Что такое ИИ-агенты: как они работают, что уже умеют и чем отличаются от чат-ботов

Слово «агент» за последние два года прилипло почти ко всему, что связано с нейросетями. Так называют и чат-ботов поддержки, и надстройки над таблицами, и старые сценарии автоматизации с новой обложкой. Разобраться стоит по одной практической причине: за этим словом стоит другая архитектура, другие расходы и другие риски, чем за обычным чатом с нейросетью.

Ниже — что такое ИИ-агент по определению самих разработчиков нейросетей, из каких частей он собран, что уже умеет, что из этого доступно из России и во сколько обходится. Данные и цитаты — из первоисточников, даты проверки указаны рядом.

Что такое ИИ-агент простыми словами

ИИ-агент — это языковая нейросеть, которая получает цель, сама планирует шаги к ней и по ходу обращается к внешним сервисам: интернету, базе данных, календарю, API стороннего продукта. После каждого действия она смотрит на результат и решает, что делать дальше. Цикл повторяется, пока задача не закрыта или пока не сработает стоп-условие.

Anthropic, разработчик нейросетей Claude, в инженерной заметке «Building effective agents» проводит границу так: workflow — система, где нейросеть и её инструменты управляются заранее написанным кодом; агент — система, где нейросеть сама управляет своим процессом и выбором действий. Там же формулировка, снимающая половину мистики: как правило, это просто нейросеть, которая в цикле обращается к внешнему миру и смотрит на его отклик.

Ключевое слово здесь — «среда». На каждом шаге нужен факт из реального мира: что вернул запрос, чем закончился вызов API, прошли ли тесты. Без этого система не отличает продвижение от топтания на месте. Поэтому у грамотной сборки всегда есть предел итераций — иначе цикл не заканчивается никогда.

Сам термин пришёл не из мира нейросетей: в классическом искусственном интеллекте так называли любую программу, которая воспринимает среду и действует в ней. Новое только то, что думает за неё теперь большая языковая модель, а не жёстко прописанный алгоритм.

Чем ИИ-агент отличается от чат-бота и ИИ-ассистента

Три термина постоянно путают, хотя разница простая — она в том, кто выбирает следующее действие.

Практическая разница на примере. Вы спрашиваете чат-бота: «Какой статус моего заказа?» — он достаёт запись из базы по номеру и зачитывает её. Помощник по той же теме напишет вам письмо в службу доставки, но отправлять его будете вы. А вот что делает ИИ-агент: находит заказ, сверяет трек-номер у перевозчика, видит, что посылка застряла на складе, оформляет запрос перевозчику и отписывается вам с результатом. Три разных уровня ответственности — и три очень разные цены ошибки.

Чаще всего под видом агента продают второй столбец этой таблицы. У Gartner для такой подмены есть отдельный термин — agent washing, переупаковка старых чат-ботов, помощников и RPA-роботов без реальных агентных возможностей. В пресс-релизе от 25 июня 2025 года аналитики оценили: из тысяч вендоров, называющих себя поставщиками агентного ИИ, настоящих около 130.

Если вы примеряете технологию на свои задачи, начните с более простого уровня. Разбор того, что умеет и чего не умеет ИИ-ассистент, закрывает больше рабочих сценариев, чем кажется, и обходится в разы дешевле.

Из чего состоит ИИ-агент

Архитектура у всех разработчиков описывается похоже. Ниже — разбивка по документации GigaChat API (материал опубликован 26 сентября 2025 года, обновлён 31 июля 2026-го).

Модель — то, чем агент думает

Языковая модель разбирает задачу, строит план и формулирует очередной вызов. От её качества зависит, поймёт ли система неоднозначную формулировку и заметит ли, что предыдущий шаг провалился. Для простых маршрутов хватает быстрых и дешёвых вариантов, для планирования нужны «думающие» — они дают более длинную цепочку рассуждений, но и токенов тратят больше.

Инструменты — то, чем агент действует

Инструмент — это любая функция, доступная для вызова: запрос к CRM, отправка письма, запуск кода, обращение к поисковику. Без них ничего не выйдет: нейросеть без выхода наружу может только писать текст.

Отдельная история в том, как именно всё это подключается. С конца 2024 года у отрасли появился общий стандарт: MCP (Model Context Protocol), открытый протокол подключения ИИ-приложений к файлам, базам и рабочим процессам. Собственная документация сравнивает его с USB-C: один разъём вместо десятка проприетарных. Он позволяет агенту дотянуться до ваших файлов и баз через единый интерфейс. MCP поддерживают Claude, ChatGPT, VS Code, Cursor и другие клиенты, так что интеграцию теперь пишут один раз.

Память — то, что агент помнит между шагами

Краткосрочная память — это контекст текущей задачи: что уже сделано, что вернули вызовы. Долговременная живёт во внешнем хранилище со знаниями о компании, клиентах и прошлых решениях. Для больших объёмов документов используют векторные базы и подход RAG: вся база знаний не держится в контексте, нужный фрагмент достаётся под конкретный запрос. Так обходят главное ограничение, размер контекстного окна.

Оркестратор — то, что решает, какой шаг следующий

Слой управления между нейросетью и вызовами: выбирает очередное действие, разбирает ответ, решает — повторить шаг или идти дальше. В документации Сбера отдельно подчёркнуто, что без управления состоянием и обработки ошибок архитектура получается хрупкой: если нет отката при неудачном вызове и сохранения промежуточных результатов, одна сетевая ошибка обнуляет всю работу.

Как работает ИИ-агент: один цикл по шагам

Разберём на конкретной задаче: «Собери отчёт по рекламным кампаниям за неделю и пришли на почту».

1. Постановка задачи. Агент получает цель на естественном языке: не список команд, а результат, который нужен.
2. Планирование. Цель раскладывается на шаги: забрать данные из рекламного кабинета, посчитать метрики, сравнить с прошлой неделей, оформить, отправить.
3. Выбор действия. На первый шаг выбирается вызов API рекламного кабинета, формируется запрос с нужными параметрами.
4. Выполнение и проверка. Приходит ответ. Если API вернул ошибку доступа, дальше по плану идти нельзя: агент анализирует сбой и либо пробует другой путь, либо останавливается и спрашивает человека.
5. Следующая итерация. Связка «решение — действие — анализ результата» повторяется, пока агент собирает отчёт.
6. Результат и остановка. Письмо отправлено, работу агента можно считать завершённой. Если цель не достигнута за отведённое число итераций, остановка происходит всё равно: это и есть стоп-условие.

Разница с обычным запросом в чат видна на четвёртом шаге. Чат вернул бы вам текст отчёта, если бы вы сами принесли данные. С помощью агента данные добываются без вас: он идёт за ними сам — и сам разбирается, что делать, когда их нет.

Виды ИИ-агентов

Агенты по готовому маршруту

Самый распространённый и предсказуемый вариант: маршрут прописан кодом, нейросеть отвечает за «умные» участки — понять запрос, извлечь данные из письма, сформулировать ответ. Формально это ближе к workflow, но именно такие системы чаще всего работают в продакшене. Причина простая: их поведение можно протестировать.

Автономные агенты

Здесь маршрут не зашит: нейросеть сама решает, сколько шагов сделать и в каком порядке. Автономные агенты уместны там, где число шагов заранее неизвестно — например, в разработке: запустить тесты, прочитать ошибки, поправить код и повторить цикл. Область удобная тем, что результат проверяется автоматически — тесты либо проходят, либо нет. За такую свободу платят непредсказуемостью расхода токенов и необходимостью доверять решениям нейросети.

Мультиагентные системы

Несколько исполнителей с разными ролями работают над общей задачей: один ищет, второй анализирует, третий проверяет и сводит итог. Схема даёт качество на сложных задачах, но каждый дополнительный участник — это отдельные запросы, отдельный контекст и отдельная точка отказа. На простых задачах такая архитектура проигрывает одиночной по всем параметрам, включая стоимость.

Классификация из документации Сбера устроена иначе — по внутреннему устройству: простые реактивные агенты (реагируют на событие без учёта прошлого), с памятью, целеполагающие, полезностные (взвешивают исходы) и обучающиеся. Про последние там же стоит важная оговорка: обучение с подкреплением применяется далеко не всегда, чаще адаптация идёт дообучением на корпоративных данных, настройкой промтов и обратной связью от человека.

Что компании уже отдают агентам

Сценарии, которые чаще всего доходят до реального внедрения:

• Поддержка клиентов. Агент разбирает обращение, ищет ответ в базе знаний, при необходимости лезет в CRM за историей заказов и закрывает типовой запрос без оператора. Сложные случаи эскалируются человеку: это, а не полная замена поддержки, и есть рабочая схема.
• Разработка. Агент читает описание задачи, пишет код, запускает тесты, разбирает ошибки и повторяет цикл. Смежная тема: нейросети для написания кода, где нейросеть работает в режиме подсказки, а не автономно.
• Документооборот и внутренние процессы. Разбор входящих счетов и договоров, сверка с реестром, заполнение форм, маршрутизация на согласование.
• Маркетинг и контент. Сбор данных по кампаниям, подготовка отчётов, черновики материалов под утверждение. Обзор того, что бизнес закрывает нейросетями без агентного контура, собран в материале про нейросети для бизнеса.
• Аналитика. Регулярные срезы по данным: агенты помогают собрать цифры из источников, посчитать метрики и прислать готовый разбор по расписанию.

Общее у всех рабочих внедрений одно: у задачи есть проверяемый результат. Отчёт либо сошёлся, либо нет; тесты либо прошли, либо нет; счёт либо провёлся, либо завис. Там, где результат нельзя проверить механически, всё сводится к генератору правдоподобного текста, за которым всё равно нужен человек.

Примеры ИИ-агентов, о которых говорят в 2026 году

• Агентный режим в ChatGPT. Отдельный продукт Operator, который OpenAI показала в январе 2025 года, прожил недолго: на странице анонса стоит обновление от 17 июля 2025 года: Operator полностью интегрирован в ChatGPT как agent mode, а отдельный сайт закрыт. Это стоит держать в голове: многие обзоры до сих пор описывают Operator как существующий продукт.
• Агенты в среде разработки. Программы, работающие с файлами проекта в терминале и в редакторе кода, сегодня образуют самую зрелую категорию: результат проверяется тестами.
• Корпоративные конструкторы. Платформы, где всё собирается мышью: описываете роль, загружаете базу знаний, подключаете каналы. Из живой выдачи Яндекса по запросу «ии агенты» на 24 августа 2026 года в топе стоят несколько таких российских платформ, например LeoAgent: стоимость на их сайте начинается от 1 990 ₽ в месяц.
• Сборки на базе GigaChat API. Сбер описывает агентные сценарии в собственной документации и даёт под них API. Вариант для тех, кому нужен российский контур целиком.

Смотреть стоит не на бренд, а на то, что именно продают. Если у «агента» нет доступа к вашему контуру и он не может ничего изменить за пределами диалога — перед вами обычный чат.

Что из этого работает из России

Ограничение то же, что и с обычными чатами: агентные режимы ChatGPT, Claude и Gemini живут внутри зарубежных подписок, а значит требуют иностранного аккаунта и иностранной карты. Российские платформы вроде GigaChat и отечественных конструкторов этого не требуют, но и нейросети там свои.

Есть третий путь, который выбирают чаще всего: создать агента на своей стороне, а нейросеть взять у российского сервиса-посредника. В chad, например, доступ есть и через чат, и через API — POST-запрос на ask.chadgpt.ru, в ответ JSON с текстом. В документации API перечислены линейки GPT-5.x, Claude 4.x, Gemini 3.x и DeepSeek — состав меняется, актуальный смотрите на самой странице.

Важная оговорка, чтобы не создавать ложных ожиданий: готового конструктора агентов в chad нет. Сервис даёт нейросеть, память, веб-поиск, работу с файлами и настраиваемые инструкции — то есть «мозг» и кусок обвязки. Оркестратор, интеграции с вашими системами и цикл выполнения вы собираете сами или в стороннем конструкторе. Проверено по живому прайсу 24 августа 2026 года.

Как собрать своего ИИ-агента

Путь без кода: конструкторы и сценарии

Подходит, если задача типовая: поддержка, консультация по базе знаний, приём заявок. Порядок работы у большинства платформ одинаковый: описать задачу и границы, загрузить документы, проверить качество ответов на реальных вопросах, подключить каналы: сайт, мессенджер, почту. Плюс такого пути в скорости, запуск занимает дни. Минус в том, что вы ограничены набором готовых интеграций платформы.

Путь с кодом: своя логика поверх нейросети по API

Подходит, когда нужен доступ к вашему внутреннему контуру. Создание агентов в минимальном виде укладывается в несколько шагов:

1. Описать цель и границы: что можно, что нельзя, где агент обязан спросить человека.
2. Описать функции, которые агент вправе вызывать, с понятными названиями и описаниями. От качества описаний зависит, будет ли выбор правильным.
3. Написать цикл: запрос к нейросети → разбор ответа → вызов инструмента → возврат результата обратно. Обязательно с лимитом итераций.
4. Добавить логирование каждого шага: по нему видно работу агента и момент, где он свернул не туда.
5. Прогнать на реальных данных в режиме «предлагает, но не выполняет», и только потом дать право действовать.

Пятый пункт пропускают чаще всего — и именно на нём ломаются внедрения.

Сколько стоит держать агента и почему счёт растёт быстрее ожиданий

Главная неожиданность в экономике таких систем: один запрос пользователя превращается в десяток обращений к нейросети. Каждый шаг цикла — отдельный запрос, и в него уходит вся история: исходная задача, предыдущие рассуждения, ответы на прошлые вызовы. К пятой итерации контекст может быть в несколько раз больше исходного вопроса, и оплачивается он целиком.

Поэтому считать бюджет по цене одного запроса нельзя. Ориентир простой: умножайте ожидаемую стоимость одного обращения на среднее число шагов и закладывайте запас на неудачные итерации. Как устроен подсчёт расхода у языковых нейросетей, разобрано отдельно — что такое токены в нейросети.

В chad расход считается во внутренней валюте, искрах. Тарифы на 24 августа 2026 года: Мини за 290 ₽ даёт 120 000 искр в месяц, Опти за 590 ₽ — 300 000, Плюс за 1 690 ₽ — 900 000, Бизнес от 5 000 ₽, там искры не сгорают. Цена искры зависит от выбранной нейросети: у лёгких она меньше единицы за слово, у самых мощных доходит до десятка. Веб-поиск увеличивает множитель на 0,5. Актуальные цифры всегда на странице тарифов; прайс в этой нише меняется чаще, чем обновляются статьи.

Второй расход, который забывают, — работа людей. Настройка, проверка логов, разбор ошибочных действий и обновление базы знаний не заканчиваются после запуска.

Где ИИ-агенты подводят

• Ошибка размножается. Неверный вывод на втором шаге понесётся дальше как факт. В диалоге вы бы это заметили и поправили, а внутри цикла заметить некому.
• Галлюцинации никуда не делись. Возможна уверенная ссылка на несуществующий документ или выдуманное значение поля, которого не было в ответе API.
• Непрозрачность. Понять, почему выбран именно этот путь, без подробных логов почти невозможно.
• Ответственность. Если клиенту ушло неверное письмо или прошёл лишний платёж, отвечает компания, а не разработчик нейросети. Права лучше урезать до минимума и включать подтверждение человеком на всех необратимых действиях.
• Безопасность данных. Доступ к внутреннему контуру компании — это по определению риск. Для корпоративных сценариев проверяйте, что и куда уходит: у chad, например, для бизнес-лицензий нейросети не обучаются на запросах, данные шифруются, а расходы сотрудников видны в отдельном дашборде. Детали на странице для бизнеса.
• Хрупкость на длинной дистанции. Изменился формат ответа стороннего API, и то, что месяц работало безупречно, начинает молча ошибаться.

Когда ИИ-агент не нужен

Gartner в июне 2025 года дал прогноз, который стоит держать перед глазами: более 40 % проектов агентного ИИ будут закрыты до конца 2027 года — из-за растущей стоимости, неясной бизнес-ценности и недостаточного контроля рисков. Причина, по формулировке аналитиков, не в технологии, а в том, что большинство сценариев, которые сегодня подают как агентные, в такой реализации не нуждаются.

Проверьте себя по четырём вопросам:

1. Задача правда многошаговая и заранее не расписывается? Если маршрут известен, дешевле и надёжнее обычная автоматизация.
2. Результат оправдывает цену и задержку? Ответ приходит дольше и стоит дороже одного запроса.
3. Ошибку можно поймать и откатить? Если цена ошибки — потерянный клиент или проведённый платёж, автономии давать нельзя.
4. Данные и процессы в порядке? Агенту нужны доступные и непротиворечивые данные; автоматизировать хаос не выйдет — он только ускорится.

Хотя бы одно «нет» — начинайте со ступени попроще: своя инструкция, база знаний, память и веб-поиск закрывают большую часть офисной рутины без агентного контура и без интеграций.

Частые вопросы об ИИ-агентах

Чем ИИ-агент отличается от нейросети? Нейросеть обрабатывает запрос и возвращает ответ. Агент — система вокруг неё: цикл выполнения, доступ к данным и память. Одна и та же нейросеть работает и в чате, и внутри такой системы.

Нужно ли уметь программировать? Для типовых сценариев — нет, конструкторы собирают всё мышью. Для внутренних систем код нужен: агенту нужны описанные функции и цикл вызовов.

Заменят ли ИИ-агенты сотрудников? Пока речь о передаче отдельных операций, а не должностей. Прогноз Gartner на 2028 год — не менее 15 % повседневных рабочих решений принимаются агентно против 0 % в 2024-м. Это заметная доля, но не замена людей.

Можно ли доверить деньги или переписку с клиентом? Только с подтверждением человеком на необратимых шагах. Полностью автономные действия оставляют для операций, которые легко откатить.

Насколько быстро всё это устареет? Быстро. Продукты и версии в этой нише живут месяцами: Operator превратился в режим ChatGPT за полгода. Смотрите на архитектуру — она меняется медленнее названий.

Фактура проверена 24 августа 2026 года по страницам anthropic.com, developers.sber.ru, gartner.com, modelcontextprotocol.io, openai.com и живым страницам chadgpt.ru. Состав нейросетей, тарифы и продукты в этой нише меняются — перед решением сверяйтесь с первоисточниками.