AI-агенты для автоматизации бизнеса: как использовать

AI-агенты для автоматизации бизнеса становятся ключевым инструментом повышения эффективности. На этом практическом воркшопе Искандер Хабибрахманов, AI-предприниматель и продакт-менеджер с опытом в Яндексе, Emex и «Самокате», показал, как использовать AI-агентов для решения реальных бизнес-задач. Вы узнаете, с чего начинать автоматизацию бизнеса, как проектировать агентов, обеспечивать безопасность и внедрять Human-in-the-Loop.

Disclaimer: практический воркшоп, читайте конспект и смотрите запись, чтобы повторить за Искандером.

Важные ссылки мероприятия:

1. Запись встречи
2. Презентация
3. Промпт для создания агента
4. Дата воркшопа: 12 мая 2026 года

Фокус воркшопа: создание AI-агентов

Главный вопрос воркшопа — как перейти от использования ChatGPT или Claude в качестве персонального помощника к агенту, который получает данные из рабочих систем, самостоятельно принимает промежуточные решения и выполняет действия.

С чего начинать автоматизацию бизнеса

Основная ошибка — начинать не с процесса, а с инструмента. Команда видит новую технологию (Claude Code, n8n, MCP) и пытается придумать, куда её внедрить. Это приводит к эффектным, но бесполезным демонстрациям, которые не решают конкретных бизнес-задач.

Правильная последовательность действий:

1. Процесс: Какая работа регулярно повторяется?
2. Контекст: Кто и на основании какой информации принимает решения? Где эта информация лежит?
3. Решение: Какие действия выполняются после принятия решения?
4. Ограничения: Что произойдёт, если решение окажется неправильным?
5. Инструменты: Только после ответа на эти вопросы выбираются LLM, коннекторы, RAG и MCP.

Только такой подход гарантирует, что автоматизация будет решать реальную проблему, а не создавать иллюзию прогресса.

Четыре критерия автоматизируемости процесса

Не любой бизнес-процесс можно или нужно автоматизировать с помощью AI-агентов. Искандер предложил оценивать их по четырём критериям.

1. Повторяемость

Процесс должен иметь устойчивую, предсказуемую структуру. Хорошо подходят: разбор входящих писем, подготовка регулярной отчётности, классификация обращений, анализ конкурентов. Сложно автоматизировать процессы, где каждый новый случай уникален.

Проверочный вопрос: Можно ли описать несколько типичных сценариев выполнения задачи?

2. Доступность контекста

Агент должен иметь технический доступ к информации, необходимой для решения (CRM, таблицы, базы знаний, переписка). Если сотрудник принимает решение на основе информации, существующей только у него в голове, агент не сможет её воспроизвести.

Проверочный вопрос: Можно ли передать агенту те же данные, которыми пользуется сотрудник?

3. Качество контекста

Наличие доступа к данным не гарантирует успех. Если в базе хаос, противоречивые инструкции и разные определения метрик, агент воспроизводит этот хаос. Агент не сможет учесть незафиксированные договорённости и устные исключения.

Проверочный вопрос: Сможет ли новый сотрудник разобраться в данных без постоянных устных пояснений?

4. Стоимость ошибки

LLM недетерминированы. Агент должен проектироваться не как безошибочный, а как система, которая ошибается редко и может восстановиться.

• Низкая стоимость: неправильная категория письма, неидеальный черновик.
• Высокая стоимость: списание денег, удаление базы, блокировка клиентского аккаунта. В таких сценариях полная автономность недопустима.

Быстрая диагностика: Процесс подходит, если: он повторяется; данные доступны; правила можно зафиксировать; ошибку можно отменить; а критически важные действия требуют подтверждения.

Роль ИИ: что он ускоряет, а что не заменяет

На примере аналитики Искандер выделил четыре уровня, которые показывают эволюцию от простого использования AI к полноценной автоматизации.

• Уровень 00. Personal Assistant: Сотрудник вручную копирует данные, пишет запросы в ChatGPT и переносит результаты. AI — лишь умный помощник, не подключённый к процессу. Ограничение — модель не знает контекст компании.
• Уровень 01. Connected Assistant: AI подключается к источнику данных (например, SQL-базе), но может неправильно интерпретировать бизнес-термины и выбрать не ту таблицу. Человек не переносит информацию, но контроль остаётся за ним.
• Уровень 02. Company-level Agent: Агент подключён не только к данным, но и к единому источнику правды (Source of Truth), где зафиксированы определения метрик, правила, исключения. Агент начинает понимать не структуру базы, а смысл данных для бизнеса.
• Уровень 03. Autopilot Agent: Агент работает автономно: запускает анализ, находит отклонения, формирует выводы и уведомляет нужных людей. Сотрудники начинают создавать инструменты не для себя, а для агентов.

Большинство компаний находятся между уровнями 00 и 01.

Почему без документации агент не знает ваш бизнес

Ключевой тезис: Агент хорош настолько же, насколько хороша ваша документация.

Агент не может учитывать:

• Незафиксированные договорённости;
• Устные исключения;
• Разные определения одной метрики (например, «активный пользователь»);
• Правила, которые знает только опытный сотрудник;
• Устаревшие описания систем.

Отсутствие документации — главный барьер. Однако проблема не только в её создании, но и в поддержании в актуальном состоянии. Она должна стать частью процесса:

1. Изменения в продукте сразу отражаются в описании.
2. Агент может готовить черновики документации.
3. Сотрудник подтверждает изменения.

Где хранить? Искандер рекомендует использовать Git для текстовой документации. Это даёт версионность, историю изменений, возможность отката и защиту от повреждения данных.

Какие процессы уже можно автоматизировать

Что такое AI-агент и его анатомия

Простая формула: AI-агент = Perception + Cognition + Action in a loop.

• Perception (Восприятие): Что агент знает (источники данных, контекст).
• Cognition (Познание/Рассуждение): Как агент принимает решения (инструкции, правила).
• Action (Действие): Как агент действует (инструменты: написать письмо, создать тикет).
• Agentic Loop (Цикл): Когда агент запускается и останавливается (триггер, частота, условие завершения).
• Agentic Home (Среда): Где работает агент (локально, на сервере, в облаке).

В отличие от LLM, которая лишь отвечает на запрос, агент использует LLM как «мозг» в системе, наделённой знаниями, инструментами и правами.

Как спроектировать агента под свой процесс

Шаблон проектирования от Искандера включает 7 шагов:

1. Процесс: Чётко сформулировать задачу (например, «находить лиды без ответа >3 дней»).
2. Perception: Определить все источники данных, правила, список исключений.
3. Cognition: Описать логику принятия решений, условия, когда нужна дополнительная информация и когда остановиться.
4. Action: Определить, что агент может делать (только читать, создавать черновики, обновлять данные).
5. Human in the Loop: Какие действия требуют подтверждения человека (отправка клиенту, удаление, перевод денег).
6. Loop: Когда и как запускать агента.
7. Критерии качества: Как проверить результат (точность, экономия времени, количество ошибок).

Цикл разработки AI-агента (практический пример)

Искандер продемонстрировал создание агента Inbox Triage для разбора почты Gmail. Тот же подход применим для агента поддержки.

Архитектура решения

• Perception: Правила (rules.md), список писем, история переписки;
• Cognition: System prompt, описывающий, как определять важность и когда готовить ответ;
• Action: Создание черновика и отправка письма (с подтверждением);
• Loop: Запуск по команде пользователя.

Шаги разработки

1. Setup: Подготовка среды (VS Code, Claude Code, MCP, Git);
2. Промпт: Сначала обсуждаем задачу с моделью, затем просим её подготовить подробный системный промпт;
3. Тестирование: Проверяем на 3–5 реальных примерах, включая неоднозначные и потенциально опасные;
4. Итерация: Если результат плохой, проверяем три уровня: промпт (чёткость), инструменты (есть ли действие), контекст (доступны ли данные) — не всегда ошибку нужно исправлять промптом;
5. Ship (Запуск): Запускаем с ограниченным объёмом, журналированием, подтверждениями и возможностью отката.

Техническая сложность в этом кейсе заключалась не в логике агента, а в настройке OAuth и выдаче прав доступа к Gmail.

Безопасность, права и Human in the Loop

Главный принцип: не давайте агенту больше прав, чем необходимо.

Уровни доступа

• Read: Только чтение (для прототипа).
• Draft: Создание черновика (письма, документа) без отправки.
• Write with confirmation: Агент предлагает действие, человек его подтверждает.
• Autonomous Write: Полная автономия. Допустима только для низкорисковых и хорошо протестированных задач.

Как снизить риски

• Версионирование (Git): Любое неправильное изменение можно откатить.
• Ограничение прав: Запретить удаление без подтверждения.
• Изоляция: Использовать отдельную ветку, тестовую среду, отдельный технический аккаунт.

Главные выводы воркшопа

• Начинать нужно с процесса, а не с AI-инструмента.
• Для автоматизации подходят повторяемые процессы с доступным и качественным контекстом.
• Чем выше цена ошибки, тем меньше должна быть автономность агента.
• Большинство компаний используют AI на уровне персональных ассистентов.
• Агент не может учитывать знания, существующие только в головах сотрудников.
• Поддержание документации — это часть инфраструктуры AI.
• Агент = Perception + Cognition + Action in a loop.
• AI уже хорошо работает с аналитикой, кодом, поддержкой и типовым контентом.
• Стратегические, кадровые и критические технические решения пока нельзя полностью делегировать.
• Необратимые действия должны подтверждаться человеком.
• Качество проверяется на реальных примерах, включая исключения.
• Git, журналирование и возможность отката — базовые элементы безопасности.
• Главная ценность агента — не генерация текста, а выполнение целого рабочего цикла.

FAQ участников воркшопа

1. Чем AI-агент отличается от LLM?

Ответ Искандера → LLM отвечает на отдельный запрос. Агент использует LLM внутри цикла, подключается к данным и инструментам, совершает действия и учитывает их результат.

2. Чем API отличается от MCP?

Ответ Искандера → API — общий технический способ взаимодействия между системами. MCP стандартизирует предоставление агенту инструментов и источников. MCP может использовать API внутри, но даёт модели понятное описание доступных действий.

3. Что такое RAG?

Ответ Искандера → Retrieval Augmented Generation — подход, при котором перед генерацией ответа система ищет релевантные фрагменты в подключённой базе знаний и передаёт их модели.

RAG не гарантирует правильность вывода, но помогает отвечать на основании корпоративных материалов.

4. Можно ли использовать RAG для юридических и compliance-задач?

Ответ Искандера → Можно использовать для поиска документов, предварительной проверки и сопоставления требований. Но нельзя считать результат окончательным юридическим заключением. Модель может неправильно интерпретировать документ или достроить отсутствующую информацию.

5. Что делать, если таблицы и поля не описаны?

Ответ Искандера → Сначала можно получить техническую схему базы и попросить агента подготовить документацию. Но смысл таблиц, определения метрик и бизнес-исключения всё равно необходимо согласовывать с сотрудниками.

6. Может ли агент сам написать документацию?

Ответ Искандера → Да, если у него есть доступ к репозиторию, базе или другим исходным материалам. Однако документацию нужно проверять, версионировать и регулярно обновлять.

7. Где хранить документацию?

Ответ Искандера → Для меняющихся текстовых материалов удобен Git или репозиторий: сохраняется история, можно увидеть изменения и восстановить предыдущую версию. Но главное — не платформа, а наличие поддерживаемого source of truth.

8. Можно ли анализировать сайт, если у него нет открытого API?

Ответ Искандера → Да, через браузерную автоматизацию, например Playwright MCP. Агент взаимодействует с пользовательским интерфейсом сайта.

9. Какие риски есть у браузерной автоматизации?

Ответ Искандера →

• изменение интерфейса;
• необходимость поддержки сценария;
• проблемы с авторизацией;
• возможные ограничения со стороны сайта;
• опасность выполнения критичного действия.

Поэтому агент может собрать корзину или заполнить форму, но покупку и другие необратимые действия должен подтверждать человек.

10. Можно ли автоматизировать отклики на вакансии?

Ответ Искандера → Технически да, через браузерную автоматизацию. Но лучше оставлять подтверждение перед отправкой и учитывать риск ограничений со стороны площадки.

11. Может ли агент самостоятельно отвечать на письма в Gmail?

Ответ Искандера → Возможности зависят от коннектора. Некоторые готовые интеграции позволяют только читать письма и создавать черновики. Для полноценной отправки может понадобиться собственный MCP или другая интеграция.

12. Как защитить данные от удаления агентом?

Ответ Искандера →

• хранить важные материалы под версионным контролем;
• запретить удаление без разрешения;
• ограничить права;
• использовать отдельную ветку;
• подтверждать критические действия;
• сохранять историю операций.

13. Бывали ли у спикера неудачные случаи с агентами?

Ответ Искандера → Да. На ранних этапах агент мог сломать рабочий код или отправить изменения в Git вопреки инструкции. Поэтому важны тесты, ограничения прав, отдельные ветки и возможность отката.

14. Полезна ли тема дизайнерам?

Ответ Искандера → Да, если дизайнер хочет расширить зону ответственности: создавать прототипы, автоматизировать исследования, работать с продуктовой логикой и проектировать агентские интерфейсы. Если задача ограничивается только визуальным дизайном, ценность будет ниже.

15. Полезна ли тема опытному разработчику, который хочет стать Technical Product Manager?

Ответ Искандера → Да. Технический опыт поможет глубже понимать устройство агентов, а продуктовые сценарии позволят расширить компетенции в сторону управления продуктом.

16. Что спикер думает о n8n?

Ответ Искандера → Искандер предпочитает code-first-подход через Claude Code и аналогичные инструменты. По его мнению, по мере усложнения автоматизации нодовые схемы становятся труднее поддерживать, а код даёт больше гибкости. Это позиция спикера, а не универсальное правило: выбор зависит от задачи, команды и требований к поддержке.

17. Нужно ли заранее задавать список конкурентов?

Ответ Искандера → Агент может помочь составить первоначальный список, но необходимо передать ему описание бизнеса и зафиксировать итоговых конкурентов, чтобы мониторинг оставался последовательным.

18. Сколько автономности давать первому агенту?

Ответ Искандера → Начинать с чтения и подготовки черновиков. Автоматические действия добавлять постепенно, после тестирования и с подтверждением в критических сценариях.

Полезные ссылки

Интенсив AI Powered Product

Библиотека полезных материалов Roots

Telegram-канал

Написать нам