В чем отличие ИИ-агентов от чат-ботов и почему это важно для бизнеса
Чат-боты, LLM-боты, чат-боты с искусственным интеллектом, ИИ-агенты — пытаясь подстроиться под запросы аудитории, вендоры используют эти термины как взаимозаменяемые. Между тем, разрыв между ИИ-агентом и чат-ботом сопоставим с разрывом между писателем и печатной машинкой!
В эфире Влад Кармаков, основатель компании по разработке ИИ-решений и мобильных приложений Siberian.pro. Сегодня я расскажу об ИИ-агентах: что это, чем это лучше обычного чат-бота, какие выгоды внедрение ИИ-агентов сулит бизнесу, сколько они стоят и как грамотно на них перейти.
Классические чат-боты больше не нужны
Классические чат-боты с заранее заданными деревьями ответов по факту мертвы.
Пока запрос укладывается в базовый сценарий, проблем нет. Однако если клиент пишет «верните за тот заказ, что курьер разбил, я уже звонил вчера», то бот честно не понимает, что «вчера» и «разбил» это два разных факта, требующих двух разных проверок, и либо зацикливается, либо переадресует вопрос оператору. Иногда еще и без контекста всего разговора, а значит, клиент вынужден повторять все сначала, теперь уже для человека.
Результат? 78% пользователей пишут кодовое слово «оператор» уже после второго ответа бота.
По исследованию InformationWeek, лишь 6% IT-лидеров считают свои чат-боты эффективными; 48% откровенно признают, что чат-технология неверно определяет интент или не решает задачу, а 29% IT-отделов вынуждены вручную грузить в бот пары «интент — ответ». То есть бот, который должен был снять рутину, сам стал рутиной для команды поддержки.
Дальше — хуже. По опросу Verint (1500 потребителей), больше двух третей клиентов имели негативный опыт с чат-ботом, и главные причины — не скорость работы и не дизайн, а именно неспособность бота ответить и неспособность понять потребность. У Botpress цифры того же порядка: 72% пользователей эскалируют к живому сотруднику уже после одной-двух мелких ошибок бота, а 62% эскалаций спровоцированы именно провалами понимания, а не производительностью.
Получается, что эскалация для бота — не запасной путь, когда ничего не сработало, а основной. По задумке чат-бот должен помогать решать проблему без участия человека, но на практике он лишь откладывает эскалацию. Причем клиент, попавший в итоге на живого оператора, уже изрядно доведен до кондиции тупостью бота.
ИИ-агенты устроены иначе. И не только в плане того, что гораздо меньше тупят.
В чем разница и почему бизнесу выгодны именно ИИ-агенты рассказываю ниже. Не переключайтесь.
Чем архитектура ИИ-агента отличается от чат-бота
Итак, мы поняли, что бот не тянет. Но чем отличается ИИ-агент?
Как устроен ИИ-агент
Иногда ИИ-агентами называют чаты на основе LLM. Но это ошибка. Да, LLM делает бот чуть умнее, но не так чтобы критично.
А вот у агентов LLM это лишь мозг, а вокруг него собраны:
- Планирование — агент сам разбивает цель на шаги и решает, в каком порядке их выполнять.
- Инструменты — агент может вызывать функции: зайти в CRM, биллинг, ERP, базу знаний, сделать поиск, выполнить код.
- Память — кратковременная (контекст текущего разговора) и долговременная (что было с этим клиентом раньше). Память позволяет LLM вычленить триггер «вчера я уже звонил» в запросе пользователя, понять, что речь идет о вчерашнем дне и добавить в контекст вчерашний диалог, избавив клиента от необходимости повторяться.
- Оркестрация / control flow — слой, который решает, что делать дальше. У обычного бота этот слой захардкожен, у агента им управляет модель. Именно поэтому ИИ-агенты настолько мощны и гибки!
- Валидация и guardrails — границы, в рамках которых агент имеет право действовать: что можно говорить клиенту, что нельзя, когда обязательно нужно позвать человека.
Бот говорит, агент действует.
Вместо ответа текстом про возврат он вызывает API биллинга, проверяет условия, инициирует возврат и выводит подтверждение клиенту — в рамках разрешенных guardrails. Внедрением таких систем в Siberian.pro мы и занимаемся, когда речь заходит об ИИ-автоматизации клиентского сервиса. Но, конечно, ИИ-агенты применимы не только в техподдержке. Еще скажу об этом в конце статьи.
В чем выгода бизнесу от внедрения ИИ-агента вместо чат-бота
ИИ-агент на техподдержке дает три направления экономии:
- увеличение процента результативно автоматически закрытых обращений;
- снижение затрат на поддержку;
- уменьшение рутинной работы.
Еще проще: увеличиваем лояльность клиентов, снижаем расходы и увеличиваем производительность труда.
С цифрами на примере лидеров индустрии это выглядит так.
Containment (успешное разрешение вопросов без привлечения человека)
В Salesforce State of Service 92% команд с запущенным ИИ для бизнеса фиксируют снижение расходов, а у Wiley после перехода с бота на ИИ-агентов успешное разрешение кейсов выросло более чем на 40% — и именно в сравнении с прежним ботом.
В Xanterra (это сеть гостиниц) удалось достичь 74% среднего containment по обращениям. Агент Glacier закрывал до 84% обращений автономно и принёс $3,3 млн дополнительной выручки.
В более зрелых настройках на быстрых интентах (биллинг, статус) вендоры фиксируют до 90% успешного разрешения вопросов. Правда, это верхняя граница, а не средний результат. Но все равно выглядит впечатляюще.
Стоимость контакта и трудозатраты
По прогнозу Gartner, в 2026 году чат-боты с искусственным интеллектом сэкономят контакт-центрам $80 млрд, а доля полностью автоматизированных взаимодействий вырастет с 1,6% до 10%.
Откуда такая громадная цифра? Оттуда, что сейчас операторы дороги, найти их все сложнее, а текучка адская. В итоге «человеческое» решение проблемы техподдержки практически не масштабируется, тогда как запрос на это есть. Поэтому внедрение ИИ в бизнес, различные ИИ-решения и автоматизации для бизнеса будут набирать обороты и дальше.
ИИ-агент сокращает рутину вдвое, а стоимость сервиса снижается на 25%. При этом CSAT поднимается на 38–44%.
Окупаемость
Каков ROI внедрения ИИ-агентов? В среднем по рынку (и по нашему опыту тоже) — окупаемость в пределах года для пилотных проектов. При этом возврат инвестиций может быть аж восьмикратным(!), если речь именно о внедрении ИИ-агентов в цикл коммуникации с клиентами. Впрочем, это все же пиковое значение.
Реальная окупаемость считается на ваших данных, по конкретным ситуациям и выбранным интентам для обработки агентом. Также следует учесть стоимость интеграций — об этом ниже в чек-листе.
ИИ-агенты дают новые возможности
Коротко отмечу еще один крайне недооцененный момент. Дело в том, что ИИ-агенты способны автоматизировать не только коммуникацию с клиентом, а вообще практически любую рутинную процедуру. Именно в этом их сила, и именно здесь открываются просто невероятные возможности!
Этот вопрос выходит за рамки тематики этой статьи, поэтому я просто приведу ниже несколько уже реализованных Siberian.pro проектов по внедрению ИИ в бизнес. Кроме того, рекомендую также ознакомиться с другими статьями в корпоративном блоге:
Риски внедрения ИИ-агентов в коммуникацию с клиентами
Важный момент. Переход на ИИ-агенты подразумевает некоторые риски, которые необходимо учитывать.
- Недетерминированность. То, о чем я говорил выше. Поскольку агент сам решает, какой инструмент вызвать, он может ошибиться или сгаллюцинировать. Как это предотвратить? Прописать явные guardrails (что можно/нельзя), обеспечить наблюдаемость ИИ-агента (т.е. логи всех принятых им решений) и работать по схеме human-in-the-loop (критичные решения ИИ проверяет человек).
- Галлюцинации и фактологическая неточность. LLM может выдумать тариф или условие. Она может поддаться на уговоры клиента. При длинном контексте беседы шанс галлюцинаций растет. Как предотвратить? Использовать RAG-систему в качестве базы знаний, ввести явный запрет для LLM на изобретение данных вне белого списка источников.
- Скрытые расходы на интеграции и MLOps. Сама модель — это не главная статья расходов. Гораздо дороже обходятся интеграции с CRM, биллингом, ERP-системой организации, подготовка и очистка данных, поддержка и дообучение моделей. Предотвратить это нельзя, но можно выполнить оценку стоимости интеграций заранее и заложить бюджет на сопровождение.
- Зависимость от качества данных. Агент, конечно, умнее бота, но неочищенные данные биллинга или разрозненная CRM дадут не искусственный интеллект, а искусственного идиота.
Отдельно отмечу важный момент. Мы в Siberian.pro занимаемся внедрением ИИ-агентов, поэтому часто видим, что для успешного внедрения нужна готовая инфраструктура. Нет смысла внедрять ИИ туда, где, к примеру, данные пока не оцифрованы полностью.
***
У Siberian.pro в портфолио уже десятки успешных интеграций и больше 240 разработанных цифровых решений в разных отраслях, от банковской сферы и страхования до медицины и промышленности. Входим в топ-10 Рейтинга Рунета, получаем престижные награды, любим клиентов.
Хотите разработать ИИ-ассистента или внедрить ИИ-агента в бизнес-процессы? Обращайтесь к нам.