общий: чем длиннее цепочка без проверок, тем меньше шансов пройти её без ошибки. Отсюда шесть правил.

Измеримость начинается с показателя, записанного до старта: мы фиксируем его до и после запуска и вписываем в договор — время обработки, доля случаев, ушедших человеку, доля исправленных черновиков. Метрики — в статье как измерить эффект от внедрения ИИ. Считаем на ваших цифрах, а не на чужих кейсах: публичных кейсов с проверяемыми цифрами на российском рынке мало, и придумывать свои мы не будем.

Отдельно: как ловить выдуманные ответы — в статье про галлюцинации ИИ; почему агент без присмотра теряет качество — в материале о сопровождении.

Когда agentic AI нужен, а когда хватит скрипта

Оправдан, когда:

• вход неструктурирован: письма, сканы, свободный текст;
• следующий шаг зависит от смысла, исключений много;
• нужны данные из нескольких систем;
• ошибка дёшево исправляется или результат проверяет человек;
• у процесса есть владелец и измеримый показатель.

Не нужен, когда процесс стабилен и вход структурирован (хватит интеграции или скрипта), когда при одинаковом входе нужен строго одинаковый результат, когда цена ошибки высока, а проверить результат нельзя, и когда цель звучит как «внедрить ИИ», а не как задача. Границы — в статьях когда AI-агент не нужен и какой процесс автоматизировать первым.

Даже если по первому списку «да», это не повод сразу строить мультиагентную систему: несколько агентов нужны по конкретной причине — другие права, независимая проверка, изоляция контекста. См. один агент или несколько и страницу мультиагентные системы.

С чего начать внедрение agentic AI: аудит, затем пилот на одном процессе

«Внедрить agentic AI» в целом — не цель. Мы идём по лестнице, которую описывает страница про внедрение ИИ в бизнес:

1. Экспресс-аудит процессов с расчётом ROI — 50 000 ₽, 5-7 рабочих дней. Смотрим процессы, данные и доступы, определяем ступень автономности и точки подтверждения, считаем окупаемость. Сумма засчитывается в проект. Если агент не окупится, скажем: отказ — тоже результат аудита.
2. Пилот на одном процессе — от 200 000 ₽, 3-4 недели. Один агент, интеграции, тест-набор и показатель в договоре до начала работ. Старт, как правило, со ступени 2 или 3.
3. Сопровождение — от 40 000 ₽ в месяц. Мониторинг, разбор ошибок, обновление данных и правил: без этого качество со временем падает.
4. Расширение — по причине. Новый процесс обычно добавляем отдельным агентом; мультиагентная система — от 800 000 ₽, 2-3 месяца; установка в контуре заказчика — от 2 500 000 ₽, по проекту.

Обращения к моделям и, при установке в контуре, оборудование — отдельной строкой: считаем на аудите по вашим данным. Раскладка — в статье сколько стоит AI-агент, состав проекта — на странице разработки AI-агентов.

Хороший первый проект на агентном ИИ скучен: один процесс, один показатель, человек подтверждает критичные шаги. Поэтому его можно измерить.