AI-агент — это ИИ-система, которая автономно проходит путь от планирования до выполнения задачи для достижения заданной цели. AWS определяет AI-агента как ПО, которое рассуждает, планирует и выполняет задачи вместо пользователя. Например, по запросу «найти 3 подходящих рейса на следующую командировку и представить их в виде таблицы» AI-агент выполнит поиск, сравнение и создаст таблицу.
AI-агенты можно классифицировать по пяти осям: механизм работы, системная архитектура, назначение, форма предоставления, автономность.
Механизмы работы (по классификации IBM) делятся на пять типов:
* простой рефлекторный агент — действует по заданным правилам, опираясь только на текущий ввод, не учитывая прошлый опыт и результаты действий. Пример — термостат, включающий отопление, если температура ниже заданной. В бизнесе к такому типу близок чат‑бот, возвращающий шаблонный ответ по определённому ключевому слову;
* модель‑основанный рефлекторный агент — работает по правилам, как простой рефлекторный, но имеет внутреннюю модель среды, построенную на основе прошлой информации. Пример — робот, который запоминает пройденные места и препятствия и перемещается по комнате, или обработка запросов с учётом истории разговоров;
* целевой агент — выбирает действия, исходя из заданной цели, оценивая, какой вариант приблизит к ней. Может менять порядок действий в зависимости от ситуации, планировать и корректировать шаги. Пример — робот, планирующий маршрут до определённой комнаты в здании без лишних обходов, или AI‑агент для кодирования, который движется от цели «исправить ошибку» к её достижению через анализ и правки;
* утилитарный агент — выбирает наилучшее действие, оценивая не только возможность достижения цели, но и «желательность» результата (с помощью функции полезности). Подходит для ситуаций, где нужно совместить разные критерии (скорость, стоимость, безопасность и т. д.). Примеры — автономные автомобили, которые сравнивают время в пути, расход топлива и безопасность, а также EC‑системы, определяющие цену на основе истории продаж и запасов;
* обучающийся агент — улучшает свои действия на основе обратной связи от среды, его точность растёт по мере использования. Состоит из четырёх элементов: элемента производительности (выполняет действия), элемента обучения (обеспечивает улучшение), оценочного элемента (оценивает результаты), элемента генерации задач (пробует новые действия). Примеры — агенты с обучением с подкреплением (на основе наград и наказаний), рекомендации в соцсетях.
Системная архитектура делится на одиночный агент (сингель) и мультиагентную систему. Одиночный агент выполняет задачу от начала до конца. Его простой состав облегчает создание и поиск причин проблем, но при увеличении объёма информации и процессов точная обработка становится сложной. Одиночный агент подходит для таких задач, как ответы на вопросы о внутренних регламентах или обобщение полученных писем. Мультиагентная система — несколько AI-агентов с разными ролями выполняют одну задачу. Fujitsu выделяет три роли:
* worker AI agent — выполняет отдельные задачи;
* orchestrator AI agent — выбирает worker и организует их взаимодействие;
* verifier AI agent — проверяет результаты и повышает надёжность.
Такая система позволяет сохранять качество на каждом этапе в таких процессах, как исследование, написание и проверка фактов. IBM также представляет механизм разделения сложных задач на мелкие.
По назначению AI-агенты делятся на 6 видов:
* автоматизация бизнес‑процессов — выполняют стандартизированные задачи (создание документов, ввод данных, подготовка отчётов). Примеры: JAPAN AI AGENT от JAPAN AI, ChatGPT Work от OpenAI;
* поиск информации и знаний — извлекают данные из внутренних документов и данных компании, предоставляют обоснованные ответы. Примеры: Glean, Microsoft Researcher;
* работа с клиентами — отвечают на запросы клиентов и выполняют необходимые процедуры. Примеры: Agentforce от Salesforce, AI‑агент от Zendesk;
* помощь в кодировании — выполняют задачи по чтению, редактированию и тестированию кода. Примеры: Claude Code (Anthropic), Copilot cloud agent (GitHub), Devin (Cognition);
* исследования — анализируют множество источников в сети и формируют отчёты с ссылками на источники. Примеры: deep research от ChatGPT, Deep Research от Gemini;
* управление браузером — имитируют действия пользователя в веб‑браузере и выполняют работу на экране. Примеры: Anthropic «Claude in Chrome» (официальное предоставление для платных планов началось в августе 2026 года), «Gemini in Chrome» от Google.
По форме предоставления выделяют 5 типов:
* универсальный (например, OpenAI «ChatGPT Work», Microsoft «Microsoft Copilot») — подходит для широкого круга задач, позволяет быстро начать использование, но не обеспечивает глубокую интеграцию с внутренними системами и тонкую настройку под бизнес;
* встроенный в бизнес‑систему (например, Salesforce «Agentforce», Zendesk «AI») — использует данные уже применяемой системы, не требует интеграции с другими инструментами, но подходит только компаниям, использующим эту систему;
* специализированный под бизнес (например, «JAPAN AI AGENT», «Devin») — имеет заранее подготовленные функции под конкретную область (бухгалтерия, HR, разработка), быстро даёт результат, но неприменим для других задач;
* для no‑code разработки — позволяет создавать собственные AI‑агенты практически без программирования;
* для разработки на основе фреймворков.
Существуют три основных типа сервисов для создания AI-агентов:
* Microsoft Copilot Studio — среда разработки Microsoft для создания агентов с использованием low‑code;
* Dify — платформа с открытым исходным кодом для создания механизмов с использованием рабочих процессов и внутренних документов;
* Gemini Enterprise — корпоративная платформа Google с функцией создания агентов без кода.
Типы разработки AI‑агентов:
* No‑code — подходит для внедрения AI‑агентов в бизнес без привлечения инженеров, позволяет вовлекать сотрудников на местах;
* Framework‑development — для инженеров: разработка AI‑агентов с нуля с помощью программирования, обеспечивает детальный контроль и интеграцию с системами компании, требует наличия инженеров для разработки и эксплуатации.
Основные фреймворки:
* LangGraph — фреймворк LangChain для создания долго работающих сложных агентов;
* CrewAI — фреймворк для создания механизмов координации нескольких агентов;
* OpenAI Agents SDK — набор инструментов OpenAI для создания агентов с минимальным количеством кода;
* Agent Development Kit — фреймворк Google для разработки и публикации агентов.
По уровню автономности (по классификации Microsoft) выделяют:
* поисковый агент — ищет информацию в надёжных источниках и отвечает на вопросы, не выполняет действий самостоятельно;
* задачный агент — автоматически выполняет заданные действия или рабочие процессы (например, отправка обновлений, генерация отчётов);
* автономный агент — самостоятельно составляет и корректирует планы для достижения цели.
Чтобы выбрать подходящий вид AI‑агента, нужно выполнить 4 шага:
1. Выявить процессы, которые нужно автоматизировать: конкретно описать процессы, которые планируется доверить AI‑агенту, для каждого процесса зафиксировать время, затрачиваемое на него в месяц, используемые системы и файлы, масштаб последствий в случае ошибки.
2. Определить тип использования процесса из 6 возможных категорий — это сузит круг подходящих сервисов. Если процесс относится к нескольким типам, ориентироваться на этап, который занимает больше всего времени.
3. Выбрать форму предоставления сервиса с учётом имеющихся в компании навыков:
* если нет инженеров — рассматривать универсальные, специализированные под бизнес или интегрированные в бизнес‑системы решения;
* если нужно создать что‑то на местах — выбрать решение с no‑code разработкой;
* если есть команда разработки — рассмотреть решения на основе фреймворков;
* если в уже используемых бизнес‑системах есть функции агента — начать с них.
4. Отобрать 2–3 кандидата и протестировать на небольших процессах. Начинать с агентов с низкой степенью автономности (поисковых или task‑агентов) — это минимизирует риски. Сравнить с временем, зафиксированным на шаге 1, чтобы количественно оценить экономию времени. Результаты тестирования сохранить как обоснование для полноценного внедрения.
Есть бесплатные для личного использования сервисы, например функция Deep Research в Gemini — доступна всем пользователям Gemini, но с ограничениями по числу использований и функционалу. Для создания собственного агента можно внедрить Dify (с открытым исходным кодом) — перед использованием нужно проверить условия на официальном сайте.
Термины «эджетный ИИ» и «ИИ‑агент» часто используются как синонимы — оба обозначают ИИ, который самостоятельно выполняет задачи. Строго говоря, «ИИ‑агент» относится к отдельному ИИ, а «эджетный ИИ» — к системе из нескольких агентов, однако это разделение может различаться в зависимости от компании или публикации. RPA отличается от ИИ‑агентов: RPA — это инструмент автоматизации, повторяющий заранее заданные человеком шаги, а ИИ‑агент самостоятельно выстраивает шаги для достижения цели. На практике RPA используют для типовых операций, а ИИ‑агентов — для задач, требующих принятия решений.
Подписаться в Макс
