Последний год слово «агент» стало почти магическим.
Открываешь Telegram:
Я собрал команду из 12 ИИ-агентов.
LinkedIn:
Наши агенты сами находят клиентов, проводят исследования, пишут код и управляют компанией.
Реклама курса:
Через три дня вы создадите цифрового сотрудника, который будет работать 24/7 вместо вас.
Красота.
Остаётся один довольно скучный вопрос:
а деньги где?
Не демонстрация. Не ролик, где агент открыл браузер и пять минут героически заполнял форму. Не количество созданных агентов. Мне хотелось понять, где сегодня существуют реальные работающие кейсы, в которых можно показать хотя бы что-то из нормального бизнеса: рост выручки, сокращение расходов, высвобождение рабочих часов, повышение конверсии или снижение стоимости операции.
Я полез смотреть российский и зарубежный рынок.
Картина получилась интересная.
Агенты уже действительно приносят деньги.
Но совсем не так, как их сейчас продают на большинстве курсов.
Для начала пришлось определить, кого вообще считать агентом
Потому что сегодня агентом называют буквально всё.
Чат-бот ответил на вопрос?
Агент.
Нейросеть написала карточку товара?
Агент.
Скрипт по расписанию забрал данные из CRM и отправил отчёт?
Конечно агент.
Если очень захотеть, Excel с макросом скоро тоже получит звание autonomous agent.
Gartner уже придумал для этого прекрасный термин — agent washing. По оценке аналитиков, тысячи поставщиков называют свои продукты агентными, хотя настоящими агентными системами можно считать только небольшую часть рынка. Gartner прямо предупреждает, что зачастую под новым названием продаются обычные чат-боты, ассистенты или RPA-автоматизации.
Я для этой статьи использовал довольно простой критерий.
Агент получает цель, сам выбирает хотя бы часть промежуточных действий и способен взаимодействовать с внешней системой.
Не просто:
напиши письмо.
А, например:
разберись с этим клиентом.
После чего система сама смотрит историю CRM, определяет состояние сделки, решает, какую информацию запросить, пишет клиенту, получает ответ, обновляет карточку и при необходимости передаёт человека менеджеру.
Автономность может быть небольшой. Это нормально.
Но если система умеет только написать текст, который человек потом вручную копирует куда-то ещё, я бы называл её AI-ассистентом, а не агентом.
И это различие оказалось важным.
Потому что рынок сейчас одновременно очень настоящий и очень перегретый
По свежему глобальному исследованию McKinsey за 2026 год, 40% крупных компаний с выручкой более миллиарда долларов уже масштабируют AI-агентов хотя бы в одной функции. Среди компаний меньшего размера показатель заметно ниже — 22%. Особенно активно агенты идут в IT, knowledge management и разработку ПО.
Звучит мощно.
Но рядом находится другая цифра.
Только 6% опрошенных компаний McKinsey относятся к AI high performers — организациям, которые связывают с AI не менее 5% EBIT и считают его влияние существенным. 80% сотрудников говорят, что AI повышает их личную производительность, однако лишь 37% организаций вообще видят положительный вклад AI в EBIT.
BCG в августе получила почти ту же картину с другой стороны: 82% CEO стали оптимистичнее смотреть на окупаемость AI, но лишь около 6% компаний уже получают значимый измеримый эффект в виде сокращения расходов или увеличения выручки.
То есть:
сотруднику стало удобнее
и
компания стала зарабатывать больше
— снова оказались разными вещами.
Кто бы мог подумать.
Gartner вообще ждёт довольно большой агентный мор
Ещё в 2025 году Gartner спрогнозировал, что к концу 2027-го более 40% проектов agentic AI будут закрыты.
Причины скучные и поэтому особенно убедительные: растущие расходы, неясная ценность для бизнеса и недостаточный контроль рисков. Аналитики отдельно отмечали, что многие проекты запускаются под влиянием хайпа, а компания уже после красивого PoC обнаруживает реальную стоимость интеграции и промышленной эксплуатации.
При этом сам Gartner не считает агентов бесполезной технологией. Наоборот, он ожидает, что доля корпоративных приложений с агентным AI будет быстро расти.
Проблема другая.
Агент вставляют туда, где он вообще не нужен.
Если процесс жёстко детерминирован:
получил файл → проверил три поля → записал в базу,
зачем там рассуждающий агент?
Обычная программа будет дешевле, быстрее и надёжнее.
Мне кажется, половину современного рынка агентных внедрений можно было бы начать с одного вопроса:
А нормальной автоматизацией это точно нельзя сделать?
Теперь самое интересное: где агенты уже реально работают
После просмотра нескольких десятков кейсов довольно быстро обнаружился паттерн.
Лучшие результаты сейчас дают не:
универсальные цифровые сотрудники.
Они дают довольно узкие агенты внутри больших и дорогих процессов.
Причём почти всегда есть четыре условия: очень много повторяющейся работы, понятный результат операции, доступ к корпоративным данным и возможность передать исключение человеку.
Посмотрим на реальные примеры.
Ryanair: 120 тысяч разговоров каждый день
У авиакомпании Ryanair агентная система поддержки на AWS сегодня обрабатывает около 120 тысяч чатов в сутки на семи языках.
По данным кейса AWS, около 80% диалогов закрываются без перевода на сотрудника. В сочетании с автоматизацией голосовой поддержки Ryanair сообщает о снижении количества операторов относительно пассажиропотока примерно на 70%.
Вот это уже бизнес-кейс.
Не:
агент хорошо отвечает.
А:
у нас гигантский поток обращений, раньше он требовал пропорционального расширения операторов, теперь значительную часть потока принимает система.
Почему здесь экономика сходится?
Потому что запросов невероятно много.
Каждые дополнительные несколько процентов автоматического разрешения обращения масштабируются на миллионы контактов.
Если агент автоматизировал три запроса в день — никому не интересно.
Если 96 тысяч в сутки — внезапно становится интересно финансовому директору.
Engine: агент уже не только разговаривает, но и делает
Американская travel-платформа Engine до внедрения агента уже имела обычный чат-бот. Он отвечал на простые вопросы, но если клиент писал:
отмените бронирование,
бот ничего отменить не мог.
Запрос всё равно попадал человеку.
После подключения агентного контура система получила доступ к системам бронирования и возможность выполнять действия самостоятельно. Сейчас, по данным Salesforce, агент закрывает около 50% чатов, а среднее время обработки обращений снизилось на 15%. При этом удовлетворённость клиентов выросла на 16%.
Вот здесь хорошо видна настоящая разница между чат-ботом и агентом.
Бот:
Чтобы отменить бронирование, обратитесь в поддержку.
Агент:
Нашёл бронь. Проверил условия. Отменил.
Именно действие создаёт экономику.
Пока AI только рассказывает сотруднику, что нужно сделать, мы ускоряем человека.
Когда система сама завершает операцию — появляется возможность действительно убрать кусок труда из процесса.
А теперь кейс, который мне особенно понравился своей скучностью
Public Service Commission of Canada сделала агента для вопросов сотрудников о командировках и финансовых правилах.
Никакого:
автономный цифровой COO.
Никакой команды из 37 агентов, которые ночью обсуждают судьбу корпорации.
Сотрудники постоянно писали финансистам:
можно ли оплатить вот это?
какой лимит?
как оформить поездку?
что говорит инструкция?
Ответ занимал от одного до пяти дней.
Агент получил доступ к официальным политикам и процедурам и стал отвечать самостоятельно со ссылками на документы.
Результат: количество писем в финансовый отдел снизилось на 90%, а время ответа — с дней до 10–30 секунд. Организация оценивает предотвращённые затраты на персонал примерно в 120 тысяч канадских долларов ежегодно, плюс отдельно экономит на более раннем бронировании поездок.
И вот это, на мой взгляд, образцовый агентный кейс.
Очень понятная работа.
Очень понятная стоимость существующего процесса.
Очень понятный результат.
В продажах деньги видны ещё лучше
SaaStr обнаружила в собственной CRM около тысячи тёплых лидов, до которых просто не доходили руки продавцов.
Агент стал самостоятельно восстанавливать контекст старых контактов, писать персонализированные сообщения, делать повторные касания и передавать человеку уже заинтересованный лид.
По данным Salesforce, агент отправил более трёх тысяч писем, получил 72% открытий и более 10% ответов. В итоге с ранее заброшенных контактов SaaStr связала $2,7 млн закрытой выручки и ещё $3,5 млн pipeline.
Это очень сильный кейс.
Но здесь сразу важная оговорка.
Источник — Salesforce, которая продаёт платформу, на которой сделан агент.
Я не нашёл независимого аудита этих цифр.
Поэтому корректная формулировка:
SaaStr и Salesforce сообщают о таком результате.
А не:
наука доказала, что Agentforce гарантированно генерирует миллионы.
Эту разницу почему-то особенно не любят продавцы курсов.
У Uber похожая механика
Uber for Business имел огромный поток компаний, начавших регистрацию, но не завершивших её. Команда из примерно 30 специалистов физически не могла делать follow-up каждому.
Агент начал автоматически работать почти со всеми такими лидами.
Salesforce сообщает примерно о 60% росте конверсии, 50% улучшении response rate и 28% увеличении доступной мощности команды для outreach. Ожидаемый дополнительный финансовый эффект компания называет семизначным.
Опять же, это vendor customer story, не независимое исследование.
Но сама экономика выглядит чрезвычайно правдоподобно.
Есть огромный объём уже оплаченных лидов.
Человеческая команда не успевает их обрабатывать.
Доход теряется буквально потому, что никто не написал человеку второй раз.
Агент заполняет именно этот провал.
Не заменяет гениального продавца.
Не даёт уже купленному спросу протухнуть.
Для меня это сейчас один из самых очевидных сценариев продаж.
Даже Salesforce использует собственных агентов примерно так же
На сайте Salesforce агент отвечает на вопросы потенциальных покупателей, знает данные из тысяч страниц и продуктовых записей, квалифицирует интерес и создаёт лид в CRM.
Компания сообщает о 40% сокращении времени квалификации и более чем 30 тысячах новых лидов. Агентные лиды дали Salesforce около $20 млн дополнительного marketing-driven pipeline, а сотрудники sales development экономят примерно 150 часов в месяц на ответах на типовые вопросы.
Pipeline, разумеется, не выручка.
И это ещё один прекрасный пример того, что в AI-кейсах надо очень внимательно читать названия метрик.
$20 млн pipeline
звучит почти как:
мы заработали $20 млн.
Нет.
Это потенциальная стоимость возможностей в воронке.
У SaaStr в предыдущем кейсе было отдельно указано именно closed revenue — это значительно более сильная метрика.
Российский рынок намного интереснее, чем я ожидал
У нас публичных кейсов с прозрачной экономикой пока меньше, но нормальные production-примеры уже есть.
Один из самых убедительных — внутренний SOC Яндекса.
Компания построила мультиагентную систему для информационной безопасности. Одни агенты анализируют входящие алерты, другие перепроверяют результаты и обогащают информацию.
По данным Yandex Cloud, удалось автоматизировать 39% рутинных задач SOC, а время обработки ложных срабатываний уменьшилось на 86%. Причём Яндекс подчёркивает, что это уже не пилот: система прошла путь до промышленного использования и сейчас технология применяется также во внешних сервисах безопасности.
Вот здесь агентность действительно оправдана.
Специалисту приходит событие.
Нужно собрать контекст из нескольких источников, сопоставить его с прошлыми инцидентами, проверить достоверность, классифицировать ситуацию.
Это не простое:
ЕСЛИ X > 10 → отправь письмоТребуется интерпретация.
Значит, LLM там действительно зарабатывает право на существование.
Альфа-Банк автоматизировал валютный контроль
Этот российский пример ещё красивее по скорости.
Раньше специалист мог тратить до двух часов на анализ одного договора и заполнение примерно 90 полей.
ИИ-агент Альфа-Банка анализирует документ, извлекает данные, проверяет соответствие требованиям и формирует заключение примерно за одну минуту. Банк сообщает о точности автоматических заключений около 80% и производительности до 2700 контрактов в сутки.
Конечно, 80% — не повод увольнять весь валютный контроль и отправлять агента жить одного.
Но даже если сложные и сомнительные случаи остаются людям, экономика уже понятна.
Человеку раньше приходилось выполнять много механической экспертной работы над каждым документом.
Теперь он может проверять исключения.
Это снова тот же паттерн:
машина забирает объём, человек — неопределённость.
В разработке Альфа-Банк получил другой результат
В проекте AgenticML агенты автоматизируют части жизненного цикла ML-моделей: анализ материалов, документацию, проверку кода, обновление моделей.
По данным банка, время разработки ML-моделей уже сократилось более чем на треть, а подготовка некоторых видов документации теперь занимает часы вместо нескольких дней.
Вот это тоже интересный класс агентных задач.
Специалист стоит дорого.
У него есть квалификация, которую бессмысленно тратить на заполнение одной и той же документации.
Если агент высвобождает десять часов junior-работы — экономия одна.
Если десять часов senior data scientist — совсем другая.
Поэтому считать агентную экономику только в количестве сэкономленных часов тоже неправильно.
Надо знать цену часа, который удалось освободить.
У Т-Банка агент уже играет в хакера
Т-Банк развивает Nulla — автономного атакующего AI-агента для поиска уязвимостей.
Он читает контракты API и код, формирует гипотезы атак, пытается воспроизвести уязвимость и пишет результат. По собственным данным Т-Банка, на валидационном наборе Nulla обнаруживает 86% уязвимостей и уже используется в production для анализа реальных API-контрактов.
Здесь ценность опять не в слове «агент».
У пентестера есть дорогой интеллектуальный цикл:
изучить систему → придумать гипотезу → проверить → отбросить → придумать следующую.
Обычный скрипт прекрасно ищет заранее известный паттерн.
А агент интересен именно там, где надо строить новые гипотезы.
Вот хороший критерий:
если в задаче нет момента «надо подумать, что делать дальше», вероятно, вам вообще не нужен агент.
Даже мировой бум coding agents уже превращается в деньги
McKinsey обнаружила довольно неожиданный эффект: 32% опрошенных компаний заявили, что уже отказались покупать хотя бы один программный продукт или отдельную функцию, потому что смогли создать её внутри компании с помощью агентных инструментов программирования.
Вот это очень серьёзная экономическая трансформация.
AI-агент не обязательно:
заменил программиста.
Он может заменить часть покупки SaaS.
Раньше компании нужен небольшой внутренний сервис.
Смотрим рынок:
$80 тысяч в год.
Теперь команда за неделю собирает внутреннее решение с coding agent.
Экономика программного обеспечения начинает меняться уже с другой стороны.
И вот здесь агенты действительно способны съесть часть SaaS-рынка.
Есть ещё российские кейсы из малого и среднего бизнеса. Но с ними я осторожнее
Например, в опубликованном через РБК Компании кейсе BIOCARD голосовой агент использовали для реактивации старой B2B-базы.
Авторы сообщают, что конверсия выросла примерно с 5% до 9,2%, а стоимость лида упала на 63%. Менеджеры начали получать уже предварительно квалифицированные контакты.
Очень интересно.
И очень похоже на реальный рабочий сценарий.
Но это кейс поставщика решения, а не независимое исследование.
Поэтому я бы отнёс его в категорию:
правдоподобный коммерческий результат, который хочется подтвердить на большем количестве внедрений.
А вот когда сайт очередной «AI agency» сообщает:
+188% конверсии, ROI 3,2x, +26–80 млн ₽ выручки,
и при этом невозможно нормально посмотреть исходные данные, размер выборки, период сравнения и методику атрибуции — я бы не строил на этом прогноз своего бизнеса.
Это вообще главная проблема исследования агентов
Самые громкие цифры сегодня публикуют компании, которые этих агентов продают.
Microsoft рассказывает кейсы Copilot.
Salesforce — Agentforce.
AWS — Bedrock.
Яндекс — AI Studio.
И это нормально.
Кто ещё знает собственные внедрения лучше?
Но customer story — это не рандомизированное исследование. Обычно туда попадает успешный клиент, а не тот, у которого три месяца ничего не получилось и проект закрыли.
Поэтому я условно делю доказательства на три уровня.
Самый сильный — агрегированные исследования вроде McKinsey, Gartner и BCG.
Следом идут производственные кейсы крупных компаний с конкретными метриками.
Самые слабые — лендинги интеграторов вида:
наш агент увеличил прибыль клиента на 317%.
Без исходных данных это скорее реклама, чем доказательство.
И общая статистика очень хорошо охлаждает восторг от красивых кейсов
McKinsey показывает: индивидуальная производительность растёт у огромного количества людей, но финансовый эффект на уровне компании по-прежнему концентрируется у меньшинства.
BCG пришла примерно к тому же выводу.
Компании, которые действительно получают серьёзные деньги от AI, отличаются не тем, что у них:
больше агентов.
Они перестраивают процессы вокруг AI. Среди high performers McKinsey почти три четверти уже фундаментально меняют workflows; среди остальных это делает примерно четверть.
Вот здесь, мне кажется, спрятан ответ на половину рынка.
Прикрутить агента к плохому процессу — не трансформация.
Это просто плохой процесс, который теперь умеет галлюцинировать.
И ещё один неприятный момент: агент может оказаться очень дорогим
Мы недавно подробно разбирали стоимость AI-автоматизации, и агентная экономика только усиливает проблему.
McKinsey приводит довольно показательные оценки: в банковском customer service сами токены могут составлять лишь 20–25% переменных расходов agentic workflow, а 70–75% приходится на человеческий контроль. В некоторых регулируемых процессах экспертам всё ещё приходится проверять 10–20% запусков агента.
То есть владельцу бизнеса показывают:
смотрите, запрос к модели стоит 17 рублей.
И он думает:
прекрасно, сотрудник больше не нужен.
А потом появляются:
интеграция;
наблюдаемость;
повторные попытки;
базы данных;
контроль;
безопасность;
человек на исключениях;
поддержка после обновления модели.
McKinsey поэтому предлагает считать не стоимость запроса и даже не стоимость агента.
А fully loaded cost of completed work — полную стоимость законченной операции.
Вот это абсолютно правильная метрика.
Не «сколько стоит агент», а «сколько стоит закрытый кейс»
Допустим, человек обрабатывает заявку за 300 рублей.
Агент формально стоит 40 рублей.
Прекрасно?
Не обязательно.
Если 20% заявок после агента должен разбирать человек за 400 рублей из-за дополнительной сложности, появляется совсем другая арифметика.
Нужно считать:
полная стоимость всех успешных операций + стоимость исключений + стоимость ошибок + эксплуатация системы.
И сравнивать с прежним процессом.
McKinsey приводит иллюстративный банковский пример, где полный onboarding клиента может требовать сразу нескольких агентов, обычных детерминированных систем и человеческого контроля. Но при нормальной архитектуре стоимость операции всё равно потенциально падает примерно со $50–150 до $10–30.
Вот где есть бизнес.
Не в стоимости токенов.
После всех кейсов у меня сложилась довольно простая формула: когда агент окупается
Я бы искал одновременно несколько признаков:
- Операций много. Если задача возникает два раза в месяц, дешевле оставить человека. Особенно хорошо работают тысячи и миллионы повторений.
- Каждая операция стоит денег. Дорогой специалист, большой контакт-центр, потерянный лид, долгий простой — здесь есть что экономить.
- Результат можно измерить. Заявка обработана. Бронь отменена. Документ проверен. Уязвимость найдена. Встреча назначена. Без конечной метрики легко год восхищаться красивыми разговорами агента.
- Агент имеет доступ к действиям. CRM, ERP, API, почта, календарь, база данных. Если он только пишет человеку инструкцию, экономический эффект намного меньше.
- Большинство случаев типовые, но часть требует рассуждения. Если абсолютно всё типовое — дешевле обычная автоматизация. Если каждый кейс уникален и критичен — человеческий контроль съест экономику.
- Есть нормальный handoff человеку. Хороший агент не должен героически решать всё. Он должен понимать: здесь я уверен, здесь нужен сотрудник.
Вот примерно здесь сегодня проходят наиболее убедительные внедрения.
Не в:
пусть цифровой сотрудник сам управляет бизнесом.
А в:
вот конкретные сто тысяч операций. Забери 70 тысяч из них.
Особенно хорошо работают агенты там, где человек сегодня является дорогим клеем между системами
Это вообще огромный класс офисной работы.
Открыть письмо.
Зайти в CRM.
Посмотреть договор.
Сравнить с регламентом.
Найти клиента.
Проверить информацию в другой системе.
Сделать вывод.
Записать обратно.
Послать ответ.
Человек здесь зачастую нужен не потому, что каждый раз совершает великое интеллектуальное открытие.
Он просто соединяет пять программ и принимает небольшие контекстные решения между ними.
Вот именно такую работу современные агенты начинают есть очень хорошо.
И MCP, tool calling и computer use только ускорят процесс.
А где сейчас особенно много тумана?
В «универсальных сотрудниках».
AI-маркетолог.
AI-директор.
AI-бухгалтер.
AI-отдел продаж.
Название профессии ничего не объясняет.
Маркетолог выполняет двадцать разных типов работы, у которых разные данные, риски, инструменты и критерии качества.
Если вам говорят:
мы поставим вам AI-маркетолога, и он всё будет делать сам,
первый вопрос должен быть:
какую конкретно завершённую операцию он выполняет без человека?
Если после этого начинается десять минут разговора про нейросети, мультиагентность и цифровую трансформацию — кажется, деньги зарабатывает не агент.
Деньги зарабатывает тот, кто его вам продаёт.
😁
И курс «создай армию агентов» почти всегда начинает не с того конца
На подобных курсах часто учат:
Создадим агента-исследователя.
Агента-копирайтера.
Агента-критика.
Агента-стратега.
Агента, который управляет остальными агентами.
Через два часа на экране бегает невероятно впечатляющая блок-схема.
Только бизнесу совершенно не нужна армия цветных кружочков.
Ему нужно:
стоимость подготовки КП упала с 2000 до 500 рублей.
Или:
вместо двух дней ответ за десять минут.
Или:
менеджеры стали обрабатывать на 30% больше лидов.
Поэтому правильное проектирование агента я бы начинал не с вопроса:
Какие агенты нам нужны?
А:
Где сейчас теряются деньги?
Например, продажи
Не:
сделаем AI-продавца.
А:
у нас 1200 заявок в месяц, 23% получают первый ответ позднее часа, 18% вообще не получают второго касания, а менеджер тратит 35% времени на первичную квалификацию.
Вот уже появляется задача.
Теперь агент может:
ответить;
собрать исходные данные;
квалифицировать;
поставить встречу;
сделать follow-up;
обновить CRM;
отдать менеджеру человека, готового обсуждать покупку.
После пилота сравниваем:
скорость ответа;
долю обработанных лидов;
конверсию в встречу;
конверсию в сделку;
валовую прибыль.
Если цифры выросли больше, чем стоимость системы, агент работает.
Если нет — вы просто построили технологичную игрушку.
Я именно поэтому пока не хочу приписывать волшебные миллионы собственному ИИ-продавцу
У меня уже есть работающий боевой контур: человек приходит с лендинга, может перейти в мессенджер, ИИ ведёт короткий диалог, собирает нужную информацию и в подходящий момент передаёт клиента человеку.
Технически агент работает.
Но я пока не напишу:
AI-продавец увеличил продажи на 47%.
Потому что для этого сначала нужен нормальный объём боевого трафика и чистое сравнение.
Иначе я буду ничем не лучше лендинга курса:
Этот агент приносит 5 миллионов в месяц — скриншотов нет, но поверьте.
Для меня production и доказанный ROI — это две разные стадии.
С Astra получилось то же самое
Недавно я дал GPT-6 Astra в Work реальную задачу — разобраться в архитектуре семантики Яндекс Директа внутри Market-GPT.
Она действительно нашла проблемы, до которых имело смысл докапываться: перекос генерации вокруг близких seed’ов, лимиты, которые могли душить поздние пользовательские намерения, недостаточную проверку соответствия коммерческого спроса конкретному продукту.
Это был реальный выигрыш в исследовательской работе.
Я сэкономил собственные часы и получил полезные гипотезы.
Но сколько рублей Astra заработала?
Пока ноль.
Денежный результат появится только тогда, когда найденные изменения будут внедрены, реклама реально станет лучше и это будет видно в стоимости целевого лида или продажах.
Очень полезно отделять эти уровни.
Есть продуктивность. Есть экономический эффект. И есть ROI
Это три разные вещи.
Продуктивность:
раньше отчёт делали четыре часа, теперь один.
Хорошо.
Но человек оставшиеся три часа действительно сделал другую полезную работу?
Или посмотрел Telegram?
Экономический эффект:
благодаря автоматизации нам не пришлось нанимать ещё двух сотрудников.
Уже интереснее.
ROI:
за год агент сэкономил 4 млн рублей, стоил со всеми интеграциями и поддержкой 1,5 млн.
Вот теперь можно разговаривать.
Самый распространённый фокус AI-презентаций — показать первый уровень и произнести третий.
С увольнениями, кстати, тоже всё не так просто
Gartner в 2026 году опросил крупные компании, экспериментирующие с автономными технологиями.
Примерно 80% сообщили о сокращениях персонала.
Можно радостно сказать:
вот он, ROI!
Но Gartner обнаружил, что сокращение работников само по себе практически не коррелировало с высокой отдачей от autonomous business. Компании с сокращениями встречались и среди успешных проектов, и среди проектов со слабым или отрицательным возвратом.
То есть:
уволили десять человек
не означает:
построили хороший агентный бизнес-процесс.
Иногда это означает:
уволили десять человек.
Деньги могли потом прекрасно вернуться в виде ошибок, подрядчиков, поддержки и развалившегося клиентского сервиса.
Самый сильный вывод исследования вообще оказался не технологическим
Везде, где я нашёл действительно убедительный результат, компания не просто:
добавила AI.
Она изменила процесс.
Ryanair не дала сотрудникам чатик с LLM — она отправила огромную часть customer-service потока в автоматический контур.
SaaStr не помогла продавцу красивее писать письма — агент начал обрабатывать лиды, которые продавец вообще не трогал.
PSC Канады не ускорила написание ответов финансистом — сотрудники перестали спрашивать финансиста.
Альфа-Банк не дал специалисту кнопку «проанализировать договор» — значительную часть проверки перенесли в автоматический процесс.
Yandex SOC не поставил Copilot рядом с аналитиком — агенты сами начали разбирать и перепроверять алерты.
Вот где появляется настоящее изменение экономики.
Поэтому лучший агент сегодня выглядит довольно скучно
У него нет виртуального офиса.
Нет имени «Максим, директор по стратегическому развитию».
Он не пишет утром владельцу бизнеса:
Сегодня я проактивно определил пять возможностей масштабирования.
Хороший production-агент обычно делает что-то вроде:
из 10 000 заявок сам закрыл 6400;
2700 отправил человеку;
900 отбросил как мусор;
ошибся в 43 случаях;
полная стоимость обработки упала на 38%.
Вот после такого я готов слушать про революцию.
Потому что это уже не демо.
Это производственная система.
Что продавец курса по агентам почти никогда не показывает
Если хочется очень быстро отделить кейс от маркетингового тумана, я бы проверял семь вещей: есть ли цифра до внедрения; есть ли цифра после; указан ли период; понятен ли объём операций; учитываются ли человек и инфраструктура после внедрения; измеряется ли конечный бизнес-результат, а не количество действий агента; и наконец — опубликована ли выручка, прибыль или экономия, либо нам опять показывают «потенциальный pipeline».
Если половины этого нет, перед вами пока не ROI.
Перед вами история.
Иногда правдивая.
Иногда рекламная.
Особенно смешно выглядит метрика «у нас работает 500 агентов»
И что?
У Яндекса к середине 2026 года на AI Studio уже создано более 30 тысяч агентов, а примерно 30% коммерческого потребления платформы приходится на агентные сценарии. Это очень хорошо показывает рост реального использования технологии.
Но даже Яндекс не утверждает:
30 тысяч агентов = 30 тысяч успешных бизнес-кейсов.
Количество созданных агентов — метрика платформы.
Не бизнеса пользователя.
Можно создать тысячу агентов и потерять деньги.
Можно сделать одного и сэкономить миллион.
Мне значительно интереснее второй человек.
То же самое относится к «24/7»
Одна из любимых рекламных фраз:
ИИ-агент работает 24 часа в сутки без выходных!
Отлично.
Мой холодильник тоже.
Но никто не покупает курс:
Как создать холодильник, который работает, пока вы спите.
😁
24/7 имеет денежную ценность только там, где ночное отсутствие человека действительно создаёт потери.
Например, горячие входящие лиды.
Или поддержка авиакомпании.
Или бронирование ресторана.
Или мониторинг безопасности.
Если ваш корпоративный юрист получает три договора в неделю с 10:00 до 17:00, ночная бодрость агента примерно никому не нужна.
Самый недооценённый критерий — стоимость ожидания
Вот здесь агенты часто окупаются даже без сокращения штата.
Клиент написал в 22:00.
Менеджер ответит завтра в 10:00.
За эти двенадцать часов клиент уже отправил запрос четырём конкурентам.
Агент ответил за 20 секунд, квалифицировал и назначил разговор на утро.
Никого не уволили.
Но конверсия может вырасти.
Это совсем другой источник ROI.
То же в закупках, логистике, техподдержке, внутренних согласованиях.
Иногда главный ресурс агента — не дешёвый труд.
Он убирает очередь.
Второй недооценённый источник денег — работа, которую люди вообще не делают
Вот почему мне нравится SaaStr.
Агент не заменил продавцов в том, что они прекрасно выполняли.
Он взял почти тысячу контактов, которые просто лежали мёртвым грузом.
Человеческой компании всегда приходится приоритизировать.
Есть 100 клиентов.
Хватает специалистов на 20.
Остальные получают более дешёвый уровень сервиса или вообще никакого.
Агент резко снижает стоимость внимания.
И тогда становятся экономически оправданы операции, которые раньше никто не делал.
Персональный follow-up каждому клиенту.
Анализ каждого звонка.
Проверка каждого API-контракта.
Ответ на каждый внутренний вопрос.
Вот здесь может появиться новая выручка, а не просто экономия.
McKinsey отдельно считает это одним из самых перспективных свойств агентной экономики: AI делает дешёвым масштабирование когнитивной работы и позволяет обслуживать сегменты или сценарии, для которых раньше человеческий эксперт был слишком дорог.
В этом месте я уже начинаю верить в довольно большое будущее агентов
Не в двадцать виртуальных человечков с должностями.
А в миллионы маленьких автономных процессов.
Компания раньше анализировала 3% разговоров менеджеров.
Теперь 100%.
Проверяла самые крупные договоры.
Теперь все.
Продавец работал только с горячими лидами.
Теперь холодный хвост тоже кто-то ведёт.
ИБ-команда вручную расследовала только приоритетные сигналы.
Теперь каждый алерт получает первичный анализ.
Это реально меняет экономику.
Потому что раньше ограничения определялись количеством человеческого внимания.
А его всегда мало.
Но агент должен зарабатывать право на автономность
Есть популярная мечта:
сначала дадим ему полный доступ ко всему, потом посмотрим, что получится.
Предпочитаю смотреть издалека.
😁
Хорошая архитектура развивается в противоположную сторону.
Сначала read-only.
Потом безопасные действия.
Потом небольшая зона самостоятельности.
Потом расширяем её на основании реальной статистики ошибок.
И всегда остаётся уровень операций, для которых требуется подтверждение человека.
Особенно если речь идёт о деньгах, юридических обязательствах, удалении данных или действиях, которые невозможно легко откатить.
Автономность — это не фича, которую надо максимизировать.
Это риск-бюджет.
Поэтому мультиагентность сама по себе меня вообще не впечатляет
Один агент проверяет другого.
Третий спорит с двумя первыми.
Четвёртый назначен директором агентов.
Можно построить очень красивую схему.
Но каждый дополнительный цикл означает:
больше токенов;
больше задержки;
больше мест отказа;
больше сложности отладки.
Иногда мультиагентность действительно нужна — тот же Yandex SOC использует специализированных агентов для независимой проверки результатов, и там это напрямую связано с качеством.
Но если один хороший агент надёжно выполняет задачу, добавлять ещё пять только потому, что слово multi-agent красиво выглядит на слайде, смысла нет.
Бизнесу не платят за архитектурную впечатляющесть.
И здесь возникает совсем простой тест
Представьте, что слово «агент» запрещено использовать в презентации.
Как вы тогда продадите проект директору?
Не:
агентная мультиоркестрация на базе LLM.
А:
мы сокращаем обработку договора с двух часов до десяти минут.
Вот это понятно.
Система отвечает на 70% запросов без оператора.
Понятно.
Мы вернём в работу 3000 забытых лидов.
Понятно.
Проверяем каждый релиз на уязвимости вместо одного аудита раз в квартал.
Тоже понятно.
Если без слова «агент» ценность проекта исчезла — скорее всего, проекта и не было.
Так где сегодня самые реальные деньги?
После всего исследования я бы поставил на пять областей.
Поддержка и contact center. Здесь огромный объём, хорошо измеримая стоимость обращения и понятный handoff человеку.
Продажи и follow-up. Особенно когда теряются лиды из-за скорости, ночей, выходных и ограниченной мощности менеджеров.
Документы и back office. Контракты, onboarding, проверки, регламенты, заявки — много дорогостоящего человеческого чтения и перекладывания данных.
Разработка и IT. Код хорошо проверяется автоматически, а квалифицированные специалисты дороги.
Кибербезопасность и мониторинг. Потоки событий огромны, каждый вручную человек всё равно никогда не разберёт.
Во всех этих направлениях уже есть production-кейсы, а не только презентации.
А где я пока особенно осторожен
Полностью автономные руководители.
Самостоятельное принятие серьёзных финансовых решений.
Универсальные маркетологи.
Агенты, которым говорят:
развивай бизнес.
Сложные переговоры без человека.
Большие end-to-end процессы с десятками плохо интегрированных legacy-систем.
Это всё постепенно придёт.
Но сегодняшняя надёжность моделей и цена исключений пока делают такие сценарии значительно менее очевидными экономически.
И именно там сейчас больше всего курсов.
Что, вероятно, тоже не случайность.
В итоге я неожиданно стал больше верить в агентов — и меньше верить в разговоры про них
До исследования у меня была скорее реакция:
очередное модное слово.
После просмотра реальных внедрений я так уже не думаю.
Ryanair действительно обрабатывает огромный поток обращений агентной системой. Альфа-Банк действительно сократил процесс валютного контроля с часов до минут. Яндекс автоматизировал заметную часть рутины SOC. SaaStr сообщает о миллионах дополнительной выручки с забытых лидов. У корпоративных coding agents уже появляется влияние даже на закупку программного обеспечения.
То есть технология настоящая.
Туман находится не в ней.
Туман находится в попытке продать любую LLM с API как цифрового сотрудника будущего.
Мой главный вывод очень простой
Самый полезный вопрос про ИИ-агента звучит не:
Что он умеет?
И даже не:
Насколько он автономен?
Нужно спрашивать:
какую завершённую бизнес-операцию он сделал дешевле, быстрее или прибыльнее человека — после учёта всех расходов и ошибок?
Если на это есть нормальный ответ с цифрами — перед нами интересный проект.
Если ответ:
Ну смотрите, он умеет сам открыть браузер…
Это прекрасная демонстрация технологии.
Но пока не бизнес.
Именно поэтому свои эксперименты с агентами я хочу дальше оценивать максимально приземлённо. Не количеством AI-сотрудников в красивой схеме, а стоимостью лида, количеством закрытых операций, часами человеческой работы и реальными деньгами. Промежуточные тесты, включая наш боевой ИИ-продажный контур и эксперименты вроде аудита Astra, я продолжаю выкладывать в GPT-Лаборатории: Telegram, ВКонтакте и MAX.
А обещать:
через месяц десять агентов будут сами зарабатывать вам миллион,
я бы пока оставил продавцам курсов.
У них, кстати, один агентный бизнес уже точно работает.
Агент по продаже курсов про агентов.
