Сколько вы заплатите за ИИ‑агента: разбор основных статей затрат

С развитием технологий ИИ‑агентов бизнес рассчитывает получить самостоятельного исполнителя, который сможет взять на себя множество бизнес‑процессов «от и до». Разберемся, как происходит внедрение ИИ‑агентов в работу компании и сколько это может стоить.

Автор: Анна‑Мария Лонь, старший менеджер по продвинутой аналитике Applied Intelligence Axenix 

Около 50% компаний, использующих ИИ, планируют внедрение ИИ‑агентов к 2027 году, показал опрос ИТ‑руководителей предприятий из 14 стран (Deloitte). К 2029 году уровень автоматизации типовых бизнес‑процессов с использованием ИИ‑агентов может достигнуть 70‑80% (Gartner). Уже на текущем этапе внедрения такие решения дают серьезный операционный эффект, показывает исследование Axenix и Исследовательского Центра в сфере ИИ МГУ.

ИИ‑агенты предполагают переход к другой модели использования искусственного интеллекта. Если генеративный ИИ работает по принципу «вопрос – ответ», то ИИ‑агент способен автономно выполнять комплексные задачи. Получая данные из окружающей среды и взаимодействуя с внешними и внутренними системами компании, он сам определяет, как достичь цели, имеет возможность декомпозировать процесс решения на шаги и доводит его до результата.

Внедрение ИИ‑агентов: от пилотов к управляемой системе

Внедрение ИИ‑агентов проходит несколько стадий — от точечных пилотов к полной интеграции в бизнес. Существует приблизительный таймлайн их адаптации, от планирования и тестирования до интеграции и финального этапа формирования единой экосистемы, который можно оценить в 5 лет. Однако на практике внедрение ИИ‑агентов происходит не столько по срокам, сколько по уровню их проникновения в бизнес и зрелости управления.

На первом этапе бизнес ограничивается простыми сценариями: ИИ автоматизирует отдельные задачи без изменения существующей логики работы. Это могут быть базовые операции вроде обработки типовых запросов или сверки данных. Основная цель — проверить гипотезу и понять, дает ли технология измеримый эффект.

На втором этапе зона применения расширяется: агенты начинают закрывать узкие, но повторяющиеся процессы, где важны скорость и стабильность. Параллельно улучшается интеграция с корпоративными системами и накапливаются данные для обучения. Компания начинает формировать первые стандарты и подходы к контролю качества работы ИИ. Эффект проявляется в снижении времени выполнения задач и уменьшении количества ошибок.

Третий этап предполагает подключение ИИ к принятию решений. Агенты анализируют данные из разных источников, предлагают варианты действий и помогают сотрудникам выбирать оптимальные сценарии. Появляются механизмы проверки гипотез и контроля результатов. Роль человека постепенно смещается от исполнения к интерпретации и принятию финальных решений.

На четвертом этапе возникает межфункциональная координация. Агенты начинают синхронизировать процессы между подразделениями, объединяя данные и действия в единую систему. Возникает возможность управлять не отдельными задачами, а целыми цепочками процессов. Это повышает согласованность решений и устойчивость бизнеса к изменениям.

Большинство компаний сейчас находятся на 1‑2 этапах, часть на 3‑м и лишь единицы подобрались к 4‑му.

На пятом этапе должна произойти комплексная интеграция. Компания управляет уже не отдельными решениями, а портфелем ИИ‑агентов, которые взаимодействуют между собой. За счет этого возникает эффект синергии: оптимизация происходит не локально, а на уровне всей организации. Повышается прозрачность процессов и скорость реализации инициатив.

И, наконец, на шестом этапе ИИ должен стать частью бизнес‑модели. Агентные системы работают как единая экосистема, которая не только исполняет процессы, но и адаптирует их под изменения внешней среды. Компания получает возможность прогнозировать, оптимизировать и масштабировать операции в реальном времени. В результате ИИ превращается из инструмента в основу операционной эффективности и роста.

Отдельно стоит выделить такое необходимое условие для внедрения ИИ‑агента, как качество данных. Агент работает настолько хорошо, насколько хороши данные, которые он получает. Разрозненные, неактуальные или закрытые данные сводят на нет любые инвестиции в технологию. Поэтому критически важен семантический слой — единая логика, которая объединяет данные, справочники и бизнес‑контекст в понятную для ИИ систему. Он объясняет агенту смысл показателей, связей и процессов внутри компании. Без этого даже качественные данные могут интерпретироваться ошибочно, что повышает риск галлюцинаций и ограничивает масштабирование.

Сколько это стоит: экономика ИИ‑агента

Совокупные затраты на внедрение ИИ‑агентов варьируются в зависимости от масштаба бизнеса. По данным исследования Axenix, за три года для малого бизнеса (50 сотрудников) они составляют в среднем 12,5 млн руб., для среднего (500 сотрудников) – 50 млн руб., для крупного (5 тыс.) – 275 млн руб., для корпораций (более 50 тыс.) – до 1,3 млрд.

Структура затрат меняется по мере зрелости проекта. Сначала речь идет о капитальных вложениях, которые включают интеграцию пилота, подготовку инфраструктуры (серверы или облако), доработку моделей под данные компании. Также скрытыми инвестициями в таком проекте выступают адаптация и обучение сотрудников. Это большой объем работы: только на формирование устойчивой привычки работы с новым ИИ‑решением у сотрудников уходит минимум два месяца интенсивного сопровождения.

Для малого бизнеса 2‑15 млн руб. может уйти на пилотную интеграцию, подключение к облачной инфраструктуре или покупку минимального сервера и базовую адаптацию решений к процессам. Для среднего бизнеса нужно закладывать 15‑30 млн руб. на покупку серверов, первичную интеграцию. Для крупного затраты составят 75‑150 млн на GPU‑кластеры on prem, масштабную интеграцию с различными системами и проекты по безопасности.

Важно отметить, что на практике внедрение ИИ‑агентов не влечет необходимость дообучения самой LLM‑модели, что остается сложным и ресурсоемким сценарием. Оно чаще связано с настройкой качественного контекста ее работы. Ключевую роль здесь играют данные для обогащения контекста, интеграция с внутренними базами знаний компании и корректная интерпретация уникальной корпоративной информации. Обучения здесь требуют классические ML‑модели, обеспечивающие взаимодействие агента и корпоративного цифрового ландшафта.

На этапе масштабирования превалируют операционные затраты. До 4 млн руб. в год у малого бизнеса уйдет на подписку AI API/облачный GPU, техподдержку, обучение пользователей. Затраты среднего бизнеса составят 5‑10 млн руб. в год на лицензии, специалистов сопровождения, поддержку, адаптацию и обновление моделей. Бюджет крупного бизнеса – десятки миллионов ежегодно за счет штатных команд сопровождения, техподдержки, расходов энергопотребления и запуск новых функций. У корпорации на эти цели может уходить от 200 млн руб. в год.

Однако эти инвестиции окупаются не только финансово. Можно выделить три типа эффектов:

• Прямые. Сокращение ФОТ на 40‑50% в отдельных функциях, снижение ошибок и ускорение процессов, дающее еще до 20‑25% экономии.
• Косвенные. Быстрее принимаются решения, улучшается клиентский опыт, растет конверсия и выручка.
• Нематериальные. Усиливается бренд, растет вовлеченность сотрудников, формируется культура работы с данными. Это не отражается сразу на прибыли, но напрямую влияет на долгосрочную капитализацию.

Например, как показывает опыт, внедрение ИИ‑ассистента в поддержку клиентов может выразиться в прямом эффекте – сокращении времени обработки первичных обращений примерно на 30%. А также в косвенном – улучшении клиентского опыта на 15%.

Кейсы применения ИИ‑агентов

• Внутренние процессы и разработка

Один из самых наглядных кейсов – внедрение ИИ‑агента для внутренней ИТ‑поддержки на базе платформы AutoFAQ Xplain в компании «Технологии Доверия». Решение отвечает на обращения сотрудников, обрабатывая порядка 80% запросов и экономя более 100 человеко-часов в месяц.

Высокую эффективность показывают обучающие агенты (например, от Microsoft), которые за счет персонализации сокращают время онбординга на 35% и вдвое снижают стоимость обучения.

Очень активно развиваются агенты‑разработчики (Bolt, Windsurf и др.). Они ускоряют выпуск релизов в среднем на 25% и сокращают общие затраты на разработку до 30%.

• Логистика и цепочки поставок

В логистике ИИ‑агенты полезны тем, что способны учесть сотни переменных. Например, компания DHL использует агента MySupplyChain, благодаря которому точность соблюдения сроков у нее выросла на 30%, а транспортные расходы сократились на 20%. В среднем, по данным исследования Axenix, внедрение специализированного агента цепочек поставок позволяет уменьшить складские издержки до 40% за счет ликвидации избыточных запасов и точного прогнозирования.

• Клиентский сервис

«Яндекс Такси» внедрил ИИ‑агента поддержки водителей и клиентов на базе «Алиса AI», который обрабатывает текстовые обращения, ведет диалог, самостоятельно принимает решения по возвратам и поиску вещей, закрывая 60% таких запросов автоматически с прогнозируемым эффектом в 600 млн руб. Похожих результатов добился американский сервис доставки DoorDash. С помощью Amazon Bedrock и Claude 3 Haiku от Anthropic он сократил количество переключений между операторами на 49% и сэкономил $3 млн в год. Виртуальный финансовый помощник Erica помог Bank of America снизить нагрузку на колл‑центр на 17%.

• Аналитика

Задача агентов в сложных системах – не просто показывать данные, а усиливать управленческие решения. В телекоме AT&T внедрила агентов на базе NVIDIA NeMo, что увеличило скорость анализа процессов в шесть раз и сократило затраты на обработку данных на 84%. Компании вроде Walmart и Amazon используют агентов для товарной аналитики и мониторинга конкурентов.

• Кибербезопасность

Еще одно быстрорастущее направление – кибербезопасность. Здесь ИИ‑агенты берут на себя непрерывный мониторинг инфраструктуры. Такие агенты кибербезопасности как CrowdStrike или Darktrace снижают количество ложных срабатываний на 70%, позволяя SOC‑центрам (отвечают за мониторинг киберугроз) сокращать свои расходы на 40%. В отличие от традиционного BI, такой агент не просто визуализирует проблему, а выявляет закономерности, прогнозирует риски и может сам инициировать действие для их нейтрализации.

Все эти кейсы показывают, что ИИ‑агенты уже дают измеримый эффект в разных функциях. Но результат зависит не только от самой технологии, но и того, как она встроена в процессы компании.

Источник: РБК