Об авторе: Артур Кольцов, основатель маркетплейса нейросетей Chad.
Разговоры об «ИИ-пузыре» до сих пор не утихают, но параллельно с этим в 2026-м компании по всему миру удваивают инвестиции и делают ставку на агентов: более 30% ИИ‑бюджета уже уходит в эту область, а 90% СЕО ждут понятную окупаемость в этом году. От осторожных экспериментов бизнес переходит к масштабированию и внедрению «умных помощников» в ключевые процессы. Руководителей интересует уже не столько сама технология, сколько измеримый эффект: снижение издержек, рост выручки и экономия времени.
Россия следует тому же тренду. Около 97% крупных компаний уже используют ИИ или готовятся к этому, а к 2033 году объем рынка может вырасти в 8 раз. Разберем, как российский бизнес выстраивает работу с ИИ‑агентами, какие задачи им доверяет, какие результаты получает и что мешает двигаться быстрее.
Почему 2026‑й называют годом ИИ‑агентов
Около 90% руководителей уверены, что именно ИИ‑агенты дадут измеримую окупаемость уже в 2026 году. На них уходит более трети всех инвестиций в искусственный интеллект. Речь идет о решениях, которые не просто подсказывают или генерируют текст, а могут выполнять конкретные действия в системах: отвечать клиентам, собирать и обрабатывать данные, запускать типовые сценарии.
Компаниям важно понимать, какие процессы можно отдать агенту без потери качества и как измерять результат, а где следует оставить роль за человеком.
Как российские компании выстраивают работу с ИИ
Ожидаемый экономический эффект от ИИ в России к 2030 году оценивается в триллионы рублей. Наибольший потенциал — в оптимизации внутренних процессов, запуске новых продуктов и управлении данными.
Чаще всего компании начинают с маркетинга, продаж и клиентского сервиса. Здесь проще всего посчитать эффект: скорость обработки обращений, конверсию в сделку, средний чек. Следующий шаг — автоматизация внутренних процессов: тестирование, документооборот, аналитика.
Важно, что бизнес все чаще говорит не только о рекомендациях и аналитике, но и о делегировании ИИ целых цепочек действий. Агент не просто пишет ответ клиенту, а находит нужные данные в нескольких системах, подставляет их в шаблон, инициирует изменения в тарифе или заказе, а человек проверяет и утверждает результат.
Ниже — несколько кейсов российских компаний, которые уже встроили такие решения в повседневную работу.
Клиентский сервис без очередей: как агенты разгружают поддержку
«Марта AI» в «Битрикс24»: цифровой оператор первой линии
Спикер: Лев Шестопалов, директор по ИИ-поддержке клиентов «Битрикс24».
Контекст
Каждый месяц в службу поддержки компании поступает примерно 50 тыс. обращений с ежегодным приростом 25%. В пиковые сезоны нагрузка становится еще выше. Все запросы обрабатывал штат из 110 человек, а стоимость закрытия одного обращения превышала 500 руб. К тому же сотрудники поддержки быстро перерастали роль операторов, а поиск и обучение новичков — это затраты для компании и HR-отдела.
Реализация
Для оптимизации работы поддержки интегрировали ИИ‑агента на основе технологии RAG (Retrieval‑Augmented Generation) и BitrixGPT LLM (Large Language Model) с собственной базой знаний. «Марта AI» самостоятельно обрабатывает и решает более 65% запросов. Система обучается на истории диалогов и обратной связи в реальном времени.
С тех пор команда поддержки сосредоточилась на развитии арсенала навыков «Марты AI», чтобы она могла решать сложные инженерные задачи. Цель — 100% работы без участия оператора — амбициозная, но вполне достижимая. Например, сейчас ИИ‑агент умеет анализировать логи звонков (детальную запись входящих, исходящих и пропущенных вызовов, включающую время, длительность и номера участников) и исходный код модулей продукта, чтобы выдавать более точные ответы клиентам.
Результаты:
- удовлетворенность пользователей ответами 90% — поддержка 24/7 и помощь на всех тарифах, включая бесплатный;
- стоимость закрытия обращения снизилась в 17 раз — до 20–30 руб.;
- общие расходы на поддержку сократились на 42%;
- время первой реакции на вопрос уменьшилось в разы, очередь входящих сообщений упала в 4 раза;
- освободившиеся ресурсы команды перенаправили на другие проекты, усилив смежные направления в компании;
- операторы техподдержки получили новые полномочия, которые еще недоступны ИИ.
«Точка Банк»: «второй мозг» для специалистов клиентской поддержки
Спикер: Степан Юханаев, лидер продукта «ИИ-помощник для клиентской поддержки» в «Точка Банке».
Контекст
В «Точка Банке» высокий NPS (индекс лояльности клиентов), фокус на человечности и живом общении. При этом масштаб большой: поток обращений растет и будет продолжать расти вместе с клиентской базой. В поддержке работает больше тысячи человек. Ключевая задача — удерживать качество сервиса при росте нагрузки без постоянного масштабирования команды.
Реализация
Во внутренний чат поддержки внедрили ИИ‑помощника на агентской архитектуре. Специалисты используют его для работы с обращениями клиентов. Он получает вопрос клиента или задачу от специалиста, оркестратор выбирает нужных агентов: одни через API забирают данные из внутренних систем, другие через RAG (поиск по векторной базе данных) подтягивают фрагменты базы знаний с правилами и нюансами. На выходе специалист поддержки получает предложенный ответ с прозрачными источниками — информацией о клиенте и фрагментами базы знаний.
Финальное сообщение клиенту всегда остается за человеком, чтобы сохранить эмпатию и тон, а также валидировать ответ. При необходимости ИИ‑помощник переформулирует текст в нужный стиль.
Чтобы не зависеть от ручного описания каждого сценария в базе знаний, специалистам дополнительно поставили браузерный плагин, который записывает цепочки их действий при решении вопросов. Эти цепочки восстанавливают и используют для LLM‑модели, которая предсказывает следующие шаги или набор действий и выполняет их через ИИ‑агентов. Например, модель может изменить тариф клиента или подключить услугу, но все изменения происходят только после проверки специалистом поддержки.
Ожидаемый эффект
Ускорение работы специалистов службы поддержки минимум на 20% к концу 2026 года. Для банка это способ сохранить живой сервис и одновременно масштабировать нагрузку без кратного роста штата.
Персонализация и e‑commerce: ИИ как личный мерчендайзер
«Купер»: предсобранная корзина вместо 20 минут выбора
Спикер: Елена Тихонова, директор по продуктовому развитию сервиса доставки «Купер».
Контекст
В сервисах доставки большая часть времени пользователя уходит на формирование корзины. Даже постоянные клиенты могут тратить на это до 15–20 минут, особенно если заказ включает много позиций. При этом большинство покупателей регулярно заказывают примерно один и тот же набор товаров.
Реализация
В «Купере» запустили функцию предсобранной корзины на основе ML‑модели. Алгоритм анализирует историю заказов пользователя, его предпочтения и повторяемость покупок, а затем предлагает набор товаров, похожий на типичный заказ клиента. Пользователь может сразу оформить покупку или скорректировать предложенную корзину.
Результаты
Новая технология позволила сократить среднее время формирования заказа с 15–20 минут примерно до одной минуты. Функцией уже воспользовались около половины клиентов. Модель решает конкретную пользовательскую задачу — экономит время. Рекомендации строятся на большом массиве данных о предыдущих заказах, что повышает их точность. При этом пользователь всегда может изменить предложенную корзину и оставить только нужные товары.
Планы
Команда планирует и дальше развивать персонализацию сервиса и точность рекомендаций, чтобы еще сильнее упростить оформление заказов. В ближайших планах — внедрение диалоговых сценариев с использованием ИИ. С помощью умных алгоритмов «Купер» хочет прогнозировать запросы клиентов и оперативно их удовлетворять.
ИИ в разработке и тестировании: меньше багов, быстрее релизы
Touch Instinct: ускорение тестирования финтех‑продуктов с помощью ИИ
Спикер: Вячеслав Лобозов, директор по развитию Touch Instinct.
Контекст
У крупного разработчика финансовых приложений до 40% времени каждого релиза уходило на ручное тестирование. При этом 15% выпусков содержали критические ошибки, которые приводили к срочным исправлениям и дополнительным затратам.
Реализация
Команда Touch Instinct разработала систему автоматизированного тестирования на основе компьютерного зрения и обработки естественного языка. Решение включало автоматическое проведение UI‑тестов с анализом скриншотов и распознаванием элементов интерфейса, а также интеллектуальный анализ логов приложения для выявления ошибок и аномалий.
Результаты
После внедрения системы скорость тестирования увеличилась в четыре раза. Время подготовки релизов сократилось с двух недель до нескольких дней. Количество критических ошибок уменьшилось на 70%, что повысило стабильность продуктов и снизило внеплановые затраты на срочные исправления. ИИ уже показывает результаты в высокорисковых зонах. Здесь эффект измеряется не только в экономии бюджета, но и в снижении операционных и репутационных рисков.
Риски и первые шаги: как внедрять агентов без иллюзий
Даже самые убедительные кейсы не отменяют ограничений. Компании, которые массово внедряют ИИ‑автоматизацию, чаще всего сталкиваются с одними и теми же проблемами.
Во‑первых, низкое качество данных. Разрозненные базы и старые системы требуют серьезной подготовки: очистки, объединения, описания процессов. Без этого агент начинает «спотыкаться» на каждом шаге.
Во‑вторых, безопасность и приватность. Многие компании выбирают локальные модели и гибридные архитектуры, чтобы не выносить чувствительные данные наружу.
В‑третьих, риск ошибок. Даже лучший агент иногда выдает некорректный ответ или предлагает неверное действие. Поэтому в критичных процессах человек остается финальным контролером: проверяет расчеты, утверждает изменения, следит за тоном общения с клиентом.
Наконец, вопрос людей и навыков. ИИ убирает часть рутины, но требует от сотрудников новых компетенций — умения формулировать задачи, работать с данными, проверять и дополнять результат.
Для тех, кто только начинает путь, логично двигаться по понятному чек‑листу:
- Найти процессы с большим объемом однотипной работы и доступом к данным.
- Подготовить базу знаний и метрики, по которым можно оценить эффект.
- Запустить пилот с гибридной моделью — «человек + агент».
- Обучить команду новым ролям и пересмотреть показатели эффективности.
По данным отраслевых исследований, ИИ-агенты уже снижают операционные расходы на 15–30% и окупаются за год. Для российских компаний, которые одними из первых научатся считать реальную окупаемость и управлять рисками, 2026 год может стать отправной точкой нового витка роста благодаря конкретным, измеримым изменениям в ежедневной работе.
➤ Подписывайтесь на телеграм-канал «РБК Трендов» — будьте в курсе последних тенденций в науке, бизнесе, обществе и технологиях.