AI-агенты для процессов, где люди тонут в рутине.

Частые вопросы

Чем AI-агент отличается от обычного чат-бота?

Чат-бот идёт по сценарию — нажми 1, нажми 2. AI-агент свободно понимает задачу, помнит контекст, работает с CRM, документами и календарём через разрешённые инструменты и правила доступа. Критичные действия — цена, отправка, подпись, удаление, платёж — выносятся в отдельный approval-step.

Можно ли внедрить агента без передачи данных в OpenAI / Anthropic?

Да. Используем локальные модели через Ollama, vLLM или llama.cpp в вашем периметре. Также можно подключать «приватные» эндпоинты Azure OpenAI / Anthropic с гарантиями невключения данных в обучение. Выбор зависит от требований к качеству и приватности — на старте отдельно разбираем, какие данные можно использовать.

Что нужно подготовить для пилота?

Минимально: описание процесса, 2–3 примера реальных входных данных (без персональных, если нельзя), список систем, с которыми нужно работать, и определение того, что будет считаться успехом — например «сократить время обработки заявки с 30 минут до 5» или «закрывать 60% типовых вопросов поддержки».

Как вы проверяете качество ответов агента?

Логируем все действия и собираем датасет вопросов и ожидаемых ответов (evals) ещё на пилоте. Регулярно прогоняем evals на регрессии — чтобы видеть деградацию раньше клиента. Для критичной логики добавляем отдельный approval-step перед действиями и guardrails (фильтры запрещённых тем и выходов).

Что происходит, если агент не уверен в ответе?

Агент проектируется так, чтобы при низкой уверенности (по логам/самоанализу) или при выходе за рамки разрешённых тем — передавать кейс человеку с готовым контекстом: что спросили, что нашёл, чего не хватает. Никаких «придумываем правдоподобно» — это базовое требование к B2B-агенту.

Можно ли начать с одного процесса, а потом расширить?

Да, это и есть базовый сценарий. Пилот — это один агент, один процесс, один отдел. Дальше — либо расширяем по сценариям, либо подключаем смежные процессы, либо ставим второго агента рядом. Архитектура с самого начала закладывается под расширение: общий слой памяти, общие интеграции, общая шина логов.

На каких платформах и моделях вы строите агентов?

Не на одной фиксированной. Подбираем стек под задачу, данные и требования безопасности. Модели: OpenAI / GPT, Anthropic / Claude, Google Gemini, DeepSeek, Grok / xAI, GigaChat, YandexGPT или локальные open-source модели. Агентная логика: LangGraph, LangChain, LlamaIndex, собственные workflows; Dify — для быстрых low-code прототипов, если это уместно. Интеграции: Telegram, WhatsApp, VK Teams, Пачка, Яндекс 360, Google Workspace, Microsoft 365, Битрикс24, amoCRM, 1С, Контур, МойСклад, REST API, webhooks, MCP, n8n, Make. Если нужен быстрый пилот — выбираем самый короткий путь. Если нужен production, приватность и контроль — собираем собственный контур.

Чем агент отличается от RPA / n8n / Make?

RPA и no-code-инструменты вроде n8n или Make отлично работают на жёстких сценариях: «если произошло А — сделай Б». AI-агент нужен там, где сценарий нельзя полностью расписать заранее: входящие разные, данные неполные, нужно читать документы, сравнивать варианты, учитывать контекст и выбирать следующий шаг. На практике мы часто комбинируем оба подхода: n8n или backend-сервис выполняет надёжную механику процесса, а агент выступает как reasoning layer — понимает задачу, выбирает маршрут, готовит вывод и передаёт критичные действия человеку на подтверждение.