За последний год я видел уже какое-то неприличное количество предложений в духе:

«ИИ-сотрудник для вашего бизнеса».

Дальше обычно перечисляется почти полноценный штат: ИИ-продавец, ИИ-маркетолог, ИИ-секретарь, ИИ-рекрутер, ИИ-консультант. Судя по презентации, предпринимателю остаётся только купить подписку, открыть шампанское и иногда проверять, не захватил ли искусственный персонал бухгалтерию.

А потом начинаешь разбираться, что конкретно умеет этот «сотрудник».

Клиент написал.

Нейросеть прочитала сообщение.

Сформировала красивый ответ.

Отправила.

Всё.

То есть мы взяли автоответчик, подключили к нему большую языковую модель и повысили должность до сотрудника.

Сам по себе разговор — это ещё не работа

Это легко перепутать, потому что современные модели разговаривают действительно хорошо.

Человек пишет:

Мне надо увеличить продажи, сейчас заявки идут с Авито, но я часто не успеваю отвечать.

ИИ может ответить:

Понимаю. Несвоевременная обработка заявок действительно приводит к потере потенциальных клиентов. Расскажите, пожалуйста, подробнее о вашем бизнесе…

Звучит прилично.

Даже разумно.

Но представим живого продавца, который после такого разговора просто закрывает окно чата и идёт пить кофе.

Нам бы вряд ли пришло в голову сказать:

Отличный сотрудник. Очень хорошо поговорил.

От продавца ожидается результат. Понять клиента, квалифицировать, не потерять, довести до следующего шага, передать менеджеру или самому выполнить разрешённое действие.

У ИИ должно быть примерно так же.

Хороший ответ и выполненная работа — разные вещи

OpenAI в своём практическом руководстве по агентам отдельно проводит эту границу. Простые чат-боты и приложения, которые используют LLM только для ответа, там прямо не относятся к агентам. Агент должен управлять выполнением задачи, принимать решения по ходу процесса, использовать внешние инструменты и понимать, когда работа завершена.

Например, клиент спрашивает:

Можно записаться завтра после обеда?

Автоответчик:

Конечно! Наш менеджер свяжется с вами и уточнит удобное время.

Очень мило.

ИИ-сотрудник:

проверил календарь;

нашёл свободные интервалы;

предложил два;

получил подтверждение;

создал встречу;

записал её в CRM;

отправил менеджеру данные клиента;

поставил напоминание.

После этого есть смысл сказать:

задача выполнена.

А до этого у нас просто хороший интерфейс между человеком и текстовой моделью.

Почему рынок набит именно автоответчиками

Потому что сделать их сравнительно легко.

Берём API модели.

Добавляем системный промпт:

Ты профессиональный продавец компании «Ромашка». Будь вежлив, выявляй потребности клиента и веди его к покупке.

Подключаем Telegram или виджет на сайт.

Готово.

На демонстрации такая система выглядит превосходно, особенно если вопросы задаёт сам разработчик. Он знает сценарий, знает продукт и подсознательно пишет то, на что боту удобно отвечать.

Настоящий клиент почему-то не хочет участвовать в тестировании архитектуры.

Он пишет:

цена?

Или:

а монтаж есть

Или:

дорого

Или вообще через двадцать минут после нормального разговора:

короче жена сказала пока не надо

Вот после этого сразу становится понятно, делали мы сотрудника или генератор красивых реплик.

У реального сотрудника есть состояние

Это одна из вещей, которые сильно недооценивают.

Живой менеджер не начинает каждый ответ с чистого листа. Он примерно понимает, что уже произошло.

Клиента зовут Иван.

У него дом 160 квадратов.

Он пришёл с Авито.

Ему нужен котёл.

Бюджет пока неизвестен.

Срок — до октября.

Главная проблема — не хватает времени отвечать на обращения.

Иван уже дважды сказал, что сайт ему сейчас не нужен.

Если продавец через пять сообщений снова спросит:

А какой у вас продукт?

мы довольно быстро начнём сомневаться в его профессиональной пригодности.

ИИ делает то же самое, если память диалога просто свалена ему огромным куском текста без нормальной логики состояния.

Получается странный человек с великолепной речью и очень тяжёлой формой амнезии.

Ещё хуже, когда ИИ хочет быть слишком полезным

Это одна из самых забавных особенностей языковых моделей.

Им хочется ответить.

Человек спрашивает цену, которой нет в базе.

Слабая система может попытаться вывести её из контекста.

Спрашивает сроки — модель расскажет про «типичные сроки на рынке».

Интересуется возможностью, которой вообще нет в продукте, — нейросеть иногда настолько хорошо понимает, какой ответ клиент хотел бы услышать, что начинает проектировать бизнес прямо во время разговора.

Человеку кажется:

какой инициативный сотрудник.

До первого обещания, которое компании потом придётся выполнять.

Поэтому хороший ИИ-сотрудник отличается от плохого не только интеллектом.

Он должен прекрасно знать границы собственной тупости.

Нет данных — не придумывай.

Не уверен — уточни.

Нет права на действие — передай человеку.

Именно такие ограничения и guardrails сегодня считаются обязательной частью production-агентов. OpenAI отдельно рекомендует строить агентов с чёткими инструментами, правилами и возможностью остановиться или вернуть управление пользователю при сбое.

Потом выясняется, что сотруднику нужны инструменты

Допустим, мы научили ИИ идеально вести разговор.

Что дальше?

Клиент хочет узнать статус заказа.

Значит, нужен доступ к заказам.

Хочет перенести встречу — календарь.

Нужно передать заявку — CRM.

Отправить документ — почта или мессенджер.

Посчитать стоимость — калькулятор или правила расчёта.

Проверить остаток — склад.

Получить историю клиента — база.

Без этого наш «сотрудник» похож на менеджера, которого посадили в пустую комнату, отобрали телефон, компьютер и доступ к CRM, а потом удивляются, почему он только разговаривает.

Инструменты позволяют агенту не просто сообщать информацию, а читать данные и менять состояние внешних систем: обновлять запись в CRM, отправлять сообщения, создавать задачи или передавать кейс человеку. Именно так описывается практическая агентная архитектура и у OpenAI, и у Anthropic.

А инструменты сразу делают ошибку дороже

Чат-бот ошибся:

Завтра работаем до 20:00.

Клиент приехал в 19:30, увидел закрытую дверь и немного расстроился.

Агент ошибся:

удалил встречу;

перенёс доставку;

изменил статус сделки;

отправил письмо;

выставил счёт.

У ошибки появились руки.

Поэтому странно делать автономность единственной целью разработки. Иногда система становится лучше именно тогда, когда ей запрещают действовать самостоятельно в определённых местах.

Скидку 3% можно согласовать автоматически.

30% — директор.

Перенести консультацию — можно.

Удалить оплаченный заказ — нельзя.

Ответить по базе знаний — можно.

Самостоятельно сочинить новые условия договора — большое спасибо, не надо.

Нормальный ИИ-сотрудник — это не свободная электронная личность. Это довольно жёстко ограниченный работник с конкретной должностной инструкцией.

«Он отвечает как человек» — вообще плохая метрика

Меня иногда показывают демо:

Смотри, невозможно понять, что это бот!

И что?

Я могу написать программу, которая будет очень убедительно изображать пьяного кладовщика. Это ещё не делает её полезной для склада.

Бизнесу нужны совсем другие показатели.

Сколько обращений обработано?

Сколько дошло до квалификации?

Сколько передано менеджеру?

Какова доля ошибок?

Сколько случаев пришлось переделывать человеку?

Сколько денег стоит один успешно завершённый процесс?

Сколько времени реально сэкономлено?

В июле 2026 года OpenAI отдельно рекомендовала оценивать AI-системы не по стоимости токенов самой по себе, а по стоимости принятого результата: сколько попыток потребовалось, сколько было исправлений, человеческой проверки, инструментальных вызовов и сколько бизнес-ценности создано.

Вот это уже язык бизнеса.

А:

«смотрите, как естественно он ставит смайлик»

оставим презентациям.

Проверять надо не ответы, а весь маршрут

Для чат-бота тест простой.

Задали сто вопросов.

Посмотрели сто ответов.

Посчитали ошибки.

У агента всё сложнее, потому что он работает в несколько шагов и меняет состояние системы. Anthropic в своём руководстве по evals отдельно подчёркивает, что многошаговые агенты труднее оценивать именно из-за вызовов инструментов, изменения состояния и зависимости последующих действий от промежуточных результатов.

То есть мало проверить:

правильно ли он ответил клиенту?

Нужно ещё:

правильно ли определил намерение;

достал ли правильную информацию;

не пропустил ли нужный шаг;

правильно ли вызвал инструмент;

записал ли результат;

не повторил ли действие дважды;

понял ли, что задача закончена.

Представьте агента, который великолепно общается, но каждую третью квалифицированную заявку забывает создать в CRM.

По оценке лингвиста — чудесный собеседник.

По оценке директора по продажам — вредитель.

Именно на этом мы сами довольно быстро обожглись

Когда я начал тестировать ИИ-продавца на реальных диалогах, первые проблемы оказались совсем не там, где ожидались.

Нейросеть разговаривала нормально.

Проблема была в другом: она хотела собрать слишком много информации, иногда продолжала задавать вопросы, когда клиента уже пора было передавать человеку, и временами пыталась увести разговор в задачи, которых вообще не было в сценарии.

То есть «интеллекта» уже хватало.

Не хватало дисциплины процесса.

Пришлось отдельно задавать разрешённые вопросы, условия передачи менеджеру, ограничивать инициативу и делать handoff приоритетнее желания модели ещё немного поговорить.

Именно такие скучные вещи внезапно превращают красивую демонстрацию в рабочий инструмент.

Поэтому дорого — не значит хорошо

Можно посадить на каждый этап самую дорогую модель.

Она будет прекрасно думать.

Счёт за API тоже будет прекрасно расти.

Но простая классификация «это новый лид или существующий клиент?» совершенно не требует философских способностей уровня лучшей reasoning-модели.

В сложных системах логичнее распределять работу.

Простые операции — дешёвым моделям или обычному коду.

Сложные решения — сильной модели.

Критические действия — сильной модели плюс проверка.

Некоторые вещи вообще не надо отдавать нейросети.

Иначе получается цифровой сотрудник, которому генеральный директор лично носит бумагу к принтеру.

OpenAI сейчас рекомендует примерно тот же инженерный подход: сначала получить необходимое качество на сильной модели, а затем заменять её более дешёвыми там, где качество не страдает.

А иногда ИИ вообще не нужен

Это ещё одна мысль, которую почему-то редко встретишь на лендинге компании, продающей ИИ.

Допустим:

пришла оплата;

нужно поставить статус «Оплачено»;

создать документ;

отправить его клиенту.

Зачем здесь нейросеть?

Обычная автоматизация прекрасно справится.

Никакой ambiguity.

Никаких сложных человеческих формулировок.

Никаких решений.

Если процесс можно надёжно описать обычным if → then, иногда надо просто написать этот if → then и не звать искусственный интеллект на совещание.

ИИ особенно полезен там, где появляется грязный человеческий мир: свободный текст, неполные данные, неоднозначность, выбор следующего шага, работа с разными источниками.

Для всего остального у нас уже лет пятьдесят есть программирование.

Поэтому нормальный ИИ-сотрудник получается гибридом

Часть решений принимает модель.

Часть — обычный код.

Часть действий разрешена автоматически.

Часть требует подтверждения.

Есть база знаний.

Есть инструменты.

Есть состояние клиента.

Есть логирование.

Есть метрики.

Есть человек, которому можно передать нестандартную ситуацию.

Получается не так красиво, как:

«Подключите нашего ИИ-сотрудника за 15 минут».

Зато начинает работать.

Именно поэтому самые сложные проекты сегодня постепенно уходят от идеи «один огромный промпт решает всё» к архитектуре, где модель встроена в нормальную программную систему.

ИИ там важен.

Но он уже не единственный герой фильма.

Когда можно действительно говорить о сотруднике

У меня критерий постепенно стал довольно простым.

Если после разговора с ИИ человеку всё равно приходится вручную:

читать переписку;

понимать ситуацию;

переносить данные;

создавать задачу;

проверять CRM;

назначать встречу;

решать, что делать дальше,

— мы автоматизировали переписку.

Это тоже полезно. Иногда очень.

Но называть это полноценным сотрудником рановато.

Если система сама доводит понятный участок бизнес-процесса до измеримого результата, а человек подключается только в заранее определённых исключениях — вот тогда название начинает соответствовать содержанию.

Причём не обязательно отдавать ИИ весь отдел продаж.

Пусть он надёжно забирает один кусок:

новый входящий лид → первичная квалификация → запись контекста → передача подходящему менеджеру.

Если этот кусок работает стабильно, компания уже получает деньги или экономит время.

А потом можно расширять полномочия.

Я бы вообще продавал не «ИИ-сотрудников»

Слово красивое, но создаёт неправильное ожидание.

Предприниматель представляет:

Сейчас куплю цифрового Васю.

А получает чат с API.

Мне гораздо понятнее формулировка:

Вот конкретный процесс, который раньше делал человек. Теперь его целиком или частично выполняет система.

Ответить на типовые вопросы.

Не потерять заявку ночью.

Квалифицировать лид.

Записать разговор.

Передать менеджеру.

Подготовить предложение.

Назначить встречу.

Вот это можно посчитать.

Вот это можно проверить.

И если система делает задачу дешевле, быстрее или надёжнее человека — мне вообще не важно, считается ли она сотрудником, агентом или умным кофейником.

Она приносит пользу.

Поэтому рынок ИИ-сотрудников ещё только начинается

Сейчас мы на довольно смешной стадии.

Разговаривать машины уже научились настолько хорошо, что маркетинг убежал далеко вперёд инженерии.

Отсюда тысячи «сотрудников», которые прекрасно здороваются, сочувствуют, задают вопросы и обещают помочь.

Следующий этап будет менее эффектным, зато гораздо полезнее.

CRM.

Инструменты.

Права доступа.

Состояния.

Проверки.

Метрики.

Надёжный handoff.

Контроль цены ошибки.

То есть всё то, что на красивом рекламном баннере обычно не помещается.

А когда это соберётся вместе, мы действительно получим системы, которые смогут брать на себя заметные куски работы.

Только отличать их от дорогого автоответчика я бы советовал очень просто:

После того как ИИ закончил разговор — что в бизнесе реально изменилось?

Если ответ:

«Ну… клиенту красиво ответили»,

то цифровой сотрудник пока немного преувеличил должность.

---

Я как раз тестирую эту механику на реальном ИИ-продавце: не просто диалог, а квалификация лида, ограничения, передача менеджеру и контроль того, чтобы модель не начала самостоятельно изобретать бизнес клиента. Посмотреть, как такой подход реализован в сервисе, можно в Market GPT. Главное там для меня не «говорит как человек», а чтобы после разговора оставался реальный следующий шаг, а не ещё одна красивая переписка.