ИИ-агенты для бизнеса: как посчитать окупаемость заранее

Коротко: ИИ-агент для бизнеса — программа, в которой модель сама выбирает шаги и инструменты. Платят за каждый её шаг и за проверку человеком, поэтому агент окупается на частой, однотипной и проверяемой задаче. Мы в Звонко начинаем с подсчёта: сколько раз задача повторяется, сколько минут занимает и кто примет работу.

Допустим, подрядчик предлагает агента для поддержки или продаж, а платформ на выбор уже несколько. По опросу McKinsey 2026 года вклад ИИ в операционную прибыль видят 37% респондентов. Высоких результатов достигают около 6%. Если начать с выбора платформы, легко оплатить разработку и запуски под задачу, которая повторяется слишком редко, чтобы агент себя вернул.

Что такое ИИ-агенты для бизнеса и чем они отличаются от чат-бота и сценария?

ИИ-агент для бизнеса — это система из модели, инструментов, цели и права действовать, где модель сама решает, какой шаг сделать следующим. OpenAI в практическом гайде по агентам определяет агентов как системы, которые самостоятельно выполняют задачи от вашего имени. Простые чат-боты, однократные вызовы модели и классификаторы тональности агентами не считаются: модель в них не управляет процессом.

Anthropic в разборе Building effective agents делит системы иначе. Workflow — это заранее написанный в коде путь, по которому идут модель и инструменты. Агент сам направляет свой процесс и выбирает инструменты. Сценарий в n8n или Zapier, который мы разбирали в статье про автоматизацию бизнес-процессов с ИИ, по этому определению относится к workflow.

Разница видна в цене. Anthropic пишет, что агентные системы часто платят задержкой и стоимостью за качество, а автономность означает более высокие расходы и риск накопления ошибок. Для чётко заданных задач компания советует workflow, для задач с заранее неизвестным числом шагов — агента.

Gartner в пресс-релизе от 25 июня 2025 года назвал это agent washing: чат-ботов, программных роботов (RPA) и ассистентов переименовывают в агентов без новых возможностей. Настоящих агентов, по оценке Gartner, предлагают около 130 поставщиков из тысяч. Аналитик Gartner Анушри Верма там же замечает, что многим задачам, поданным как агентные, агент не нужен.

Какие задачи ИИ-агенты для бизнеса умеют решать уже сейчас?

ИИ-агенты для бизнеса сегодня работают в поддержке, продажах, контенте, мониторинге и внутренних документах, но подтверждения эффекта у этих задач разной силы.

• Поддержка и первая линия. Klarna в пресс-релизе от 27 февраля 2024 года сообщила, что за первый месяц ИИ-ассистент провёл 2,3 млн диалогов. Время решения обращения, по данным компании, сократилось с 11 минут до менее чем двух. В мае 2025 года гендиректор Klarna Себастьян Семятковский заявил Bloomberg, что ставка на ИИ дала более низкое качество, и компания снова нанимает людей в поддержку.
• Продажи и квалификация лидов. В отчёте MIT NANDA у лучших в классе квалификация лидов ускорилась на 40%. Это отдельные примеры, а не средние значения.
• Контент. В том же отчёте у лучших компаний расходы на внешний креатив и контент снизились на 30%. Как ИИ встраивают в производство текстов, мы описали в статьях про автоматизацию производства контента и нейросети для маркетинга.
• Мониторинг и аналитика. Внешнего подтверждения именно по медиамониторингу мы не собирали. Есть наш опубликованный случай: бот медиамониторинга для клуба РПЛ.
• Внутренние документы и знания. McKinsey в исследовании 2026 года отмечает, что агентов чаще всего масштабируют в ИТ, управлении знаниями и разработке ПО. Как устроен поиск агента по документам компании, мы разобрали в статье что такое RAG.

Масштаб пока скромный. По McKinsey 2026, агентов масштабируют 40% компаний с выручкой больше $1 млрд и 22% компаний помельче.

Где ИИ-агент окупается, а где становится дорогим чат-ботом?

ИИ-агент окупается на задачах, которые повторяются часто, выглядят однотипно и дают проверяемый результат, при низкой цене ошибки или с человеком на приёмке. Так мы в Звонко отбираем задачи для агентов. Опора — гайд OpenAI: агента стоит строить, когда в процессе есть сложные решения с исключениями, громоздкие правила или неструктурированные данные, а иначе может хватить обычного детерминированного решения.

Проваливается агент, по нашей оценке, там, где решения редкие и каждый раз разные, данных нет или они грязные, а у процесса нет владельца, который скажет, что считать хорошим результатом. Агент в такой задаче работает, но никто не знает, правильно ли.

MIT NANDA в предварительном отчёте The GenAI Divide за июль 2025 года пишет, что 95% корпоративных пилотов генеративного ИИ не дали измеримого эффекта на прибыль и убытки. Цифра относится к генеративному ИИ в целом, а не только к агентам, и опирается на самооценки опрошенных. Причину авторы видят не в модели: системы не накапливают обратную связь и не подстраиваются под контекст.

Gartner прогнозирует, что к концу 2027 года закроют более 40% проектов agentic AI. Там, где эффект есть, он чаще заметен в бэк-офисе. По MIT NANDA, лучшие компании экономят 2–10 млн долларов в год на обработке обращений и документов за счёт сокращения внешних подрядчиков, без заметного сокращения штата.

Как посчитать окупаемость ИИ-агента до внедрения?

Окупаемость ИИ-агента считают до выбора платформы: время сотрудника на задачу, умноженное на число повторов, сравнивают с суммой разработки, запусков, поддержки и проверки человеком. Формула без цифр выглядит так:

• Выгода в месяц = минуты человека на одну задачу × число задач в месяц × стоимость минуты × доля задач, которые агент закрывает сам. Остальные задачи всё равно доделывает человек, их в выгоду не берут.
• Затраты в месяц = стоимость запусков + поддержка + проверка человеком + разработка, разнесённая на срок окупаемости.
• Стоимость запусков = (токены входа + токены выхода + платные вызовы инструментов) × шагов на задачу × число задач.

Токен — кусочек текста, обычно часть слова: модели берут деньги за токены на входе и на выходе. Шаги считают отдельно. На одну задачу агент обращается к модели несколько раз, и историю разговора оплачивают на каждом шаге. По McKinsey 2026, около 20% компаний называют операционные расходы на ИИ, включая токены, ограничением его использования.

В стоимости шага спрятано несколько строк, которых нет на первой странице прайса. Вот как они выглядят в прайсе Yandex AI Studio и на странице тарифов GigaChat для юрлиц:

Токены инструментов — это текст, который агент заново отправляет модели, когда встроенный инструмент (например, веб-поиск) вернул результат: переписка до этого момента плюс найденное. Яндекс берёт за него меньше, чем за обычный вход: 0,13 ₽ против 0,5 ₽ за 1000 токенов у Alice AI LLM. Если агент на каждой задаче ходит в веб-поиск, вызов стоит меньше рубля, но на тысячах задач это заметная статья расходов. Стоимости разработки и сопровождения в этих прайсах нет, её считают отдельно по трудозатратам.

Какую платформу для создания ИИ-агентов выбрать: российские и зарубежные варианты

Платформа для создания ИИ-агентов выбирается после подсчёта, а отличаются платформы тем, где живут данные и сколько приходится собирать руками. Создание ИИ-агентов для бизнеса в России сейчас идёт в основном на четырёх видах решений.

Yandex AI Studio. По документации, агент состоит из модели, инструкции, инструментов и памяти. Собирать его можно в интерфейсе Agent Atelier, в low-code конструкторе Yandex Workflows или через совместимый с OpenAI Responses API и фреймворки вроде LangGraph. Агенту доступны поиск по файлам, веб-поиск, подключение внешних сервисов по MCP, вызов функций и исполнение кода.

GigaChat Enterprise. Корпоративная платформа Сбера для создания агентов, по описанию Сбера, работает в локальном контуре, облаке или гибриде, с ролевым доступом и записью действий в журнал. Рядом есть Agent Platform от Just AI — облачный low-code конструктор для поддержки, HR- и ИТ-процессов; её актуальных тарифов мы не нашли.

n8n. В узле AI Agent подключают чат-модель и хотя бы один инструмент, а агент сам выбирает, какой вызвать. На наш взгляд, это самый короткий путь для тех, кто уже собирает сценарии. Как это выглядит на практике, мы показали в статье как создать контент-завод на n8n.

Зарубежные SDK. У OpenAI есть Agents SDK с агентами, передачей задач между ними, защитными проверками и записью каждого шага агента, у Anthropic — Claude Agent SDK. Российской компании здесь добавляется вопрос доступа к сервису и того, куда уходят персональные данные клиентов.

Нейрослайд: ИИ-агент для бизнеса или сервис для презентаций?

Кто ищет нейрослайд ИИ-агент для бизнеса, находит сервис для презентаций, а не агента для процессов. На neuroslide.io он описан как ИИ-агент от presentsimple: превращает черновик, документ или бриф в оформленные слайды по образцу стиля и выгружает их в PPTX и PDF. Режимов два: в «Классике» элементы PowerPoint редактируются, в «Креативе» слайд правят через чат. Тариф «Дизайнерские слайды» стоит 990 ₽ в месяц за 50 слайдов.

Отдельного продукта для поддержки, продаж или бэк-офиса на сайте нет. По критериям OpenAI и Anthropic это узкий инструмент с одной задачей и без интеграций в системы компании; это наша оценка по описанию сайта. Для презентаций сервис полезен, а слово агент в его описании — маркетинговое название генератора слайдов.

Купить готового агента, собрать на платформе или заказать разработку: как выбрать

Тем, кто ищет, где ИИ-агенты для бизнеса купить готовыми, в России выбирать пока почти не из чего: по анализу «Яков и Партнёры», среди 12 российских продуктов полноценных агентов нет. У международных полноценными признаны 7 из 18. Четыре самых зрелых российских продукта — Yandex AI Studio, GigaChat Enterprise, Agent Platform от Just AI и MWS AI Agents Platform — это платформы для сборки. Сам отчёт мы не открывали и опираемся на пересказы Unisender и Коммерсанта.

Остаются три пути с разными условиями:

• Купить узкий инструмент, когда задача стандартная, как презентации или расшифровка звонков, а доступ к вашим системам не нужен.
• Собрать на платформе, когда в команде есть человек, который настроит инструкции, инструменты и проверки, а задача касается ваших данных.
• Заказать разработку ИИ-агентов для бизнеса, когда нужна интеграция с вашими системами, а своей команды нет. Удобнее, когда подрядчик берёт и поддержку.

В пользу внешней команды есть цифра MIT NANDA: партнёрства с внешними поставщиками доходят до внедрения примерно в 67% случаев, собственные разработки — в 33%. Авторы оговаривают, что это самооценки и учтены не все факторы. Агентов под процесс мы собираем по услуге ИИ-ассистентов.

Как идёт внедрение ИИ-агентов в бизнес-процессы по шагам?

Внедрение ИИ-агентов в бизнес-процессы начинается с подсчёта на одном процессе, продолжается узким запуском под присмотром человека и только потом расширяет права агента.

1. Выберите процесс и владельца. Один процесс, за результат которого отвечает конкретный человек.
2. Посчитайте окупаемость. Минуты сотрудника × повторы в месяц × стоимость минуты против запусков, поддержки, проверки и разработки. Если выгода не покрывает затраты, остановитесь на этом шаге.
3. Пересоберите процесс. Gartner отмечает, что встраивать агентов в унаследованные системы сложно и дорого, а лучший путь — продумать рабочий процесс заново.
4. Выдайте минимальные права. По OWASP LLM06 Excessive Agency, вред от действий агента создают лишние функции, права и автономия. OWASP советует давать минимум функций, права только на чтение там, где их хватает, подтверждение человеком для действий с высоким влиянием и запись всех действий агента в журнал.
5. Защитите вход. Ввод пользователя и внешний контент могут изменить поведение модели, это описано в OWASP LLM01 Prompt Injection. Гарантированной защиты OWASP не обещает, меры снижают последствия.
6. Запустите с человеком на приёмке и записывайте ошибки. Права расширяйте, только когда ошибки стали редкими.
7. Проверьте данные. По 152-ФЗ (ч. 5 ст. 18, в редакции с 1 июля 2025 года) запись и хранение персональных данных граждан РФ должны идти в базах на территории России, это следует из письма Минцифры от 12.05.2025. Куда уходят персональные данные в вашей схеме, стоит проверить юристу: прямых разъяснений Роскомнадзора по зарубежным нейросетям мы не нашли.

Если процесс сначала нужно упростить и разложить на правила, с этого начинается автоматизация бизнес-процессов.

Какие задачи ИИ-агентам отдали мы в Звонко и что оставили человеку?

В двух опубликованных кейсах Звонко агенты получили частую, однотипную работу, а результат принимает человек.

В кейсе контент-конвейера для беттинг-партнёрки, которая работает под NDA, три ИИ-агента и редактор выпустили 245+ статей за 2 месяца. Цикл статьи занимает 20 минут вместо 5 дней, а её себестоимость ниже на 40%. Агенты делают повторяющуюся работу, редактор принимает каждый текст. Общую логику такого производства мы описали в статьях что такое контент-завод и сколько стоит ИИ-контент-завод.

В кейсе спортивного ассистента для клуба РПЛ без названия мы сделали Telegram-бота медиамониторинга. Уведомление о негативе приходит за минуты, а не к утру, и бот работает круглосуточно. Задача частая, признак результата понятный, а решение о реакции остаётся за человеком.

Открытым для нас остаётся вопрос, где агенту можно отдать и само решение, а не только подготовку к нему: в обоих кейсах последнее слово у человека. Если вы считаете окупаемость своей задачи и хотите сверить подсчёт со стороны, приходите на консультацию.

ОБ АВТОРЕ

Сергей Бурый Сооснователь Звонко. Эксперт по практическому применению ИИ, главный редактор международных медиапроектов, преподаватель СПбГУ