Как создать ИИ-агента для бизнеса: этапы от задачи до запуска

Что решить до создания ИИ-агента?

До первой строки инструкции запишите задачу, результат и критерий готовности. Задача — один процесс одного отдела, например проверка заявок на оплату. Результат описывает, что агент отдает на выходе: черновик ответа, строку в реестре или пометку юристу.

Критерий готовности нужен до сборки. OpenAI в руководстве «A practical guide to building agents» 2025 года предлагает первым делом собрать набор проверок и замерить на нем базовый уровень качества. Без такого набора две версии агента не сравнить, и спор о качестве идет на ощущениях.

На этом шаге решается, нужен ли агент вообще. Anthropic в статье «Building effective agents» от 19 декабря 2024 года советует искать самое простое решение. Если шаги известны заранее, хватит рабочего процесса с жестким порядком, где модель выполняет отдельные операции.

Как выбрать процесс и провести пилот в компании, я описал в статье «Внедрение ИИ в бизнес: с чего начать и как выбрать подрядчика».

Из чего состоит архитектура ИИ-агента?

Руководство OpenAI делит агента на три части: модель, инструменты и инструкции. Модель рассуждает и выбирает следующий шаг. Инструменты дают доступ к системам, инструкции задают порядок работы и запреты. Чем агент отличается от чат-бота, я разобрал в статье «Что такое ИИ-агент для бизнеса и чем он отличается от чат-бота».

Агент работает в цикле. По руководству OpenAI, цикл идет до условия выхода: агент вызвал итоговый инструмент, ответил без вызова инструментов, получил ошибку или исчерпал лимит ходов.

Anthropic называет базовым блоком языковую модель с поиском, инструментами и памятью. Из таких блоков статья собирает пять схем рабочих процессов. Примеры в правом столбце мои.

Anthropic называет агентом систему, где модель сама выбирает шаги и инструменты. Такой вариант подходит для открытых задач, где число шагов нельзя предсказать. Плата за свободу — время ответа, расходы и риск накопления ошибок.

Для первого агента в отделе я бы взял цепочку или маршрутизацию. Их шаги видны в журнале, каждый проверяется отдельно, и при ошибке сразу понятно, на каком звене она возникла и что править.

Какую модель, данные и инструменты дать агенту?

Начните с модели. По руководству OpenAI, прототип собирают на самой сильной модели и замеряют качество на наборе проверок. Потом на отдельных шагах пробуют модели поменьше и оставляют их там, где результат не падает. С классификацией обращения, по примеру из руководства, справится быстрая модель, а решение о возврате денег лучше отдать более сильной.

Инструменты OpenAI делит на три типа.

1. Инструменты данных ищут в базе, читают документы и запрашивают CRM.
2. Инструменты действий пишут в систему, отправляют письма и передают обращение сотруднику.
3. Инструменты оркестрации — это другие агенты: основной агент вызывает их как обычный инструмент.

Системы удобно подключать через MCP — открытый протокол для связи модели с внешними сервисами. Последняя версия спецификации вышла 28 июля 2026 года. У Битрикс24 есть официальный MCP-сервер портала Битрикс24. Через него внешний агент читает и меняет задачи, сделки и письма. Для 1С есть проект сообщества MCP-сервер внутри 1С. Его код до подключения стоит показать специалисту по безопасности. Как устроен такой сервер, я объяснил в статье «MCP-сервер простыми словами: как ИИ подключается к вашим системам».

OpenAI предлагает присвоить каждому инструменту уровень риска: низкий, средний или высокий. Оценку ставят по четырем признакам: чтение или запись, обратимость действия, нужные права и денежные последствия. Перед вызовом инструмента высокого риска агент ждет дополнительной проверки или зовет человека.

Описание инструмента модель читает, как новый сотрудник читает инструкцию. Anthropic рекомендует давать параметрам понятные имена, добавлять примеры и граничные случаи, описывать формат ввода. Параметры стоит проектировать так, чтобы ошибиться было трудно. Контрагента надежнее искать по ИНН, потому что название компании сотрудники пишут по-разному: с кавычками и без, полностью и сокращенно.

Агент видит только те записи и поля, которые отдают инструменты под его учетной записью. Если агент работает с персональными данными, площадку для модели выбирают с учетом двух норм закона № 152-ФЗ. По части 3 статьи 12 оператор уведомляет Роскомнадзор до начала трансграничной передачи. Часть 5 статьи 18 запрещает записывать и хранить данные граждан России в базах за рубежом, кроме случаев из пунктов 2, 3, 4 и 8 части 1 статьи 6.

Какие правила и границы задать агенту?

Инструкцию агента собирают из регламентов и описания процесса. Порядок такой работы я разобрал в статье «Как подготовить процесс к автоматизации ИИ-агентом: чек-лист». Кроме инструкции агенту нужны ограничители, которые срабатывают независимо от модели.

OpenAI называет ограничители многослойной защитой. Одного слоя мало, поэтому руководство предлагает сочетать несколько из семи видов.

• Проверка темы держит ответ агента в пределах задачи.
• Проверка безопасности ищет попытки обойти правила и чужие инструкции, спрятанные во входных данных.
• Фильтр убирает лишние персональные данные из ответов агента.
• Модерация отсеивает оскорбления и угрозы во входящих сообщениях.
• Оценка риска инструментов придерживает опасные вызовы до проверки (о ней я писал выше).
• Простые правила отсеивают ввод по черным спискам слов, длине и шаблонам.
• Проверка перед отправкой сверяет ответ с правилами компании.

Еще одно правило касается остановки. Anthropic рекомендует задать предел шагов, чтобы агент не ходил по кругу. OpenAI добавляет лимит попыток. Если агент не понял задачу за несколько заходов, она уходит человеку.

Граница работы на старте такая. Агент читает входящие документы, сверяет их с правилами и готовит черновик с указанием, откуда взято каждое значение. Запись в учетные системы, письма наружу и платежи подтверждает сотрудник. Права записи у агента нет, поэтому любая его ошибка остается в черновике, и сотрудник видит ее раньше клиента, бухгалтерии или банка.

Как проверить агента до запуска?

Агента проверяют на наборе реальных случаев из потока отдела. Мой ориентир для первого прогона — 30–50 случаев за последний месяц, среди них спорные, где сотрудники переделывали работу. К каждому случаю сотрудник отдела записывает правильный результат.

Проверку ведут в песочнице. Anthropic перед запуском автономных агентов советует тестировать их в изолированной среде вместе с ограничителями. Для бизнеса песочница — это копия данных и отдельная учетная запись агента с правами только на чтение. Так в журнале систем видно каждое действие агента.

Набор прогоняют заново после каждой правки инструкции, смены модели или подключения нового инструмента. Результат сравнивают с прошлым прогоном, потому что исправление одной ошибки может сломать соседний случай. Для таких прогонов подходит Promptfoo, открытая утилита для оценки LLM-приложений. Она запускается из командной строки, сравнивает ответы разных промптов и моделей и встраивается в автоматические проверки, которые идут при каждом изменении кода.

Отдельно проверьте ответы на выдумки. У каждого значения в ответе агента должна быть ссылка на документ или запись. Почему модель уверенно ошибается, я разобрал в статье «Галлюцинации нейросети: почему ИИ выдумывает и как это проверить».

Как следить за агентом после запуска?

После запуска агент пишет журнал: каждый вызов инструмента, входные данные, результат и имя сотрудника, который подтвердил действие. Anthropic среди трех принципов построения агентов называет прозрачность и советует показывать шаги планирования агента. По журналу ответственный находит шаг, на котором агент ошибся, и вместе с владельцем процесса решает, что поправить.

OpenAI считает участие человека особенно важным в начале работы агента. Сотрудник находит сбои и новые граничные случаи, а из них растет набор проверок. Новые ограничители руководство предлагает добавлять по реальным ошибкам.

Цикл настройки после запуска выглядит так.

1. Ответственный раз в неделю смотрит выборку ответов и отмечает ошибки.
2. Каждая новая ошибка становится случаем в наборе проверок.
3. Инструкцию правят под эту ошибку.
4. Набор прогоняют целиком и сравнивают с прошлой версией.

Раз в неделю — мой ориентир на первый месяц. Дальше смотрите по журналу. Если новые типы ошибок не появляются месяц подряд, разбор можно проводить раз в две недели или реже, но набор проверок по-прежнему прогоняют после каждой правки. Тот же набор стоит прогнать, когда провайдер обновил модель или отдел поменял регламент.

Конструктор, платформа или разработка: что выбрать?

Собрать агента можно тремя способами. Таблицу я составил по официальной документации инструментов.

В n8n агент собирается из узлов на схеме. Документация требует подключить к узлу AI Agent хотя бы один инструмент. Опасные вызовы можно отправить на подтверждение человеку. Сценарий ждет решения в одном из девяти каналов, среди них чат, Telegram, Slack и почта. Установить n8n можно на свой сервер или в частное облако. Для сборки сценариев с ИИ-помощником команда n8n выпустила Official n8n Skills.

В Yandex AI Studio документация называет четыре способа создать текстового агента: Agent Atelier, Responses API, Yandex Workflows и открытые фреймворки с API, совместимым с OpenAI. Агенту доступны веб-поиск, поиск по файлам, вызов функций, интерпретатор кода и внешние API через MCP-серверы. Примеры таких серверов Яндекс собрал в шаблонах MCP-серверы Yandex AI Studio.

Для разработки есть LangGraph. Документация описывает его как низкоуровневый фреймворк для долгоживущих агентов с состоянием. Он сохраняет ход работы при сбое, дает человеку посмотреть и поправить состояние агента и хранит память между сессиями. Выбрать между LangChain, LangGraph и Deep Agents помогают официальные LangChain Skills. Claude Agent SDK дает в Python и TypeScript то, на чем работает Claude Code: цикл агента, инструменты и управление контекстом.

Anthropic относится к фреймворкам осторожно. Лишние слои абстракции прячут промпты и ответы модели, и ошибку труднее найти. Статья предлагает начинать с прямых вызовов API модели, а при работе с фреймворком разбираться в его коде.

Я выбираю вариант по двум вопросам: где должны лежать данные и кто будет менять агента через полгода. Для пилота на одном процессе хватит конструктора. Процесс с десятками развилок и доступом к учетной системе я бы сразу собирал в коде.

Параметры сервисов я проверил 23 октября 2026 года, нормы закона № 152-ФЗ сверил в тот же день с редакцией от 26 июля 2026 года.

Если хотите обсудить своего агента, начните с отдела. Для заявок и реестра платежей подойдет ИИ в финансовый отдел, для первой линии и обращений клиентов — ИИ в отдел продаж. Проверку договоров делает ИИ для юридического отдела, ответы сотрудникам по документам — ИИ-база знаний компании.