Примеры AI-агентов в бизнесе: что они делают по отделам

Примеры AI-агентов в бизнесе: как читать этот каталог

Это не кейсы клиентов, а типовые схемы для ориентира: без названий компаний и без цифр результата. Результат зависит от объёма потока, качества данных и устройства процесса, поэтому обещать его заранее нельзя. Сверьте примеры AI-агентов со своим отделом: что агент делает, на чём стоит и где его рано ставить.

Типы агентов и когда нужен оркестратор

В примерах ниже агент бывает отвечающим (берёт ответ из базы знаний и называет источник), исполняющим (создаёт карточку, ставит задачу, формирует документ в рамках выданных прав) и аналитическим (сводит данные из нескольких источников и ищет расхождения). Типы сочетаются: отвечающий агент в обслуживании клиентов после подтверждения становится исполняющим и заводит заявку. Определения — в статье о том, что такое AI-агент. По умолчанию мы предлагаем одного агента и расширяем его по процессам; оркестратор нужен, когда процесс делится на роли с разными правами или требуется независимый контроль, подробнее — в статье «Один агент или несколько».

Примеры использования по отделам

Для каждого отдела указано, что делает агент, на какие данные опирается, чем измеряем и где внедрять рано. Метрику снимаем до запуска, иначе сравнивать не с чем — подробнее в статье об измерении эффекта.

Продажи

• Делает. Разбирает входящие заявки, заполняет карточку в CRM, уточняет у клиента недостающее, напоминает менеджеру о сделках без движения, готовит черновик коммерческого предложения. Подробнее — для отдела продаж и для Битрикс24 и amoCRM.
• Данные. История сделок и переписки, прайс, условия поставки, шаблоны коммерческих предложений.
• Меряем. Время до первого ответа, долю карточек с заполненными полями, число сделок без движения.
• Рано, если этапы воронки не описаны, а менеджеры не ведут CRM: агенту не на что опираться.

Обслуживание клиентов

• Делает. Отвечает на типовые вопросы по базе знаний, сообщает статус заявки, собирает данные и передаёт сложный случай сотруднику. Каналы: колл-центр, голос, мессенджеры и сайт.
• Данные. База знаний, регламенты, статусы из учётной системы, история обращений.
• Меряем. Долю обращений, закрытых без сотрудника, долю передач человеку и оценку ответов по выборке, которую проверяет сотрудник.
• Рано, если базы знаний нет или она устарела: сначала её приводят в порядок, а поиск по базе знаний путаницу в источниках не исправит.

Бухгалтерия и документы

• Делает. Распознаёт входящие акты, счета и накладные, сверяет реквизиты и суммы с договором, готовит черновики проводок на проверку бухгалтера, ищет расхождения в актах сверки. Страницы: бухгалтерия, документооборот, доступ к 1С.
• Данные. Сканы и PDF, договоры, справочник контрагентов, выгрузки из учётной системы.
• Меряем. Время обработки документа, долю документов без правок человеком, ошибки, найденные до закрытия периода.
• Рано, если документы приходят в разных форматах без единых правил. Сдачу отчётности оставляем человеку.

HR

• Делает. Сопоставляет отклики с требованиями вакансии, отвечает кандидатам, согласует время собеседований, отвечает сотрудникам на кадровые вопросы по регламентам. См. AI для HR.
• Данные. Описания вакансий, отклики, регламенты, календари интервьюеров. Персональные данные кандидатов — зона 152-ФЗ.
• Меряем. Время от отклика до первого контакта, долю кандидатов, дошедших до собеседования, часы рутины у рекрутёра.
• Рано, если критерии отбора не сформулированы: агент закрепит чьи-то неписаные предпочтения. Решение об отказе и найме принимает человек.

Закупки и склад

• Делает. Сверяет остатки с заказами поставщикам, отмечает позиции, которые скоро закончатся, рассылает запросы цен, сводит ответы поставщиков в одну таблицу, замечает расхождения приёмки с накладной. Близкие сценарии — для опта и дистрибуции.
• Данные. Остатки и движения из учёта, история закупок, прайсы и письма поставщиков.
• Меряем. Позиции, ушедшие в ноль до дозаказа, время подготовки заявки, расхождения, найденные в день поставки.
• Рано, если учётные остатки не совпадают с реальными: агент будет уверенно планировать по неверным цифрам. Выбор поставщика и крупный заказ остаются за закупщиком.

Юристы

• Делает. Сравнивает договор с типовой формой, отмечает отклонения и рискованные пункты по чек-листу юриста, готовит черновик ответа на претензию, ищет документы в архиве. См. AI для юристов.
• Данные. Типовые формы, чек-листы, архив договоров, внутренние политики.
• Меряем. Время первичной проверки и долю пунктов, пропущенных агентом, по выборке, которую перепроверяет юрист.
• Рано, если чек-листа нет и договоры проверяют «по ощущениям». Позицию по спору и подпись агент не определяет.

Логистика

• Делает. Сверяет заявки, накладные и статусы рейсов, отвечает клиентам на вопрос «где груз», предупреждает диспетчера о срыве окна доставки, проверяет комплектность документов на рейс. См. AI для логистики.
• Данные. Заявки, статусы от перевозчиков, график и тарифы.
• Меряем. Число запросов «где груз», дошедших до диспетчера, время реакции на срыв, рейсы с неполным пакетом документов.
• Рано, если статусы приходят голосом и в личных мессенджерах, а в системе их нет: у агента нет цифрового следа.

Примеры по отраслям

Как те же принципы выглядят в одной нише, со своими документами, ролями и типовыми ошибками, показано на страницах про розничную сеть, рестораны, управляющую компанию и ТСЖ и учебный центр, онлайн-школу и вуз.

Что общего у работающих сценариев

Сценарий в этих примерах держится на условиях, без любого из которых результат под вопросом.

1. Повторяемость. Процесс идёт много раз в неделю по похожей схеме. Редкую задачу дешевле сделать руками.
2. Цифровой след. Входные данные уже лежат в системе, письме или документе. Если их нет, начинают с подготовки данных.
3. Понятная метрика. Результат можно измерить до и после: время, долю ошибок, долю обращений без человека. Без исходной точки «стало лучше» ничем не подтвердить.
4. Допустимая цена ошибки. Ошибку можно заметить и исправить, а её цена ниже выигрыша от автоматизации. Где ошибка необратима, ставим согласование человеком.

Если нельзя сказать, как вы узнаете, что агент ошибся, этот процесс ещё не готов к агенту.

Когда под схему подходят несколько процессов, первым берут тот, где выше эффект и ниже риск. Как их сравнивать — в статье про выбор первого процесса.

Когда сценарий из каталога брать не стоит

• Поток маленький. Несколько обращений в неделю проще вести людям или готовым виджетом; разбор — в статье о случаях, когда агент не нужен.
• Правила жёсткие, данные структурированы. Хватит обычной автоматизации без модели; сравнение — RPA или AI-агент.
• Решение держится на суждении и ответственности. Отказ кандидату, подпись договора, скидка крупному клиенту, оплата, допуск к работе.

На критичных шагах человек остаётся в контуре по замыслу: как устроено согласование. Модель способна ответить уверенно и неверно, поэтому для ответов клиентам и платёжных действий мы закладываем проверку; причины и меры — в материале про выдуманные ответы.