Отличается сам принцип их работы. Чат-бот живёт внутри одного разговора: получил реплику, подобрал ответ, отдал его. Даже сильный бот на большой языковой модели остаётся собеседником. Он говорит, но руками ничего не трогает.
Агент устроен иначе. Ему ставят цель, а дорогу к ней он ищет сам: дробит задачу на шаги, обращается к внешним системам: CRM, ERP, электронной почте, базам данных. Далее вызывает нужные инструменты, проверяет промежуточный результат и при сбое корректирует план. Например, чат-бот объяснит клиенту, как оформить возврат. Агент же оформит его сам: заведёт заявку, спишет товар, отправит уведомление, поставит отметку в учётной системе.
Технически за этим стоят три вещи. Во-первых, агент помнит, что делал на прошлых шагах. Во-вторых, он умеет вызывать внешние инструменты — то, что разработчики называют «function calling» (вызов внешних функций). Ну и последнее, он работает по циклу: спланировал, сделал, проверил себя.
2026-й зовут годом агентов: мы уходим от программ, которые с нами разговаривают, к тем, что за нас работают.
Современные агенты уже умеют находить и исправлять ошибки в коде, причем довольно качественно. Однако есть нюанс: часть «исправлений» исключительно формальные и по смыслу не решают изначальную проблему. Время такой агент экономит, но не отменяет необходимость перепроверки человеком.
Вторая зрелая область — клиентская поддержка. Здесь уже есть публичные кейсы: Lenovo и Vodafone запустили ИИ-помощников и значительно сократили время ответа и повысили продуктивность операторов.
Третья область — исследовательские и аналитические задачи: сбор и сведение данных из десятков источников. Там, где задача длинная или цена ошибки высока, агенты применяются осторожнее. Показательным примером служит банковская сфера. В этом году несколько банков столкнулись с претензиями регуляторов после того, как агенты называли некорректные условия по кредитам. И больше четверти пользователей, по опросам, бросают диалог с ИИ-чат ботом.
Сейчас важным направлением является понятие «guardrails» (защитные ограничения и проверки) и мониторинг — это то, что дает понимание по какому принципу агент решает что и когда вызывать, ограничивает эти вызовы и помогает справиться с галлюцинациями.
Для операций вроде платежей надёжности «восемь из десяти» недостаточно: каждая ошибка оборачивается убытками.
Выбор всегда сводится к балансу между скоростью, гибкостью и контролем — получить все три одновременно, как правило, не удаётся.
Готовые платформы без кода или с минимумом кода подходят для типовых задач. Подразделение может собрать агента под конкретную задачу: обработать заявку, разобрать почту, ответить на частый вопрос — за несколько дней и без привлечения разработчиков. Минус — невысокий потолок сложности и зависимость от поставщика.
Мультиагентные фреймворки нужны, когда задача распадается на роли или требует сложной логики с ветвлениями, повторами и проверками. Такие системы хороши, когда работу можно распределить между специализированными агентами, а потом собрать результат воедино. Они позволяют встроить контрольные точки и обязательное согласование с человеком — это уже уровень промышленной эксплуатации. Например, при обработке входящей заявки один агент проверяет историю клиента, второй — остатки на складе, третий — готовит коммерческое предложение, а четвёртый отправляет его на согласование менеджеру. Каждый занят своей узкой задачей, но все работают в рамках одного процесса, а оркестратор собирает результаты и передаёт дальше.
Третий путь — разработка с нуля на специальных инструментальных наборах для программистов. Он оправдан, когда агент становится частью продукта, глубоко интегрирован в инфраструктуру и должен управляться на каждом шаге. Это дольше и дороже, зато даёт полный контроль.
В российских компаниях чаще всего выбирают третий путь или делают собственные фреймворки — из-за отраслевой специфики и требований безопасности. В самых зрелых компаниях обычно комбинируют: мелкие автоматизации собирают на платформах, а критичное ядро пишут сами.
Эта цифра из исследования Anthropic. Связку, где главный агент работал на Claude Opus, а помощники — на более лёгком Claude Sonnet, сравнили с одиночным Opus: на внутреннем тесте по ресёрчу она оказалась результативнее на 90 %. Схема простая: есть ведущий агент, его называют оркестратором, и несколько узких агентов-исполнителей. Оркестратор разбирает запрос, намечает стратегию, распределяет задачи между субагентами, каждый из которых копает свой участок, а потом собирает всё в единый ответ.
Оркестратор здесь — не человек и не отдельная программа, а именно ведущий агент. Он выполняет роль технического координатора: декомпозирует задачи, передаёт их субагентам и следит, чтобы их действия не дублировались. При этом стратегические решения, например, какие цели ставить и как интерпретировать итоговый результат, остаются за человеком. Наши платформы, включая GigaChat, устроены аналогично: центральный координатор принимает запрос в свободной форме и выстраивает под него цепочку узких агентов: для анализа данных, работы с документами, интеграций и отчётности.
За эффективность приходится платить. По данным инженерного блога Anthropic, мультиагентная схема расходует примерно в 15 раз больше токенов, чем обычный диалог, и около 80 % разброса в качестве объясняется именно объёмом вычислений. Поэтому архитектура оправдана не всегда, а на широких задачах, которые распадаются на независимые направления. Для одной линейной задачи быстрее и дешевле обойтись одним производительным агентом.
Оркестратор выступает как координатор, а не как управленец: он технически распределяет фрагменты задачи между агентами, но не принимает стратегических решений.
Трудовая функция расширяется: к непосредственной работе прибавляется менеджмент ИИ-агента. Раньше ценили за работу, сделанную руками, теперь — за постановку задачи и готовность отвечать за итог. IDC ждёт, что уже в 2026 году 40 % рабочих ролей в крупных компаниях будут напрямую работать с ИИ. Рутину забирают агенты, а человек поднимается на ступень выше: он формулирует, что нужно, задаёт планку качества и решает, как пустить результат в дело.
Появляется и целый пласт новых обязанностей: придумывать сценарии для агентов, контролировать риски. По прогнозу IDC, к 2027 году половине корпоративных ИИ-приложений понадобятся отдельные люди под надзор, комплаенс и ответственность. Иначе говоря, у сотрудника окажется не набор бесконтрольных помощников, а управляемая команда, которой он руководит и за которую отвечает.
И тут легко переоценить самостоятельность машин. Наиболее затратные сбои 2026 года случались как раз там, где человека убирали из процесса совсем.
Ранее Ярослав Якимов рассказал «Телеспутнику», почему искусственный интеллект мыслит стереотипами. Оказалось, что можно измерить предвзятость ИИ, но сделать нейросети нейтральными практически невозможно.
