Почему ChatGPT не заменяет ИИ-агентов в корпоративной автоматизации

За последние годы ChatGPT, Claude, Gemini и другие языковые модели стали привычным рабочим инструментом для инженеров, аналитиков, разработчиков и менеджеров. Они помогают писать код, анализировать документы, искать информацию, работать с таблицами и ускорять множество повседневных задач.

На этом фоне у компаний возникает закономерный вопрос: если сотрудники уже используют ChatGPT и умеют работать с ним достаточно продвинуто, зачем инвестировать в разработку ИИ-агентов?

Однозначного ответа «ChatGPT недостаточно» здесь нет. В некоторых сценариях готового ИИ-инструмента действительно достаточно. Более того, с помощью API, подключаемых инструментов, автоматизаций и других возможностей ChatGPT можно построить довольно сложные рабочие процессы.

Поэтому вопрос стоит ставить иначе: в какой момент возможностей готового ИИ-инструмента становится недостаточно для автоматизации корпоративного процесса?

В этой статье разберем, чем использование ChatGPT отличается от внедрения ИИ-агента, в каких сценариях агент действительно дает дополнительную ценность и что необходимо учитывать перед его разработкой.

Разница между ChatGPT и ИИ-агентом не сводится к тому, что один умеет отвечать на вопросы, а другой — выполнять действия. Современные ИИ-инструменты уже способны подключаться к внешним сервисам, работать с файлами и использовать дополнительные инструменты.

Главное различие — в уровне автоматизации.

ChatGPT может значительно ускорить отдельные этапы работы человека. Например, при подготовке коммерческого предложения менеджер может использовать его, чтобы сформулировать текст, проанализировать требования клиента или подготовить описание продукта.

Но сам бизнес-процесс при этом может оставаться ручным. Менеджеру по-прежнему необходимо:

• найти актуальные характеристики продукции;
• проверить цены и остатки;
• получить информацию из CRM или ERP;
• свериться с предыдущими договорами и документами;
• собрать необходимые материалы;
• сформировать коммерческое предложение;
• отправить его на согласование;
• зафиксировать результат в корпоративной системе.

Часть этих операций можно автоматизировать и с помощью отдельных инструментов, API или собственных сценариев вокруг ChatGPT. Но по мере того, как количество шагов и систем увеличивается, задача превращается уже не в использование языковой модели, а в разработку полноценного программного решения.

ИИ-агент в таком случае становится частью самого бизнес-процесса. Он может получить входящую заявку, определить необходимые действия, обратиться к корпоративным данным, вызвать нужные сервисы, обработать документы, сформировать результат и передать его сотруднику на согласование.

То есть ключевой вопрос не в том, какая система «умнее». ChatGPT может быть достаточным инструментом для отдельной задачи, а ИИ-агент нужен там, где требуется систематически автоматизировать последовательность действий.

Не каждой компании нужен отдельный ИИ-агент. Если сотруднику нужно время от времени проанализировать документ, подготовить текст, написать SQL-запрос, разобраться в технической документации или получить помощь в решении задачи, готового ИИ-инструмента может быть вполне достаточно.

Даже более сложные сценарии можно построить вокруг API, подключаемых инструментов и автоматизаций. Поэтому разработка собственного агента не должна быть самоцелью.

Отдельное решение начинает иметь смысл, когда автоматизировать нужно не работу самого пользователя с ИИ, а устойчивый бизнес-процесс, который должен выполняться регулярно и с минимальным ручным сопровождением.

В первую очередь стоит обратить внимание на процессы, которые:

• регулярно запускаются без участия или по минимальному запросу сотрудника;
• требуют последовательного выполнения нескольких действий;
• используют данные из нескольких корпоративных систем;
• обрабатывают большой поток однотипных задач;
• имеют понятные правила и критерии качества;
• требуют журналирования и контроля результата;
• содержат операции, которые можно передать системе, оставив человеку только контрольные точки.

Например, сотрудник может самостоятельно попросить ChatGPT проверить один счет. Но если компании необходимо ежедневно обрабатывать сотни счетов, сверять их с данными ERP, выявлять расхождения, сохранять результаты и передавать спорные случаи бухгалтеру, это уже задача для автоматизированного процесса.

Таким образом, продвинутое использование ChatGPT и разработка ИИ-агента не обязательно конкурируют друг с другом. Во многих случаях ChatGPT становится одним из компонентов будущей системы.

Языковая модель сама по себе предназначена для работы с информацией: она анализирует входные данные и генерирует результат. Чтобы превратить эту возможность в автоматизированный бизнес-процесс, вокруг модели создается программная система, которая может взаимодействовать с другими компонентами корпоративной инфраструктуры.

Получив задачу, агент может определить, какие действия необходимо выполнить, и обратиться к соответствующим инструментам:

• получить информацию из ERP или CRM;
• найти документы в корпоративной базе знаний;
• использовать RAG для поиска релевантного контекста;
• распознать данные в PDF, сканах или инженерных чертежах;
• вызвать внешний или внутренний API;
• создать запись в корпоративной системе;
• сформировать документ или коммерческое предложение;
• запустить следующий этап бизнес-процесса;
• передать задачу сотруднику, если требуется его решение.

В результате языковая модель становится только одним из компонентов решения. Остальную работу обеспечивают интеграции, бизнес-логика, оркестрация, специализированные ИИ-модули и механизмы контроля.

Именно поэтому корпоративный ИИ-агент – это не просто ChatGPT с большим количеством инструкций. Это программная система, которая связывает возможности LLM с данными и сервисами компании и использует их для выполнения конкретного процесса.

Для корпоративных задач проблема обычно не в отсутствии у языковой модели общих знаний. Гораздо важнее другой вопрос: какой корпоративный контекст получает модель в момент выполнения конкретной задачи и откуда он берется.

Внутренняя информация компании распределена между разными системами: ERP, CRM, SharePoint, файловыми хранилищами, базами знаний, технической документацией и специализированными приложениями.

Например, при подготовке коммерческого предложения могут одновременно понадобиться актуальные характеристики продукта, цены из ERP, информация о клиенте из CRM и техническая документация из внутреннего хранилища.

Просто передать все эти документы в один запрос — не лучший способ построения корпоративной системы. Необходимо определить, какие источники использовать, какие данные доступны конкретному пользователю, как находить релевантную информацию и как обеспечить ее актуальность.

Здесь в архитектуре ИИ-агента может использоваться RAG. Он позволяет извлекать необходимый контекст из корпоративных источников и передавать модели именно те данные, которые нужны для решения текущей задачи.

При этом RAG не решает автоматически все проблемы достоверности: найденные данные также требуют контроля, а для критичных процессов необходимы дополнительные проверки и бизнес-правила.

Таким образом, преимущество корпоративного агента заключается не в том, что он «знает больше ChatGPT», а в том, что его можно спроектировать для управляемой работы с актуальными корпоративными данными и системами.

Пока речь идет о разовой задаче, возможности языковых моделей действительно впечатляют. Они способны анализировать техническое задание, работать с объемным документом или таблицей и находить в них нужную информацию.

Но корпоративные процессы редко состоят из одной задачи. Обычно это непрерывный поток однотипных операций: поступают новые счета, заявки клиентов, договоры, спецификации, письма или инженерные документы.

LLM хорошо справляется с анализом одного большого набора данных, но не предназначена сама по себе для непрерывной обработки потока задач.

Представим бухгалтерию, в которую ежедневно поступает 800 счетов от поставщиков. Каждый отдельный счет можно передать языковой модели и попросить извлечь реквизиты, проверить суммы или сравнить данные с заказом.

Но для автоматизации процесса необходимо решить гораздо больше задач:

• получить новые документы;
• распределить их по нужным сценариям;
• извлечь данные;
• проверить результат;
• сопоставить его с информацией в ERP;
• зафиксировать результат;
• обработать исключения;
• передать спорные случаи сотруднику;
• повторить обработку, если произошел технический сбой.

Именно эту часть работы берет на себя агентная система. Она превращает отдельный вызов языковой модели в воспроизводимый процесс, который может запускаться автоматически и масштабироваться вместе с объемом задач.

Разработка ИИ-агента сама по себе требует инвестиций. Помимо стоимости языковых моделей необходимо учитывать разработку интеграций, бизнес-логику, тестирование, мониторинг, безопасность и дальнейшую поддержку системы.

Поэтому автоматизировать с помощью агента любой процесс только потому, что технически это возможно, не имеет смысла.

В первую очередь стоит искать экономический эффект там, где:

• большой объем повторяющихся операций;
• процесс выполняется регулярно;
• значительная часть рабочего времени уходит на рутину;
• стоимость ошибки можно оценить;
• есть понятные критерии качества результата;
• объем работы может расти быстрее, чем штат сотрудников;
• процесс достаточно стабилен и его правила не меняются каждую неделю.

Экономический эффект может возникать из нескольких источников: сокращения ручных операций, ускорения процесса, снижения количества ошибок и возможности обрабатывать больший объем задач без пропорционального увеличения штата.

Например, если подготовка одного коммерческого предложения занимает два часа, а агент сокращает ручную работу до 15 минут, эффект можно посчитать непосредственно через количество предложений и стоимость рабочего времени. Если же процесс выполняется несколько раз в месяц и каждый раз существенно отличается от предыдущего, разработка отдельного агента может оказаться экономически неоправданной.

При расчете ROI важно учитывать не только первоначальную разработку. Агент становится частью корпоративной ИТ-инфраструктуры и требует дальнейшей поддержки: изменения интеграций, адаптации к новым форматам документов, мониторинга качества и доработки при изменении самого бизнес-процесса.

Поэтому перед разработкой важно определить не только техническую реализуемость, но и стоимость владения системой на всем протяжении ее жизненного цикла.

ИИ-агентов часто воспринимают как полностью автономные системы, которые должны самостоятельно принимать все решения. Для корпоративных процессов такой подход подходит далеко не всегда.

Существуют операции, где цена ошибки слишком высока: согласование договора, проведение платежа, отправка коммерческого предложения, утверждение проектной документации или обработка финансовых документов.

В таких сценариях задача ИИ – не заменить эксперта, а снять с него рутинную подготовительную работу.

Поэтому корпоративные агентные системы могут строиться по принципу Human in the Loop (HITL) – человек остается в контуре принятия решений.

Агент может самостоятельно:

• собрать данные из корпоративных систем;
• проанализировать документы;
• выполнить необходимые проверки;
• сформировать результат;
• определить, есть ли отклонения от заданных правил.

Если процесс проходит стандартный сценарий, система может завершить его автоматически. Если обнаружено расхождение, нестандартный документ или другое исключение, задача передается сотруднику.

Такой подход позволяет постепенно увеличивать уровень автоматизации, сохраняя человеческий контроль там, где он действительно необходим.

Подключение ИИ-агента к корпоративным системам дает ему возможности, которых нет у обычного чат-интерфейса. Агент может не только получать информацию, но и выполнять действия в CRM, ERP, 1С или других системах.

Поэтому при разработке корпоративного агента необходимо учитывать не только защиту данных, но и безопасность выполняемых им действий.

В частности, важно контролировать права доступа агента, использовать принцип минимально необходимых привилегий, журналировать действия и предусматривать подтверждение критичных операций человеком.

Отдельный риск связан с prompt injection и другими атаками, при которых специально сформированный входящий контент пытается изменить поведение модели. Если у агента есть доступ только к чтению информации, последствия такой атаки одни. Если же агент имеет право изменять данные или запускать бизнес-операции, потенциальный ущерб существенно выше.

Поэтому чем больше полномочий получает ИИ-агент, тем важнее становятся архитектурные ограничения, контроль доступа, мониторинг и Human in the Loop.

Продвинутое использование ChatGPT действительно способно закрыть большое количество задач, и не каждой компании нужен отдельный ИИ-агент. Выбор происходит не между "простым ChatGPT" и "умным агентом", а между помощью сотруднику и автоматизацией самого бизнес-процесса.

ИИ-агент имеет смысл рассматривать там, где необходимо регулярно обрабатывать поток задач, взаимодействовать с корпоративными системами, выполнять последовательность действий и передавать человеку только те операции, где требуется его экспертиза или решение.

При этом агентная автоматизация не является универсальным решением. Перед внедрением необходимо оценить сам процесс: насколько он повторяем и стабилен, сколько ресурсов сейчас требует его выполнение, какие ошибки возникают, какие KPI можно улучшить и каким будет не только эффект от автоматизации, но и стоимость разработки и дальнейшей поддержки.

Отдельно стоит оценить требования к безопасности, доступу к корпоративным данным и уровню автономности системы.

Поэтому начинать внедрение ИИ-агента стоит не с выбора модели, а с анализа конкретного бизнес-процесса и ожидаемого результата. Если понятны текущие показатели процесса, потенциальный эффект и ограничения, уже после этого можно выбирать архитектуру и уровень автоматизации.

Если вы рассматриваете внедрение ИИ-агента, но пока не уверены, какой процесс имеет смысл автоматизировать, такой анализ можно провести вместе с технической командой. Он поможет определить потенциальный ROI, требования к интеграциям и данным, необходимый уровень участия сотрудников и целесообразность разработки решения.