Как ИИ-агенты переходят к мультиагентным системам: исследование

Что такое агенты и почему это новый этап развития ИИ

ИИ-агенты — это автономные системы, которые самостоятельно выполняют задачи и принимают решения. В отличие от LLM-моделей, работающих как инструмент внутри отдельной операции, агент берет на себя бизнес-функцию целиком: он анализирует данные, формирует план действий и реализует его без постоянного участия человека.

Например, в службе поддержки «Яндекс Такси» заработал ИИ-агент, который способен не только ответить на вопрос клиента, но и самостоятельно принять решение, что необходимо сделать в той или иной ситуации. Агент может вернуть клиенту деньги за заказ, выслать промокод, повторно заказать машину или сообщить водителю о забытых вещах.

Некоторые агентские решения способны работать с файлами, приложениями, командами и API на устройствах пользователей (Open Interpreter, AutoGPT). Отдельные виды ориентированы на работу через мессенджеры и могут принимать/отправлять сообщения (OpenClaw).

В целом ИИ-агенты способны автономно действовать в рамках поставленной цели, адаптироваться к контексту и корректировать поведение по мере получения новых данных. В этом смысле речь идет о переходе от сценария «ИИ как помощник» к «ИИ как исполнитель».

Ключевой интерес бизнеса здесь в росте эффективности. ИИ-агенты позволяют автоматизировать целые цепочки действий. Это сокращает время выполнения задач, снижает количество ошибок и повышает предсказуемость процессов, особенно в операционно нагруженных бизнес-функциях.

Экономика инноваций Мультиагентная команда: как усилить бизнес в эру ИИ-агентов

Как развивается рынок ИИ-агентов

Масштаб этого интереса уже отражается в цифрах. Глобальный рынок ИИ-агентов оценивался в $7,84 млрд в 2025 году и растет темпами более 40% в год, а к началу следующего десятилетия может превысить $50 млрд.

Рынок начинает структурироваться по регионам и уровням зрелости. Наибольшую долю занимает США — около 29,7% мирового рынка, за ними следуют Китай, Германия и другие развитые экономики с показателями на уровне 6–8%. Россия пока занимает порядка 1,5–2%. Это отражает раннюю стадию внедрения, одновременно указывая на высокий потенциал роста.

У нас технология активнее всего развивается в финансовом секторе, ретейле и IT, где есть высокий объем данных и потребность в ускорении процессов. Именно здесь агенты начинают закрывать задачи, которые раньше требовали участия нескольких сотрудников: от обработки клиентских запросов до анализа и принятия решений в реальном времени.

Сколько стоят и сколько приносят ИИ-агенты

Внедрение ИИ-агентов требует значительных инвестиций, объем которых напрямую зависит от масштаба бизнеса. За 3 года компании могут потратить на такие проекты от 5–15 млн руб. в сегменте малого бизнеса до 200–300 млн руб. в крупном, а также порядка 1 млрд руб. в корпорациях — с учетом инфраструктуры, интеграции, лицензий и обучения персонала.

Экономический эффект от внедрения проявляется так: ускорение операционных процессов достигает 25–45%, снижение ошибок — 15–30%, а экономия фонда оплаты труда — 10–35%. В совокупности это может давать до 40% повышения эффективности в зависимости от отрасли и глубины внедрения.

Индустрия 4.0 Исследователи проверили ИИ-агентов в симуляции общества

В ретейле использование ИИ-агентов для персонализации и динамического ценообразования может увеличивать конверсию на 10–25%, а в ИКТ (технологии, медиа, телекоммуникации) автоматизация части задач позволяет ускорить процессы на 20–25% и добиться до 20% совокупной экономии.

Значительная часть эффекта ИИ-агентов проявляется не напрямую, а через рост выручки и качества решений.

Как ИИ-агенты меняют организацию

Интеграция ИИ-агентов приводит к перераспределению функций внутри компании. Часть операций уходит в автоматический контур, а роль сотрудников смещается в сторону контроля, интерпретации и принятия стратегических решений.

По мере роста числа агентных решений усиливается потребность в координации между подразделениями — IT, бизнесом, аналитиками и менеджментом, — только так можно выработать релевантные требования, обеспечить качественные данные, согласовать цели, определить критерии эффективности.

На этом фоне формируется новая управленческая функция — ИИ-лидер. Его задача состоит в управлении портфелем ИИ-инициатив, обеспечении их эффективности, контроле рисков и определении архитектуры решений. По мере масштабирования агентных систем эта роль переходит от распределенной ответственности к отдельной функции, вплоть до уровня C-level.

Показательно, что крупные компании уже движутся в этом направлении: в KPMG появилась роль менеджера по агентскому ИИ, а UBS назначил Chief AI Officer (директор по искусственному интеллекту), отвечающего за стратегию и масштабное внедрение ИИ. Появление таких позиций отражает переход от разрозненных экспериментов к системному управлению ИИ-средой и подводит к необходимости выстраивания полноценного AI Governance.

Индустрия 4.0 Год ИИ‑агентов: как российский бизнес считает окупаемость

Почему внедрение ИИ-агентов сложнее, чем кажется

Одна из ключевых проблем — сложность расчета стоимости внедрения, а также конечного экономического эффекта. В первом требуется учитывать затраты на инфраструктуру, приобретение лицензий на ПО, интеграцию с действующими системами, а также обучение сотрудников и адаптацию бизнес-процессов. На этапе планирования точно оценить такие затраты сложно, поскольку внедрение часто идет поэтапно — с пилотными запусками и последующим масштабированием, что распределяет расходы во времени и по разным направлениям.

Экономический эффект нередко проявляется косвенно: через повышение качества принимаемых решений, сокращение рутинных операций, рост удовлетворенности клиентов, а также за счет возможности масштабирования решений на разные процессы. Все это требует длительного мониторинга и сценарного анализа, чтобы выявить реальные драйверы роста ROI (возврат инвестиций. — «РБК Тренды») и потенциальные зоны риска и отклонений от плановых показателей.

Важно понимать, что внедрение ИИ-агентов всегда требует системных изменений — от пересмотра отдельных бизнес-процессов до трансформации подходов к управлению данными и изменению организационной культуры.

Также не стоит забывать про риски, которые усиливаются по мере роста автономности ИИ-агентов. Один из ключевых — галлюцинации, когда система выдает некорректные или недостоверные результаты, особенно в нестандартных сценариях. В сочетании с непрозрачностью логики принятия решений ошибки снижают доверие пользователей и усложняют контроль.

Отдельный класс рисков связан с безопасностью данных и доступом к системам. Агенты интегрируются с корпоративной инфраструктурой, а это повышает требования к защите информации, управлению правами доступа и контролю действий. Любые ошибки или уязвимости в этих контурах могут приводить к серьезным последствиям.

Что будет дальше: к новой модели бизнеса

Следующий этап эволюции ИИ в бизнесе — мультиагентные экосистемы, где несколько агентов распределяют задачи, обмениваются данными и совместно принимают решения. В таких моделях речь идет уже не об автоматизации отдельных процессов, а об управлении целыми операционными контурами.

Параллельно формируется новая логика взаимодействия человека и ИИ. Компании переходят к гибридным моделям. Сотрудники и агенты работают как единая система: алгоритмы берут на себя выполнение и анализ, а человек — контроль, интерпретацию и стратегию.

По мере масштабирования агентных решений усиливается эффект синергии: объединение нескольких систем дает результат, превышающий сумму отдельных внедрений. В результате ИИ начинает влиять не только на эффективность процессов, но и на способность бизнеса адаптироваться к изменениям и быстрее принимать решения.

Внедрение ИИ-агентов становится вопросом стратегического выбора. Компании, которые откладывают переход к таким моделям, рискуют уступить конкурентам в скорости, качестве решений и гибкости управления.