AI-агент или автоматизация: где реальная окупаемость

Рынок сейчас платит за агентов больше, чем за что-либо ещё в прикладном ИИ. Навык «agentic AI» в американских вакансиях вырос за год на 280%, до примерно 90 тысяч объявлений по данным Stanford AI Index 2026. Инженеру, который строит агентов, платят на 15, а то и 20% больше, чем сопоставимому ML-инженеру, по опросу KORE1 за 2026 год. И тот же рынок, по прогнозу Gartner, отменит больше 40% агентных проектов к концу 2027 года.

Я не вижу здесь противоречия. Премию платят за редкий навык, а отменяют проекты, где агента поставили туда, где он не нужен, или не смогли доказать, что он работает. Когда ко мне приходят с запросом на агента, первый вопрос обычно звучит не «какой агент», а «нужен ли агент вообще».

Когда обычная автоматизация выигрывает

Есть класс задач, где языковая модель не нужна вовсе. Признаки простые:

• вход структурированный: форма, таблица, API, письмо по шаблону;
• правила помещаются на одной странице и не меняются раз в неделю;
• ответ должен быть одинаковым каждый раз, а ошибка стоит дорого;
• объём большой, а решений на единицу работы мало.

Перенос заказов из CRM в учётную систему, напоминания об оплате, парсинг прайс-листа поставщика в фиксированном формате, сборка еженедельного отчёта из трёх источников. Всё это делается парсером, правилом или сценарием в любой платформе автоматизации. Такое решение дешевле, работает предсказуемо и не требует бюджета на токены.

Я бы не ставил агента на задачу, которую можно нарисовать блок-схемой. Агент там будет дороже, медленнее и менее надёжен, чем обычное условие «если, то».

Когда агент отрабатывает свою цену

Агент нужен там, где вход грязный, а решений много и каждое маленькое.

Типичные ситуации: входящие письма клиентов дистрибьютора, где в одном сообщении заказ, жалоба и вопрос про сроки. Квалификация лидов, которые пишут в мессенджер свободным текстом. Первая линия поддержки, где вопросы повторяются, но формулировки каждый раз новые. Разбор входящих документов разного формата: счета, договоры, заявки в PDF, фото и сканах.

Что общего: правило написать нельзя, потому что правил слишком много и они размытые. Человек справляется за счёт суждения. Агент повторяет это суждение достаточно хорошо, чтобы снять с человека большую часть рутины и оставить ему только спорные случаи.

Второй признак: цепочка действий. Агент не просто классифицирует письмо, а находит заказ в базе, проверяет остаток, формирует ответ и создаёт задачу менеджеру. Каждый шаг по отдельности тривиален. Ценность в том, что их связали.

Как считать окупаемость

Я использую четыре метрики и настаиваю, чтобы их замерили до запуска, а не после.

1. 01Часы. Сколько времени сотрудники тратят на процесс сейчас. Не оценка «примерно полдня», а замер за неделю. Умножить на стоимость часа с налогами.
2. 02Скорость ответа. Сколько ждёт клиент или коллега. В продажах это напрямую конверсия: лид, который получил ответ через минуту, и лид, который ждал до утра, ведут себя по-разному.
3. 03Доля ошибок. Сколько заказов вбили с опечаткой, сколько счетов ушло не туда, сколько обращений потеряли. У ошибки есть цена, и её обычно никто не считал.
4. 04Выручка, которую теряют сейчас. Лиды без ответа. Заявки после шести вечера. Повторные продажи, до которых не доходят руки.

Если после честного замера сумма по четырём строкам меньше, чем стоимость внедрения плюс год поддержки, проект делать не надо. Это нормальный результат аудита, и я так клиентам и говорю.

Сначала оценка, потом агент

В опросе KORE1 работодатели назвали главным навыком агентного инженера не промпты и не фреймворки, а умение строить evaluation harness: набор тестовых случаев, на которых агент проверяется автоматически при каждом изменении.

Для бизнеса это означает следующее. До того как агент написан, нужны реальные примеры из процесса с правильными ответами, желательно не меньше сотни. Письма и то, как на них ответил лучший менеджер. Документы и то, что из них должно быть извлечено. На этом наборе агент прогоняется каждый раз, когда меняется инструкция, модель или интеграция.

Без этого вы не знаете, стал ли агент после правки лучше или хуже. Вы узнаёте об этом от клиентов. Проекты, которые Gartner записывает в 40% отменённых, очень часто именно такие: демо работало, в проде поехало, и никто не смог сказать, почему.

Данные здесь важнее модели. Если примеров нет, потому что процесс раньше никто не фиксировал, первые дни уходят на то, чтобы их собрать. Это скучная часть работы, и она определяет результат.

Ограждения и передача человеку

Агент в проде должен уметь три вещи: не делать того, что ему не разрешено, останавливаться, когда не уверен, и передавать дело человеку так, чтобы тот понял контекст за десять секунд.

На практике это список разрешённых действий (прочитать заказ можно, изменить цену нельзя), пороги уверенности, ниже которых агент не отвечает, а ставит задачу оператору, и журнал всех действий. Ещё лимит на расход: агент, который ушёл в цикл и сжёг за ночь месячный бюджет на токены, это реальный сценарий, а не страшилка.

Оператор при этом не исчезает. Он перестаёт делать рутину и начинает разбирать исключения. Обычно это тот же человек, который раньше делал всё вручную, и в первые недели именно он говорит, где агент ошибается. Это самая полезная обратная связь в проекте.

Три шага, чтобы решить

Мне кажется правильной такая последовательность.

1. 01Аудит процесса. Одна или две недели: смотрим, откуда приходит вход, кто и что с ним делает, где теряются время и деньги, есть ли данные для оценки. На выходе список процессов с оценкой эффекта и вердикт по каждому: правило, агент или не трогать.
2. 02Пилот на одном процессе. Две недели, первая рабочая версия на реальных данных, с оценочным набором и ограждениями. Не пять процессов сразу. Один.
3. 03Замер. Те же четыре метрики, что до старта. Если цифры сошлись, расширяем на соседние процессы. Если нет, останавливаемся, и потери ограничены пилотом.

Этот порядок лежит в основе моих услуг: аудит AI-готовности от 450 евро, агент под конкретный процесс от 1 500 евро, первая рабочая версия за две недели. О том, почему рынок платит премию за агентных инженеров и что это значит для заказчика, я писал в разборе рынка AI-профессий 2026.

Если у вас есть процесс, который съедает часы, и вы не уверены, нужен ли там агент, пришлите короткое описание: что приходит на вход, кто обрабатывает, сколько времени уходит. Отвечу, что я бы делал на вашем месте.

Частые вопросы об окупаемости AI-агентов

Чем AI-агент отличается от обычной автоматизации?

Автоматизация выполняет заранее прописанные правила на структурированных данных. Агент принимает решения на нечётком входе: письмо в свободной форме, документ без шаблона, разговор. Если правила можно нарисовать блок-схемой, агент не нужен, хватит парсера или сценария.

Как быстро окупается AI-агент?

Зависит от процесса. Считайте четыре величины: сэкономленные часы, скорость ответа, долю ошибок и выручку, которую теряете сейчас. Если их сумма за год заметно больше стоимости внедрения и поддержки, проект имеет смысл. Если нет, лучше ограничиться простой автоматизацией.

Почему агентные проекты отменяют?

Gartner ждёт отмены больше 40% таких проектов к концу 2027 года. Самые частые причины, которые я вижу: агента поставили на задачу для правил, не было тестового набора для оценки качества, данные оказались хуже, чем думали, и никто не замерил эффект до старта.

Что такое evaluation harness и зачем он бизнесу?

Набор реальных примеров из процесса с правильными ответами, на котором агент автоматически проверяется после каждого изменения. Работодатели в опросе KORE1 назвали это главным навыком агентного инженера. Для заказчика это единственный способ узнать, что агент работает, до того как об этом скажут клиенты.

С чего начать, если не уверен, нужен ли агент?

С аудита процесса. За одну или две недели становится понятно, где эффект, где хватит правил и есть ли данные. Потом пилот на одном процессе на две недели и замер по тем же метрикам, что до старта.