Агентная экономика в B2B: как ИИ-агенты берут на себя заказы, сделки и логистику

Агентная экономика в B2B уже не теория: ИИ-агенты принимают заказы из мессенджеров, ведут длинные сделки неделями, сопоставляют платежи между ERP-системами и бронируют перевозки у внешних подрядчиков — а человек подключается только на последней, самой дорогой миле. Ниже я разберу, как это работает на реальных кейсах закупок, продаж, финансов и логистики, и что из этого следует для бизнеса.

Последние полгода я активно слежу за внедрениями агентных платформ в корпоративном сегменте и вижу одну и ту же картину: компании перестают нанимать людей «на перепечатку» и переносят рутину в автономные цепочки. При этом выигрыш измеряется не только в минутах на заказ, а в том, что процесс перестаёт ждать менеджера между этапами. Именно об этом — с примерами, цифрами и границами автономности.

В B2B-поставках заказ нередко приходит голосовым сообщением: клиент использует разговорные названия, ссылается на прошлые покупки и просит «две коробки», не уточняя количество единиц внутри. Для покупателя оформление на этом заканчивается, а на стороне поставщика начинается ручная обработка. Эту ручную часть как раз и забирают агенты.

ИИ-агент — это автономная программа на базе языковой модели, которая получает от системы не просто вопрос, а конечную бизнес-цель. В отличие от обычного чат-бота, способного только отвечать текстом, агент самостоятельно строит план действий, обращается к внешним инструментам — ERP, CRM, базам данных, API — и проводит полноценную хозяйственную операцию без постоянного участия человека.

Наглядный пример — британский поставщик мяса Swaledale Butchers. Около 70% заказов у них приходило через WhatsApp. Сотрудникам нужно было расшифровать разговорные формулировки, сверить товары и вручную перенести заявку в учётную систему. После подключения ИИ-агента среднее время обработки заказа сократилось с двух минут до восьми секунд. Раньше человек вручную переносил каждый заказ; теперь он проверяет уже готовую заявку — и за то же время команда успевает обработать больше.

Отдельные инструменты автоматизации существовали и раньше: распознавание речи переводило звонок в текст, OCR вытаскивал строки из снимка накладной, интеграции передавали данные в базу. Настоящая агентность появляется тогда, когда между этими элементами возникает связный процесс. Система принимает текст, голос, изображение или документ, извлекает товары и параметры, сверяет их с каталогом и историей конкретного клиента, а затем формирует готовый документ в ERP. Агент берёт результат одного шага, использует его на следующем, сам разрешает часть неоднозначностей и решает, достаточно ли он уверен для самостоятельного проведения операции. Если в заявке незнакомый товар или сомнительная формулировка — заказ уходит оператору, но уже в виде собранного черновика.

На практике такие цепочки собираются как платформы вокруг конкретного процесса. Один из самых наглядных примеров — приём заказов в ресторанном бизнесе. Платформа Choco для ресторанов и продуктовых дистрибьюторов: инструмент OrderAgent разбирает сообщения и файлы, а VoiceAgent принимает звонки в нерабочее время. Для частых заказов есть режим Autopilot — если уровень уверенности алгоритма выше заданного порога, операция проходит полностью автоматически.

По данным Choco, система обрабатывает свыше 8,8 млн заказов в год, снижает объём ручного ввода до 50% и в отдельных внедрениях удваивает производительность отдела продаж без расширения штата — при частоте ошибок в пределах 1–5%. Для меня здесь важны не только цифры, а логика: покупателям не нужно осваивать новые порталы — система подстраивается под привычный канал связи. Ночные и вечерние обращения обрабатываются сразу, без ожидания смены. А менеджеры, освободившись от перепечатывания, тратят время на диалог, подбор замен, допродажи и решение проблем с поставками.

При этом передача последнего шага прямо в ERP существенно повышает цену ошибки. Неверно ответивший чат-бот вызывает раздражение, а неправильно сформированный B2B-заказ ведёт к отправке не того товара, логистическим накладкам, возвратам и прямым убыткам. Поэтому у агентов нет одинаковой свободы во всех заказах: автоматически проходят операции от проверенных клиентов, со знакомыми позициями и при высокой уверенности системы. Если заказ неоднозначный, дорогой или его трудно отменить — агент передаёт сотруднику собранные данные и готовый черновик.

Так появляется первая устойчивая роль человека в агентной системе: контролировать платформу и подключаться на последней, самой сложной и прибыльной миле. В коротком заказе это проверка неоднозначной позиции; в длинной продаже — переговоры и финальные условия. Я вижу в этом не «замену людей», а смену профиля работы: от исполнения рутины к управлению исключениями.

Чтобы понять природу агентных моделей глубже, я часто беру пример покупки авто — редко это происходит за один визит на сайт. Покупатель сравнивает модели, уточняет техсостояние, требует тест-драйв, переносит встречи, изучает кредитные условия и советуется с семьёй. После первого осмотра он может пропасть на неделю, вернуться к другой машине или уйти из-за цены. Для компании история распадается на десятки звонков, напоминаний и смен статусов в CRM.

Автоматизировать отдельные действия несложно: система отправит SMS перед встречей или поставит менеджеру задачу «перезвонить во вторник». Но классическая автоматизация не понимает контекст сделки в целом. Она слепо исполняет заранее заданное правило и не способна оценить, стоит ли продолжать диалог, какое предложение сделать следующим и в какой момент клиенту действительно нужен человек.

Агентная цепочка работает иначе: она удерживает контекст взаимодействия, отслеживает состояние сделки и подбирает следующий шаг на основе реального поведения пользователя. Изменился бюджет — агент перестраивает подборку и предлагает альтернативы из каталога. Пропущен тест-драйв — система мягко уточняет причину и предлагает новые даты. Клиент сомневается после встречи — агент выясняет стоп-факторы и возвращается с подходящими условиями или новым офером. Тут автоматизируется длинный процесс, развивающийся дни и недели.

Индийская платформа Cars24 использует голосовых и текстовых агентов на всех этапах покупки, продажи и финансирования подержанных автомобилей. На стороне покупателя агент квалифицирует клиента — уточняет бюджет, размер семьи, особенности поездок — подбирает варианты, организует тест-драйв и помогает с расчётом кредита. Перед встречей система подтверждает визит, а после — уточняет впечатления, предлагает альтернативы или помогает перейти к оформлению. После сделки та же цепочка сопровождает вопросы гарантии и обслуживания.

На стороне продавца агент собирает данные об авто, назначает технический осмотр и отрабатывает пропущенные встречи. Если владелец продал машину конкурентам, система фиксирует их условия для аналитики. Клиентов, выпавших из воронки, агент периодически проверяет повторно — уточняет актуальность продажи и реакцию на новые цены. В обычной CRM менеджер ведёт клиента сам, а система хранит историю и напоминает о следующем шаге. В агентной платформе роли меняются: система сама связывается с клиентом, обрабатывает ответ и продолжает типовой сценарий, а менеджер контролирует процесс и подключается, когда нужны переговоры или нестандартное решение.

Так платформа ведёт типовую часть сделки и не даёт слабым лидам выпадать из воронки. За человеком остаются контроль, сложные переговоры и согласование финальных условий. По сути, он становится кнопкой «Одобрить» — решает, проводить контроль или довериться предложенным агентом условиям. Но вести одну сделку — только первый уровень. Чтобы провести её от начала до конца, платформе приходится координировать несколько систем, подразделений и источников данных.

Во многих бизнес-процессах основная нагрузка возникает не в момент принятия сложного решения. Огромное время уходит на переходы между вкладками и приложениями: найти нужный счёт, проверить историю переписки, сопоставить платёж, обновить статус в CRM, отправить письмо клиенту, запросить данные у подрядчика и перенести результат обратно в учётную систему. Каждый шаг прост, но вместе они образуют длинную цепочку, которую сотрудник удерживает вручную.

Яркий пример — взыскание корпоративной задолженности. В Microsoft специалисты по работе с платежами постоянно переключались между SAP, Dynamics 365, электронной почтой и внешними источниками. Перед каждым контактом с клиентом менеджеру требовалось вручную выяснить список просроченных счетов, проверить поступления, историю споров и предыдущие коммуникации. После разговора вся обновлённая информация снова вручную разносилась по системам.

Компания объединила эти разрозненные действия в единый агентный контур. Система автоматически агрегирует сведения о счетах и платежах, прогнозирует вероятные просрочки и расставляет приоритеты. Агент самостоятельно связывает поступающие денежные средства с конкретными счетами и отрабатывает типовые обращения, передавая человеку только нестандартные случаи — споры, согласование особых условий или неидентифицированные платежи.

По данным Microsoft Inside Track, точность автоматического сопоставления платежей со счетами выросла с 40 до 90%, а 98% всех поступлений удаётся отнести к нужному счёту в течение 48 часов. Время подготовки сотрудников к переговорам с должниками сократилось примерно на 40%. Здесь агент снимает с финансового специалиста ручную координацию между программами и превращает разрозненный поток задач в подготовленную очередь исключений.

В Microsoft агентный контур соединяет программы одной компании. Следующий шаг — когда тот же слой координации выходит наружу и связывает заказчика, склад и независимых перевозчиков. Производитель мебели Sundays использует платформу Cartage AI для полной организации грузоперевозок. Получив данные о сформированном заказе, агент самостоятельно запрашивает тарифы у сторонних перевозчиков, сравнивает варианты, бронирует оптимальную доставку и отслеживает перемещение груза — взаимодействуя с разными системами от разных компаний.

Платформа может чаще проверять статусы, сравнивать больше предложений и раньше замечать отклонения. Выход агента во внешнее окружение требует жёстких рамок: ошибка в справке останется незамеченной до проверки, а ошибка при бронировании перевозки или проведении платежа мгновенно создаёт юридические и финансовые обязательства. Граница автономности определяется не самим фактом возможной ошибки, а формализуемостью, ценой и обратимостью действия. Агенту можно передать постоянный обмен данными, мониторинг статусов и типовые согласования в пределах заданных лимитов. За человеком остаются споры, крупные суммы, изменение условий и ситуации за границами регламента.

На этом уровне через платформу проходят запросы, статусы, тарифы и обязательства нескольких компаний — фактически она становится информационной средой, в которой участники рынка координируют сквозные операции. Крупная компания может построить внутренний агентный контур, но ей трудно самостоятельно подключить множество небольших поставщиков и подрядчиков. Поэтому возникает спрос на внешние платформы, которые задают общий формат обмена, авторизации и контроля.

Пока агентные цепочки замкнуты внутри одной организации, их выгода остаётся локальной. Настоящий сдвиг начнётся, когда агенты разных компаний смогут напрямую находить друг друга и согласовывать сделки. Закупочный агент сформирует ТЗ, запросит условия у десятка агентов-поставщиков, сравнит остатки, подтянет логистического бота для расчёта доставки и инициирует платёж через банковский сервис. Первые элементы этой инфраструктуры создаются уже сегодня: протоколы межагентского общения, цифровые паспорта авторизации и банкинг с жёсткими лимитами на автономные транзакции.

В перечисленных кейсах эффект виден прежде всего во времени обработки и объёме ручной работы: у Swaledale заказ стал обрабатываться за восемь секунд вместо двух минут, Choco сообщает о сокращении ручного ввода максимум наполовину, Microsoft — о снижении времени подготовки к звонкам по задолженности примерно на 40%. Но кроме стоимости отдельной операции экономический эффект стоит искать в темпе работы: заявки, платежи и отгрузки перестают ждать человека между этапами, а освободившаяся пропускная способность расширяет воронку до мелких заказов и слабых лидов.

Куда важнее ликвидация пауз между шагами. Традиционный бизнес-процесс постоянно ждёт человека: письмо висит во входящих до утра, заявка ждёт звонка менеджера, поступивший платёж остаётся нераспознанным до конца недели. Само действие занимает минуты, но ожидание растягивается на часы или дни. Агент подхватывает событие мгновенно: принимает заявку ночью, повторно связывается с клиентом после пропущенной встречи или сразу фиксирует сбой в доставке.

Такая непрерывность уменьшает потери на стыках этапов. Система не забывает про лиды, не пропускает повторные контакты и не оставляет счета неразобранными. Процесс продолжает двигаться, даже когда сотрудник не может заняться им прямо сейчас. Для меня это ключевой аргумент в пользу агентной автоматизации: она устраняет невидимую утечку выручки — забытые лиды, неразобранные счета, пропущенные повторные контакты.

Более того, дешевизна агентского внимания делает рентабельной работу с «длинным хвостом»: слабыми лидами, мелкими заказами и редкими запросами, на которые у сотрудников никогда не хватало ресурса. Раньше такие обращения откладывали или отсеивали — не потому что они бесполезны, а потому что ручная обработка стоила дороже потенциальной маржи. Агент меняет экономику: стоимость контакта падает на порядок, и компания может поддерживать больше сделок и связей без пропорционального роста рутинной работы.

Мировая агентная экономика складывается из платформ, которые связывают запрос человека, корпоративные системы и действия контрагентов в единый процесс. Такие цепочки принимают заказы, ведут сделки, сопоставляют платежи и организуют доставку. Выходя за пределы одной компании, они постепенно превращаются в новый метод взаимодействия между участниками рынка. Речь выходит далеко за рамки сокращения расходов.

Но ускорение не устраняет ограничения — оно переносит их дальше по цепочке. Информация может двигаться кратно быстрее, однако производство, склады, логистика и спрос не масштабируются автоматически. Человек не исчезает: вместо участия в каждой стандартной операции он контролирует исключения и отвечает за последнюю милю — сложные переговоры, нестандартные условия и решения с высокой ценой ошибки. Вопрос уже не в том, смогут ли агенты обработать больше запросов — смогут. Вопрос в другом: успеют ли компании перестроить процессы, данные и роли сотрудников под новую скорость и где возникнет следующее узкое место, когда информация начнёт двигаться быстрее товаров, организаций и людей.

Чем ИИ-агент отличается от обычного чат-бота в B2B? Чат-бот отвечает текстом на вопрос. ИИ-агент получает бизнес-цель — оформить заказ, провести сделку, сопоставить платёж — и сам строит план: обращается к ERP, CRM и внешним API, выполняет цепочку действий и передаёт человеку только неоднозначные или дорогие случаи.

Где в агентной схеме остаётся человек? На последней миле: проверка спорных позиций в заказе, переговоры по условиям, согласование крупных сумм и ситуации вне регламента. В типовых операциях от проверенных клиентов агент работает автономно; менеджер становится контролёром и «кнопкой одобрения».

Какой экономический эффект даёт агентная автоматизация помимо экономии минут на заказ? Главное — процессы перестают ждать человека между этапами. Это сокращает паузы в днях до секунд, не даёт лидам выпадать из воронки и делает рентабельной работу с мелкими заказами и слабыми лидами из «длинного хвоста».

Когда агенты начнут работать между разными компаниями? Первые элементы уже появляются: платформы вроде Cartage AI координируют заказчика и внешних перевозчиков, разрабатываются протоколы межагентского общения и банкинг с лимитами на автономные транзакции. Полноценная межкорпоративная агентная экономика — следующий этап после внутренних контуров вроде Microsoft.