ИИ-агент, чат-бот или автоматизация: короткий ответ
Берите обычную автоматизацию, когда шаги известны заранее, а входные данные структурированы. Добавьте один шаг LLM, когда в одном из этих шагов нужно прочитать или написать свободный текст: письмо, голосовое сообщение, отсканированный документ. Берите чат-бот, когда люди хотят спрашивать своими словами и получать ответы из ваших материалов или данных. Берите ИИ-агента только тогда, когда сама модель должна выбирать, какие инструменты вызывать и в каком порядке, чтобы завершить задачу.
Большинству первых бизнес-проектов нужен второй вариант, автоматизация с одним шагом LLM, а продают им четвертый. Это руководство для владельца бизнеса или руководителя операционного отдела, которому сказали «вам нужен ИИ-агент» и который хочет проверить это, прежде чем платить.
Чем отличаются ИИ-агент, чат-бот и автоматизация?
Разница в том, кто решает, что будет дальше.
| Автоматизация | Автоматизация с шагом LLM | Чат-бот | ИИ-агент | |
|---|---|---|---|---|
| Кто решает шаги | Разработчик, заранее | Разработчик, заранее | Человек в чате | Модель, во время выполнения |
| Что делает модель | Ничего | Читает или пишет один кусок свободного текста | Отвечает на вопросы из ваших материалов или данных | Планирует, вызывает инструменты, проверяет результаты, повторяет |
| Меняет данные сама | Да, по фиксированным правилам | Да, по фиксированным правилам | Редко, обычно действует человек | Да, в пределах своих прав |
| Типичный пример | Новый заказ идет в ERP и Slack | Голосовое сообщение становится структурированной задачей | Бот поддержки отвечает из справочного центра | Агент разбирает неудавшийся платеж в трех системах и готовит черновик возврата средств |
| Вызовов модели на задачу | 0 | 1 | 1-3 на вопрос | 5-50 |
| Главный риск | Ломается, когда меняются входные данные | Ошибочное извлечение данных | Неверный или выдуманный ответ | Ошибочное действие в реальной системе |
«ИИ-агент», который всегда выполняет те же четыре шага в том же порядке, это автоматизация с шагами LLM, как бы ее ни называли в презентации. Это не упрек: обычно это более дешевый и надежный вариант.
Тест из трех вопросов
Отвечайте на них об одной конкретной задаче, а не про «ИИ в компании».
Вопрос 1. Можно ли записать шаги до начала задачи? Если новый сотрудник мог бы пойти по чек-листу, это автоматизация. Если один из шагов такой: «прочитай это письмо и найди номер заказа», это шаг LLM внутри автоматизации. Только когда следующий шаг действительно зависит от того, что нашел предыдущий, и отличается от случая к случаю, задача имеет форму агента.
Вопрос 2. Вход это вопрос от человека или событие в системе? Если люди пишут вопросы своими словами и хотят ответ, нужен чат-бот, с поиском по вашим документам, если ответы живут там. Если триггер это событие, например новая заявка, загрузка или форма, нужна автоматизация или агент, а окно чата ничего не добавляет.
Вопрос 3. Сколько стоит ошибочное действие по сравнению с проверкой человеком? Если ошибка дешевая и обратимая, например неверный тег или черновик, который никто не отправил, система может действовать сама. Если она двигает деньги, удаляет данные или пишет клиенту, сначала подтверждает человек. Агент, которому нужно подтверждение на каждое действие, это медленный чат-бот с лишними шагами; тогда автоматизация с экраном проверки проще и дешевле.
| Ваши ответы | Что строить |
|---|---|
| Шаги известны, структурированный вход | Автоматизация |
| Шаги известны, один шаг со свободным текстом | Автоматизация с шагом LLM |
| Люди спрашивают своими словами | Чат-бот, с поиском, если ответы в документах |
| Шаги разные для каждого случая, несколько систем, действия в основном обратимы или подтверждены | ИИ-агент |
Чему нас научила наша собственная доска проектов
В нашей внутренней доске проектов, системе, которой каждый день пользуются наша команда и клиенты, есть пять ИИ-функций. Четыре из них это шаги LLM внутри фиксированных процессов, а одна территория агента:
- Голосовое сообщение в задачу. Записанное голосовое сообщение расшифровывается и переписывается как структурированное описание задачи. Один вызов расшифровки, один вызов модели, фиксированный порядок.
- Черновик задачи из клиентского запроса. Слова клиента на входе, первое описание задачи на выходе, и человек его редактирует. Один вызов модели.
- Ежедневный отчет и утренний брифинг. Доска сама считает числа из базы данных, а модель только превращает эти числа в короткий читаемый текст. Модель никогда не вычисляет цифру, поэтому не может ее выдумать.
- Голосовой брифинг. Тот же текст превращается в аудио. Один вызов, кешированный.
- Кодовые агенты на доске. Инженеры и ИИ-агенты для кода берут задачи через MCP-сервер над доской, читают спецификацию, меняют код, запускают тесты и публикуют результаты на проверку. Здесь модель сама решает, какие файлы читать и какие команды запускать, значит это агент, и каждое изменение все равно проходит обычное ревью кода.
Каждый из четырех шагов LLM это один метод в одном небольшом сервисе, который вызывает OpenAI API. Настройка агента это другой масштаб работы: сервер инструментов, права на каждый инструмент и этапы проверки. Оба решения были правильными для своей задачи, и ни одно не подошло бы для другой. Наше руководство что такое MCP-сервер объясняет слой инструментов, который стоит за частью с агентом.
Когда чат-бот является правильным ответом
Чат-бот подходит, когда труднее всего понять вопрос и найти ответ, а не действовать по нему:
- Вопросы поддержки и предпродажные вопросы, на которые отвечают из вашего справочного центра, документации продукта или политик.
- Внутренние знания, например «какая наша политика возврата для годовых тарифов» или «какой шаблон мы используем для немецкого клиента».
- Пошаговый заказ в канале мессенджера, где бот собирает детали шаг за шагом. В сервисе подписки на цветы, который мы построили, Telegram-бот ведет клиента через восьмишаговый заказ, и языковая модель не нужна вообще, потому что шаги фиксированы.
Этот последний пример стоит запомнить: интерфейс чата не означает языковую модель, а языковая модель не означает агента. Для украинского бизнеса это типичная ситуация: Telegram-бот, который принимает заказы или заявки, часто вообще обходится без ИИ, а языковая модель нужна, только когда бот должен понимать свободный текст.
Когда ИИ-агент стоит своих денег?
Агент оправдывает свою дополнительную цену, когда выполняется все из перечисленного:
- Задача встречается достаточно часто, чтобы иметь значение, не меньше десятков раз в неделю.
- Путь действительно разный: разные случаи требуют разных систем в разном порядке.
- У систем есть API, которые агент может вызывать, с правами, которые можно ограничить на каждый инструмент.
- У вас есть 50-100 реальных прошлых случаев, на которых его можно проверить до выхода в продакшен.
- Рискованные действия можно пропускать через подтверждение человеком без потери сэкономленного времени.
Типичные хорошие примеры: сортировка обращений в поддержке, когда нужно просмотреть заказы, платежи и доставку, прежде чем составить ответ, исследовательские задачи со сбором данных из нескольких источников и инженерные задачи на хорошо протестированной кодовой базе. Руководство как создать ИИ-агента проводит через план на 30 дней, а ИИ-агенты для бизнеса перечисляет 15 примеров с автономностью, которую каждому стоит дать в первый день.
Сколько стоит каждый вариант?
| Стоимость создания у нас | Стоимость работы | |
|---|---|---|
| Автоматизация (без LLM) | От 10 000 USD за основной процесс в коде; простые сценарии умещаются в Zapier или n8n | Хостинг, часто 50-300 USD в месяц |
| Автоматизация с шагом LLM | От 10 000 USD, часто как один шаг, добавленный к существующей системе | Один вызов модели на единицу |
| Чат-бот | От 10 000 USD; 10 000-20 000 USD с живыми запросами к данным и передачей человеку | 1-3 вызова модели на вопрос плюс поиск |
| ИИ-агент | От 10 000 USD за один процесс; 10 000-30 000 USD за агента со многими инструментами | 5-50 вызовов модели на задачу плюс мониторинг |
Типичное агентство из США или Великобритании называет цену примерно в 2,5-4 раза выше за тот же объем; для украинского заказчика это ориентир при сравнении предложений. Как агентства ценообразуют такую работу, объясняет наше руководство автоматизация бизнес-процессов с ИИ. Если процесс простой и малообъемный, честный ответ может быть «безкодовый инструмент и никакого проекта»; где проходит эта граница, помогает понять сравнение n8n и Make. Если ответ агент и вы выбираете, кто его построит, начните со списка компаний, которые разрабатывают ИИ-агентов.
Типичные ошибки
- Покупать агента для задачи по чек-листу. Если шаги никогда не меняются, агент добавляет стоимость, задержку и новый способ сбоя.
- Ставить окно чата на процесс, управляемый событиями. Никто не хочет общаться со счетом. Обработайте его, когда он поступил, и покажите исключения человеку.
- Разрешать модели считать числа. Считайте в коде, а модели оставьте только описать результат.
- Нет тестового набора. Без 50-100 реальных прошлых случаев невозможно сказать, улучшило изменение систему или ухудшило.
- Привязка к платформе для первой версии. Чат-бот на вашем коде может вырасти в агента позже; чат-бот внутри закрытой платформы обычно нет.
Как мы решаем вместе с клиентами
Каждый ИИ-проект мы начинаем с тех же трех вопросов на одной конкретной задаче, часто уже на первой встрече. Когда ответ автоматизация с одним шагом LLM, мы так и говорим, хотя проект тогда меньше, чем ожидал клиент. Когда агент действительно подходит, мы строим его на ваших системах с правами на каждый инструмент, тестовым набором и подтверждением рискованных действий. Смотрите наши услуги разработка ИИ-агентов, разработка ИИ-чат-ботов, ИИ-автоматизация и разработка на n8n или напишите нам и опишите задачу, которую хотите передать.