5 отраслей, в которых уже внедряют агентный ИИ

Как автономные алгоритмы перестраивают работу корпораций и за какие ИТ-продукты заказчики готовы платить уже сегодня.

В каждом бизнесе ИИ-агенты решают принципиально разные задачи и сталкиваются со специфическими ограничениями. Разбираем реальные кейсы, чтобы понять, где бизнесу нужна полная автономия алгоритмов, где — обязательный контроль человека, а также какие продуктовые ниши это открывает для ИТ-рынка.

Содержание

Компании отрасли постепенно выводят агентный ИИ в контур разработки. В отдельных сценариях агентные системы уже получают доступ к нескольким этапам — от работы с кодовой базой до тестирования и документирования. Агенту выдаётся техническое задание, и он самостоятельно находит нужные файлы в кодовой базе, вносит изменения, запускает команды и собирает проект.

Сейчас даже полностью автономная разработка не отменяет контроль специалиста: чем выше цена ошибки в коде или архитектуре, тем важнее проверки и подтверждение критичных изменений человеком.

Что это значит для ИТ-вендоров

В финтехе формируется ниша для поставщиков агентных сред разработки, адаптированных под требования финансовых организаций. В приоритете интеграции с системами контроля версий, платформами тестирования и внутренними стандартами безопасности. Ключевая возможность — предложить безопасный контур, в котором агент работает с кодовой базой, но каждое его действие может быть проверено и отменено. Вендоры, которые смогут обеспечить прозрачность и управляемость таких агентов, получат преимущество.

Пятая конференция по цифровой трансформации бизнеса

29 октября, старт онлайн-трансляции в 10:00 по мск

Что вас ждёт:

В телекоме ИИ-агенты начинают брать на себя задачи, которые раньше решались с помощью классических голосовых меню и операторов первой линии. Агенты распознают речь, определяют намерение клиента, извлекают данные из корпоративных систем, формируют ответ и при необходимости выполняют действие — без передачи разговора оператору. В результате ИИ становится не просто голосовым интерфейсом, а первым уровнем клиентского сервиса.

Например, у крупнейшего российского оператора уже 80% клиентских запросов решаются при первом же обращении благодаря ИИ-агентам и речевой аналитике. За 2025 год эта система автономно обработала более 23 млн звонков: связка технологий распознаёт речь пользователя через языковую модель и моментально синтезирует ответ обратно в голос.

А другой провайдер запустил мультиагентную систему из трёх специализированных агентов на основе большой языковой модели. В результате в шести из десяти обращений вопрос удаётся решить полностью без передачи звонка оператору-человеку — при удовлетворённости клиентов около 80%.

Что это значит для ИТ-вендоров

Для разработчиков открывается рынок комплексных платформ клиентского обслуживания, в которых языковая модель только один из компонентов. Помимо неё нужны речевой ввод и вывод, поиск по корпоративным данным, интеграция с биллингом и системами управления клиентами, а также механизм передачи разговора специалисту.

Особенно востребованы решения, которые умеют не просто отвечать, а выполнять действия в информационных системах компании: проверить баланс, изменить тариф, оформить заявку или запустить техническую диагностику. Именно переход от разговора к действию превращает голосового помощника в полноценного агента.

В ретейле агентный ИИ развивается в сторону мультимодальных систем, которые одновременно работают с текстом, изображениями, голосом и видеопотоками. В клиентских сценариях агент может распознать товар по фотографии, учесть текстовое уточнение, подобрать варианты и довести пользователя до покупки. Так, крупнейший российский маркетплейс запустил мультимодальный поиск: покупатель может загрузить фотографию товара и дополнить её текстовым описанием. Затем появились поиск по рисункам и виртуальная примерочная, где система генерирует изображение покупателя с выбранной вещью. Другой крупный маркетплейс представил торгового ИИ-агента, который понимает текст, изображения и контекст диалога. Например, пользователь может отправить фотографию одежды и попросить подобрать подходящие вещи, после чего получить товары для покупки прямо в чате.

В операционных процессах тот же подход применяется к видеонаблюдению, состоянию оборудования и производственным данным: модель выявляет аномалию, классифицирует её и формирует заявку или рекомендацию. Например, федеральная розничная сеть тестирует голосовой ввод информации о неисправностях оборудования: сотрудник описывает проблему, а нейросеть автоматически структурирует и классифицирует обращение. Параллельно компьютерное зрение анализирует состояние растений в теплицах, выявляя аномалии роста и ранние признаки заболеваний. Ключевой технологический сдвиг — переход от обработки одного типа данных к объединению нескольких источников в едином агентном контуре.

Пока большинство из таких решений находятся на стадии пилотирования. Для массового применения особенно важны качество специализированных данных, вычислительные ресурсы и надёжность распознавания в реальных условиях.

Что это значит для ИТ-вендоров

Если вендор предложит легковесную систему, способную анализировать видеопоток прямо на устройстве в магазине (без пересылки тяжёлого видео в центральное облако) и интегрированную с системой складского учёта, он закроет одну из главных болей сетевой розницы.

В транспорте один из наиболее понятных сценариев — использование искусственного интеллекта как интерфейса к большим массивам внутренних документов. Агент получает вопрос, находит нужные положения в инструкциях и регламентах, сопоставляет их с контекстом запроса и формирует ответ. Такой подход особенно полезен там, где правила часто меняются, а сотрудникам и клиентам приходится работать с большим объёмом документации.

Что это значит для ИТ-вендоров

Отрасль предъявляет спрос на интеллектуальный поиск по неструктурированным документам, распознавание текста и специализированных меток. Вендоры могут занять нишу, предлагая решения с прозрачными механизмами контроля источников: агент должен уметь объяснить, откуда взял информацию. Здесь важна не столько сама языковая модель, сколько надёжный слой знаний и интеграций.

В фарме и медицине агентные системы развиваются по принципу контролируемой автономности: ИИ получает максимум рутинной интеллектуальной работы, но критичные вопросы остаются за специалистом. Это классическая схема human-in-the-loop (с англ. «человек в контуре принятия решений»): агент ускоряет работу специалиста, но не получает права на финальное решение.

Так организован процесс в российской интернет-аптеке, где цифровой фармацевт на базе нейросети формирует ответы на вопросы о лекарствах (о показаниях, противопоказаниях и дозировках), а перед отправкой клиенту ответ обязательно проверяет фармацевт. Другой сценарий уже относится непосредственно к разработке лекарств. Совместный проект фармацевтической компании и лаборатории ИИ российского банка использует генеративный ИИ для поиска молекул-кандидатов в иммуноонкологии. Этап поиска перспективного кандидата удалось сократить примерно с трёх лет до нескольких месяцев.

Показательно, что наиболее ранние сценарии здесь связаны не с постановкой диагноза, а с документами и поддержкой специалистов. Например, умная система автоматической проверки медицинской документации формирует подробный отчёт о качестве за 5–15 секунд.

Для разработчиков это означает более низкий порог внедрения: такие задачи требуют меньше клинической автономности и позволяют быстрее проверить экономический эффект технологии.

Что это значит для ИТ-вендоров

Открывается рынок узкоспециализированных систем поддержки принятия решений. Ключевое требование к ИТ-продукту в медицине — наличие встроенных механизмов аудита действий алгоритма и гибкая настройка прав. Вендор должен предоставить систему, в которой человек может ограничить степень свободы ИИ-агента в зависимости от уровня риска конкретной задачи.Такие решения востребованы не только в фармацевтике, но и в любых регулируемых сферах.

Рынок ждёт не отдельные модели, а готовые вертикальные решения. Конкретный набор технологий зависит от задачи и отрасли. При разработке продукта стоит учитывать несколько ключевых возможностей.

А в вашей компании уже тестируют ИИ-агентов для выполнения реальных бизнес-задач или вы пока ограничиваетесь классическими чат-ботами?