От ChatGPT до ИИ-агентов: какую архитектуру выбрать для задач бизнеса
Какие уровни внедрения ИИ существуют, чем отличается работа языковой модели от ИИ-агентов и в каких случаях бизнесу действительно нужна многоагентная система, в Pressfeed.Журнале рассказал CEO компании е-комЭКСПЕРТ Николай Чумаков.
За последние два года искусственный интеллект прошел путь от любопытного эксперимента до рабочего инструмента бизнеса. Сегодня компании используют нейросети для подготовки текстов, поиска информации, анализа данных, поддержки клиентов и автоматизации внутренних процессов.
Однако по мере роста числа сценариев возникает закономерный вопрос: достаточно ли одного ChatGPT для решения задач компании или уже пора строить более сложную систему из ИИ-агентов?
Однозначного ответа здесь нет. Для одних компаний ИИ остается удобным помощником. Для других — становится частью цифровой инфраструктуры, где несколько специализированных агентов взаимодействуют между собой, работают с корпоративными системами и помогают автоматизировать целые бизнес-процессы.
Проблема в том, что многие начинают внедрение ИИ с технологий, а не с понимания собственных задач. В результате кто-то строит сложную архитектуру там, где достаточно одного инструмента, а кто-то пытается решить комплексные процессы силами одного чат-бота.
Скачать PDF-инструкцию «Где и как публиковать широкоохватные статьи бесплатно»За 19 лет работы над интернет-магазинами и интеграционными решениями для ритейла и производственных компаний мы неоднократно сталкивались с различными сценариями цифровизации бизнес-процессов. Поэтому примеры в статье будут в основном связаны со сферой e-commerce, хотя описанные подходы актуальны для компаний из разных отраслей.
1. Первый уровень: обычная LLM без данных компании
ИИ-модель (например, ChatGPT или DeepSeek) сама по себе — это не система управления и не «цифровой сотрудник», который понимает, как устроена компания изнутри.
По своей сути это универсальная интеллектуальная система, которая умеет решать поставленные задачи, опираясь на данные, на которых была обучена, и контекст, который ей предоставляет пользователь.
Когда человек задает вопрос в нейросети без интеграции с внутренними системами компании, она не обращается к CRM, базе данных или корпоративным сервисам и не проверяет факты в реальном времени. Она формирует ответ на основе огромного массива данных, на которых была обучена, и вероятностно собирает наиболее подходящий вариант решения или объяснения под конкретную задачу.
Именно поэтому она может:
- понимать смысл запроса в тексте;
- формулировать развернутые ответы;
- объяснять и пересказывать сложные темы простым языком;
- собирать логичные тексты даже из разрозненных идей.
Для многих повседневных задач этого уже достаточно. Нейросети хорошо справляются с подготовкой деловой переписки, переводами, созданием черновиков коммерческих предложений, инструкций, писем и других рабочих материалов. Они позволяют быстрее искать информацию, формулировать ответы и готовить контент.
В определённом смысле такой сценарий использования можно сравнить с более продвинутым поиском информации: вместо того чтобы самостоятельно изучать десятки источников, пользователь получает готовую выжимку и основу для дальнейшей работы.
Современные модели позволяют генерировать изображения для статей, презентаций, социальных сетей и маркетинговых материалов. Однако если требуется создать серию изображений в едином стиле, соблюсти требования бренда или обеспечить визуальную согласованность большого количества материалов, без дополнительной настройки и контроля уже не обойтись.
Но при этом у нее нет доступа к реальности процессов компании.
Она не видит ваши текущие задачи в моменте — например, остатки на складе, статус заказов или реальные условия сделки. Она не знает внутренних правил компании, если они специально не переданы ей в виде контекста или интеграции. И самое важное: не различает, что «можно», а что «нельзя», если это явно не описано.
Простой пример: покупатель спрашивает, есть ли товар на складе и когда его привезут. Без интеграции с учетной системой бизнеса модель не знает ни остатков, ни графика поставок — и в лучшем случае даст общий ответ, а в худшем начнет додумывать.
Нейросеть не принимает решений и не понимает бизнес как систему. В результате появляется ощущение, что «AI есть», но он не управляет процессами, не снижает количество ошибок и не заменяет часть логики компании. Он просто ускоряет генерацию ответов — не более того.
И именно здесь становится видно ключевое ограничение: подключить модель недостаточно. Чтобы она начала работать, ее нужно встроить в процесс принятия решений, а не в интерфейс общения.
Второй уровень: LLM + внутренние данные бизнеса
Следующий этап внедрения — подключение AI к внутренним системам компании. И именно здесь чаще всего возникает путаница в терминологии. Одни специалисты называют такие решения AI-ассистентами, другие — агентами, третьи выделяют их в отдельный класс систем. Единых стандартов пока не существует, поэтому границы между понятиями остаются условными. Многие называют это «дообучением», хотя в большинстве бизнес-проектов полноценного обучения модели на данных компании вообще не происходит.
На практике обычно используется другая логика: модель получает нужный контекст в момент запроса через интеграции с CRM, ERP, 1С, базами знаний, каталогами товаров, логистикой и другими внутренними сервисами. То есть AI не «запоминает» бизнес навсегда, а просто получает доступ к нужным данным в нужный момент.
В этот момент модель становится интерфейсом к информации компании. Например, если клиент спрашивает о статусе заказа, система уже не пытается «предсказать» ответ. Она обращается к CRM, проверяет логистику, получает актуальный статус доставки, сверяет историю обращений клиента и только после этого формирует итоговый ответ.
Именно на этом уровне AI начинает приносить реальную практическую пользу. Сотрудникам больше не приходится вручную открывать несколько вкладок, искать данные в разных системах и собирать контекст по частям. На этом уровне нейросеть не принимает решения за сотрудников, но берёт на себя быстрый сбор, поиск и интерпретацию информации из разных корпоративных систем.
Но здесь появляется другая проблема: качество AI напрямую начинает зависеть от качества данных внутри самой компании. Если информация хранится в разных таблицах, частично дублируется, обновляется с задержкой, система не сможет работать стабильно. Нейросеть не исправляет хаос — она масштабирует его.
Особенно хорошо это видно в e-commerce. Если карточки товаров заполнены неполно, характеристики указаны по-разному, а правила возврата существуют сразу в нескольких документах, AI начинает заполнять пробелы предположениями. В результате компания получает не снижение количества ошибок, а дополнительную необходимость все проверять.
Именно поэтому в большинстве зрелых проектов сначала приводят в порядок процессы, данные и внутреннюю структуру компании, и только потом подключают AI как дополнительный слой автоматизации.
Третий уровень: AI-агенты и архитектура процессов
На следующем уровне усложняется уже не столько сама модель, сколько архитектура вокруг неё. Если на предыдущем этапе AI в основном получает данные из корпоративных систем и помогает находить нужную информацию, то здесь появляются полноценные цепочки взаимодействия между несколькими специализированными компонентами. Именно такие решения сегодня чаще всего относят к классу AI-агентов или мультиагентных систем, хотя единая терминология на рынке по-прежнему отсутствует.
Когда запрос попадает в такую систему, AI не спешит сразу формировать ответ. Сначала определяется сама задача: нужно ли обратиться к CRM, проверить правила компании, запросить данные из базы знаний или просто подготовить текстовый ответ. После этого запрос маршрутизируется между различными агентами, инструментами и корпоративными сервисами, каждый из которых отвечает за свою часть процесса.
На практике такие системы редко состоят из одного AI-агента. Чаще речь идет о многоуровневой архитектуре, в которой языковая модель является лишь одним из компонентов.
Например, один агент может получать и классифицировать запрос клиента, второй — обращаться к CRM и собирать необходимые данные, третий — проверять внутренние ограничения и бизнес-правила компании, четвертый — формировать итоговый ответ, а пятый — выполнять дополнительную проверку перед отправкой.
Однако даже такая схема представляет лишь часть общей архитектуры. Помимо самой языковой модели, в нее обычно входят интеграции с корпоративными системами — CRM, ERP, 1С, складскими платформами, базами знаний и логистическими сервисами.
Отдельный оркестратор определяет, какие инструменты необходимо задействовать для решения конкретной задачи и в какой последовательности их вызывать. Поверх этого работают бизнес-правила, которые контролируют скидки, возвраты, SLA, права доступа и другие ограничения.
Дополнительный уровень проверки валидирует результат до его отправки пользователю, а в случаях, связанных с финансовыми рисками, нестандартными ситуациями или высокой ценой ошибки, запрос передается сотруднику для принятия окончательного решения. При этом все действия системы фиксируются в логах, что позволяет понять, какие данные использовались, почему был сформирован именно такой ответ и как при необходимости воспроизвести цепочку принятия решения.
Именно поэтому в реальных проектах практически никогда не используют одну универсальную модель для всех задач сразу. Чем сложнее система, тем быстрее переполняется контекст и тем выше вероятность ошибок. Поэтому задачи разделяются между несколькими специализированными агентами, а поверх этого добавляются дополнительные проверки и ограничения.
Во многих случаях используется связка «агент-исполнитель» и «агент-проверяющий»: один выполняет действие или формирует ответ, второй проверяет корректность результата перед отправкой пользователю.
Например, в поддержке интернет-магазина AI может самостоятельно собрать всю информацию по заказу, проверить историю клиента, найти нужный регламент возврата и подготовить менеджеру готовый черновик ответа. Но окончательное решение о компенсации, изменении условий заказа или нестандартной ситуации все равно остается за бизнес-логикой компании.
Это особенно важно в случаях, когда решение напрямую связано с финансовыми обязательствами или репутационными рисками. Если AI-помощник примет решение сделать клиенту возврат средств, который не предусмотрен политикой компании, речь будет идти уже не о неточном ответе, а о вполне реальных последствиях для бизнеса. Поэтому в зрелой системе искусственный интеллект не должен самостоятельно принимать подобные решения. Его задача — проверить регламенты, статус заказа, историю взаимодействия с клиентом и предоставить всю необходимую информацию для принятия решения в рамках установленных бизнес-правил или сотрудником компании.
Именно это и отличает эксперимент с ChatGPT от полноценной AI-системы внутри бизнеса.
Где AI реально дает пользу
На практике AI лучше всего работает там, где уже существует понятный и повторяющийся процесс. Нейросети хорошо усиливают системную работу, но плохо справляются с хаосом.
Если задача регулярно повторяется и каждый раз решается примерно одинаково, её можно частично или полностью автоматизировать. Особенно хорошо это работает в поддержке, обработке заказов, работе с контентом, внутренних базах знаний, аналитике и поиске информации.
Но важно понимать и обратную сторону. Не каждую задачу вообще имеет смысл решать через AI. Иногда проблему гораздо проще закрыть обычной автоматизацией, настройкой CRM или бизнес-правилами без использования LLM. Во многих случаях это оказывается дешевле, стабильнее и проще в поддержке.
Большинство неудачных внедрений AI выглядят очень похоже: технология уже есть, но сами процессы внутри компании остаются неструктурированными. В результате нейросеть либо почти не дает эффекта, либо создает новые точки контроля и ошибок.
Вместо вывода
Главная ошибка многих проектов по внедрению AI заключается в том, что языковую модель рассматривают как самостоятельное решение. Однако бизнес представляет собой не набор диалогов, а систему взаимосвязанных процессов, данных, регламентов, ограничений и правил принятия решений.
По этой причине LLM не стоит воспринимать как полноценного «цифрового сотрудника» или центральный элемент архитектуры. Языковая модель — лишь один из компонентов AI-инфраструктуры, который начинает приносить реальную пользу только тогда, когда интегрирован в бизнес-процессы, корпоративные системы и контуры принятия решений.
И главный вопрос при внедрении AI — не «какую модель выбрать», а насколько сама компания готова к автоматизации. Есть ли у нее понятные процессы, актуальные данные, описанные правила и границы ответственности: что может сделать AI, что должна проверить система, а что остается за человеком.
Без этого ChatGPT остается удобным интерфейсом. С этим — становится частью операционной системы бизнеса.
Благодарим Юлию Евсееву из PelidTeam за информацию для статьи.
Комментарии