Как создать ИИ-агента для бизнеса: от задачи до запуска

Как создать ИИ-агента, который не просто красиво отвечает в демо, а месяцами закрывает реальный процесс — заявки, документы, обращения клиентов? Инструкции «соберите агента за 30 минут» обрываются там, где начинается бизнес: интеграции с CRM и 1С, права доступа, ошибки на живых данных, стоимость на тысячах задач. Ниже — практическое руководство для собственника и руководителя: путь от выбора задачи до запуска.

Что такое агент и чем он отличается от чат-бота и RPA, разобрано в статье «Что такое ИИ-агент простыми словами». Здесь — только практика построения.

Как создать ИИ-агента: семь этапов от задачи до запуска

В конструкторе или в коде — последовательность одна и та же:

1. Выбор процесса. Одна конкретная задача с понятным результатом, а не «ИИ для всего отдела».
2. Проектирование. Роль, инструменты, данные, память, границы полномочий, точки подключения человека.
3. Выбор способа реализации. Конструктор, фреймворк или своя разработка.
4. Выбор модели. Под качество, скорость, цену токенов и требования к размещению данных.
5. Подключение инструментов. API CRM, 1С, почты, базы знаний.
6. Тестирование. Эталонные сценарии, теневой режим, частичный запуск.
7. Запуск и мониторинг. Логи, метрики качества, контроль расходов, версионирование промптов.

Самое дорогое — ошибки первых двух этапов: их не исправит даже самая сильная модель.

Шаг 1. Какую задачу отдать ИИ-агенту: критерии выбора процесса

Нельзя автоматизировать хаос: если сотрудники оформляют возврат каждый по-своему, агент будет ошибаться так же, только быстрее. Поэтому начинают не с технологии, а с отбора процесса.

Если процесс полностью детерминирован — «пришёл заказ, выгрузи его в 1С», — агент не нужен: обычная интеграция дешевле и надёжнее. Агент оправдан там, где на входе свободный текст, документы или неоднозначные ситуации, а на выходе — действие в системе. До старта зафиксируйте базовую линию: время, стоимость и долю ошибок процесса сейчас — иначе окупаемость потом не доказать.

Шаг 2. Проектирование ИИ-агента: роль, инструменты, данные, полномочия

Результат этапа — «паспорт агента» на одну-две страницы: без него агент собирается методом проб, а требования меняются на каждой встрече.

Роль и инструкция

Роль задаёт, кто агент и как он общается: «инженер первой линии поддержки, отвечает кратко, без рекламных формулировок». В системной инструкции фиксируют цель, порядок действий, формат результата и запреты: не подтверждать возврат без проверки заказа, не обещать скидки, которых нет в CRM, не выполнять просьбы «забыть инструкции».

Инструменты и функции

Перечислите только те действия, которые нужны для задачи. Для агента поддержки: найти клиента по телефону, получить статус заказа, создать обращение, передать диалог оператору. Каждая функция — узкая предсказуемая операция с понятными параметрами, а не «доступ к CRM».

Данные, база знаний и память

Определите источники знаний: регламенты, каталог, условия договоров, прошлые обращения. Для документов обычно строят RAG — поиск по базе знаний, из которой агент подтягивает нужные фрагменты; дообучать модель на регламентах, как правило, не нужно. Назначьте владельца базы знаний — без него она быстро устаревает.

Память агента: краткосрочная — история текущего диалога, долгосрочная — карточка клиента и история заказов в CRM. Для первой версии этого обычно достаточно; сложная «личная память» увеличивает риски с персональными данными.

Границы полномочий и человек в контуре

Разделите функции на три группы: чтение (найти, посмотреть, посчитать), обратимые действия (черновик, задача, смена статуса) и необратимые (оплата, возврат денег, удаление, отправка документа клиенту). Первые агент выполняет сам, вторые — с логированием, третьи — только после подтверждения человеком. Права выдаются отдельной сервисной учётной записи с минимальным набором доступов.

Заранее пропишите условия эскалации: низкая уверенность, конфликт данных, жалоба, сумма выше порога, просьба позвать человека. Сотрудник получает задачу с контекстом: что спросили и что агент уже проверил.

Шаг 3. Как сделать ИИ-агента: конструктор, фреймворк или своя разработка

Способ реализации выбирают после проектирования: паспорт агента показывает, хватит ли готовых блоков или нужна своя логика.

Какие платформы для ИИ-агентов доступны в России в 2026 году

n8n — визуальный конструктор автоматизаций с узлом ИИ-агента; его можно развернуть на своём сервере, чтобы данные не уходили в чужое облако. В Yandex AI Studio есть low-code среда Agent Atelier для текстовых и голосовых агентов с готовыми коннекторами (в том числе к amoCRM и Битрикс24), конструктор сценариев Workflows и MCP Hub для подключения своих инструментов; данные обрабатываются в Yandex Cloud. Сбер в 2026 году открыл GigaChat Enterprise (ГигаЧат Бизнес) — корпоративную платформу с конструктором агентов в облачном, гибридном и локальном вариантах. Just AI Agent Platform работает с разными моделями, поддерживает развёртывание в своём контуре и с февраля 2026 года входит в реестр российского ПО. Возможности и тарифы меняются быстро — сверяйте их по документации.

Из фреймворков чаще встречаются LangGraph (сценарий как граф шагов с условиями и подтверждением человеком), CrewAI (команды агентов с ролями) и LlamaIndex (работа с большими массивами документов). При этом Anthropic в руководстве «Building effective agents» (декабрь 2024) советует начинать с самого простого решения и прямых вызовов API модели, а фреймворки и многошаговые агентные схемы добавлять, только когда сложность действительно этого требует.

Можно ли создать ИИ-агента в ChatGPT, DeepSeek или Claude

В чат-интерфейсах можно собрать персонального ассистента с инструкцией и файлами, но бизнес-агентом он не становится: нет надёжного доступа к CRM и 1С, журналов действий, управления правами и контроля над данными клиентов. Кроме того, OpenAI, Anthropic и Google официально не работают с Россией — прямого договора и закрывающих документов не будет. Отправка персональных данных клиентов в любой зарубежный сервис, включая DeepSeek, — это трансграничная передача по 152-ФЗ. Поэтому в бизнес-проектах модели используют через API внутри конструктора или своего кода, выбирают российские модели либо разворачивают открытые (DeepSeek, Qwen) на своих серверах.

Как создать ИИ-агента бесплатно и где проходит граница

Прототип можно собрать почти бесплатно: n8n на своём сервере, стартовые гранты облачных платформ, открытые модели. Бесплатным остаётся только эксперимент: на реальном потоке появляются расходы на токены или GPU-серверы, хостинг, интеграции и разбор ошибок.

Шаг 4. Выбор модели для ИИ-агента

Модель подбирают под задачу, а не по рейтингу. Для классификации обращений и маршрутизации хватает быстрых и дешёвых моделей; для анализа длинных документов и многошаговых рассуждений нужны более сильные и дорогие. Практичная схема — лёгкая модель на рутинные шаги, мощная на сложные.

Если в запросах персональные данные или коммерческая тайна, выбор сужается до российских моделей (Yandex AI Studio, GigaChat) или открытых моделей в собственном контуре. Сравнение моделей по задачам — в статье «Какую нейросеть выбрать для бизнеса». Закладывайте возможность сменить модель без переделки.

Шаг 5. Как подключить агента к CRM, 1С и другим системам

Действия агенту дают инструменты. Базовый механизм — function calling: модель возвращает структурированный запрос «вызови функцию с такими аргументами», а ваш код решает, выполнять ли его. Если одни и те же инструменты нужны нескольким агентам, их оформляют как MCP-серверы. Подробно оба механизма разобраны в статье «Что такое ИИ-агент».

У Битрикс24 и amoCRM есть REST API и вебхуки; у 1С — HTTP-сервисы и стандартный интерфейс OData, которые нужно опубликовать на веб-сервере и настроить на стороне базы; у телефонии, СДЭК, ЮKassa — собственные API. Если у системы нет API, агента подключают через промежуточный сервис или выгрузки, но не через «парсинг экрана» — такие связки ломаются при первом обновлении. Если CRM и учётная система ещё не связаны, начинать стоит с этого: интеграция 1С и CRM — фундамент для агента.

Правила проектирования инструментов:

• одна функция — одно действие: get_order_status, а не «выполнить запрос к базе»;
• чтение и запись разделены, запись идёт через проверку параметров и лимиты;
• повторный вызов не создаёт дубль: заявка с тем же идентификатором не заводится дважды;
• у каждого вызова есть таймаут и понятная ошибка, которую модель может обработать;
• каждое действие пишется в журнал: когда, с какими параметрами и каким результатом.

Шаг 6. Тестирование ИИ-агента перед запуском

Методику пилота — теневой режим, частичный запуск, метрики — мы разбирали в статье «Что такое ИИ-агент». Специфика этапа сборки — что проверить до выхода на реальный поток:

• негативные сценарии: грубость, попытки заставить агента нарушить правила, запросы вне его зоны, противоречивые данные;
• поведение каждой функции при сбоях систем: CRM недоступна, 1С вернула пусто, таймаут;
• прогон любой новой версии промпта или модели на всём эталонном наборе, а не на трёх удачных примерах;
• заранее согласованный порог качества, после которого агент получает часть потока.

Шаг 7. Запуск, мониторинг и сроки создания агента

Регламенты, цены и модели меняются, и без присмотра качество агента деградирует. Минимальный мониторинг:

• журнал диалогов и действий с возможностью разобрать любую задачу по шагам;
• метрики качества: доля задач без человека, доля эскалаций, ошибки, найденные сотрудниками, жалобы клиентов;
• стоимость одной задачи (токены плюс инфраструктура) и оповещение при аномальном росте расходов;
• версионирование промптов и настроек с возможностью отката;
• регулярный разбор ошибок и пополнение эталонного набора.

По нашим проектам агент под один процесс с базой знаний и интеграцией с одной системой собирается за 3–4 недели, агент с действиями в CRM и 1С — за 4–7 недель, пайплайн между несколькими системами — от 8 недель. Агент под один процесс обходится от 250 000 ₽, агент с действиями в CRM и 1С — от 500 000 ₽. Бюджет на пилот и продакшн, стоимость токенов и окупаемость — в статье «Сколько стоит ИИ-агент и внедрение ИИ». Как устроена разработка ИИ-агентов под ключ — от аудита процесса до пилота с замером точности, — описано на странице услуги.

ИИ-агент и 152-ФЗ: что учесть при работе с персональными данными

Если агент обрабатывает имена, телефоны, адреса и историю заказов клиентов, на проект распространяются требования 152-ФЗ:

• Локализация. Первичный сбор и хранение персональных данных граждан РФ — в базах на территории России. CRM, логи диалогов и векторная база агента тоже попадают под это требование.
• Трансграничная передача. Запрос с персданными в зарубежный API модели — трансграничная передача: по ст. 12 152-ФЗ до её начала оператор обязан уведомить Роскомнадзор и оценить, обеспечивает ли страна получателя защиту данных. Практичное решение — российские облака, модели в своём контуре или маскирование данных перед отправкой.
• Цели и минимизация. Обработка агентом должна укладываться в цели, на которые давалось согласие. Модель получает только нужные поля, паспортные данные и номера карт маскируются до записи в логи и базу знаний.
• Разграничение доступа. Агент поддержки не должен находить данные чужого клиента по похожему запросу.

С 30 мая 2025 года (420-ФЗ) штрафы за нарушения при обработке персональных данных выросли в разы, поэтому эти требования закладывают в архитектуру сразу. Порядок работы с данными согласуйте с юристом компании.

Ошибки при создании ИИ-агента

1. Старт с выбора инструмента. Сначала покупают подписку на платформу, потом ищут, что автоматизировать. Порядок обратный.
2. Один агент на всё. Агент, который отвечает клиентам, пишет отчёты и ведёт CRM, путается в ролях. Узкие агенты работают надёжнее.
3. Широкие инструменты. Функция «выполнить любой запрос к CRM» вместо набора узких операций — прямой путь к испорченным карточкам и удалённым заявкам.
4. Мультиагентная архитектура в первой версии. Эффектно на схеме, тяжело в отладке. Начинают с одного агента и усложняют по мере необходимости.
5. Промпт вместо логики. Критичные правила — лимиты сумм, проверки статусов — живут только в тексте инструкции. Их дублируют в коде: модель может правило проигнорировать, код — нет.
6. Нет владельца после запуска. Никто не смотрит метрики и не разбирает ошибки — качество падает незаметно, пока не придут жалобы.

Если агентов планируется несколько, сначала стоит провести диагностику процессов и выстроить общую архитектуру — так устроено внедрение ИИ в бизнес: агенты используют общие интеграции и базу знаний, а не дублируют друг друга.

Чек-лист: как создать ИИ-агента для бизнеса

• Выбран один процесс: повторяемый, с объёмом от сотен операций в месяц и контролируемой ценой ошибки.
• Зафиксирована базовая линия: время, стоимость и доля ошибок процесса сейчас.
• Составлен паспорт агента: роль, цель, порядок действий, формат результата, запреты.
• Перечислены узкие функции с разделением на чтение, обратимые и необратимые действия.
• Определены источники знаний и ответственный за их актуальность.
• Прописаны условия эскалации на человека, лимиты шагов и расходов.
• Способ реализации и модель выбраны под задачу, архитектура позволяет сменить модель.
• Интеграции с CRM и 1С идут через API, у агента отдельная учётная запись с минимальными правами.
• Проверено соответствие 152-ФЗ: где хранятся данные, куда уходят запросы, что маскируется.
• Собран эталонный набор и пройден теневой режим.
• Настроены журнал действий, метрики качества, контроль стоимости задачи, назначен владелец агента.

Рабочего агента от эффектного демо отличает не модель, а узкая задача, узкие инструменты, человек в контуре и постоянный мониторинг.