Почему AI-агент — ассистент, а не заменитель человека

«Уволим половину отдела — ИИ справится». Если это ваш план, приготовьтесь к реальности: без человека в контуре контроля вас ждут ошибки, риски и лишние расходы. Рассказываем, где ИИ силён, а где нужен живой мозг.

За последний год на рынке произошёл сдвиг: запросы сместились от мечты «заменить человека» к чётким и достижимым KPI. Если раньше звучало «сделайте ИИ, который заменит главбуха», то сегодня запросы практичны: «цена должна динамически меняться в зависимости от цен конкурентов» или «нужны точные прогнозы спроса и остатков по каждому SKU × складу».

Пользователи уже понимают, где ИИ работает, и формируют устойчивые паттерны использования. Наша ответственность как разработчиков — учитывать эти паттерны при проектировании, чтобы продукты действительно использовали, а не «ради галочки» внедряли на 5 000 человек без эффекта — иначе люди вернутся к тому, чем пользовались годами, потому что так быстрее и понятнее. 

Чтобы говорить на одном языке, используем простую лестницу зрелости систем:

1. LM-уровень — разовая генерация «здесь и сейчас»: переименовать товар, переформулировать текст.
2. Ассистент — диалог «вопрос–ответ» с поиском, структурированием и подсказками следующего шага — именно здесь и рождается прирост КПД пользователя.
3. Агент — система, которая сама принимает решения и выполняет действия во внешних системах (автономно или по команде), оценивая «можно/нужно ли» сделать шаг.

Мы сознательно пришли к позиционированию агентов как ассистентов, а не заменителей: это помощники, за которыми окончательную проверку может проводить человек. В таком формате они реально увеличивают КПД сотрудников на 30–40% в месяц и дают понятную экономику: ассистент ускоряет поиск, расчёты и оформление, а ответственность и финальный выбор остаются за профессионалом.

Кейс

У компании росли продажи — и лавинообразно увеличивался поток отзывов на маркетплейсах. Приходили тысячи сообщений: разбор занимал 1–2 дня, ответ получали лишь ~30%. В результате накопился негатив, просели репутационные метрики и росли операционные издержки. Мы развернули AI-систему, которая автоматически принимает и анализирует отзывы, формирует краткие выжимки для карточек и публикует бренд-корректные автоответы прямо на площадке.

И как бы ни хотелось верить в полную автономию, сегодня LLM в ряде задач не готова заменить человека, но она уже может «подогнать» черновик, облегчить рутину.

Кейс

Сотрудники в юридическом подразделении и отделе закупок регулярно сталкиваются с необходимостью вручную собирать данные из разных источников — коммерческих предложений, технических заданий, протоколов закупок, шаблонов договоров и др. После этого им предстоит ещё и вручную формировать проект договора, что требует много времени, повышает риск ошибок и замедляет процессы. Мы внедрили Telegram-бота, который позволяет автоматизировать процесс подготовки договора, самостоятельно «подтягивая» необходимые сведения из входных файлов и CRM, сопоставляет их с нужными полями шаблона и проверяет корректность соответствий. Но на финальном этапе включается «human-in-the-loop»: сформированный проект договора направляется сотруднику на проверку и утверждение.

Без человека не обойтись и на уровне отстройки бизнес-процессов, которые постоянно меняются, а агент вполне может их «не догонять». 

Здесь решает архитектура. Мы разделяем знания на два «слоя»:— фундаментальный (закладывается при дообучении),— динамический (регламенты, правила, инструкции, которые часто обновляются).

С такой конструкцией не нужно «перешивать» модель каждые полгода — достаточно оперативно обновлять динамический слой, и ассистент продолжит идти в ногу с процессом пользователя. Но, повторюсь, без человека тут снова никуда. 

По данным Russian Business (со ссылкой на отчёт WEF Future of Jobs 2025), к 2030 году ИИ создаст около 170 млн новых рабочих мест по миру, при этом ~22% нынешних специальностей и вакансий исчезнут; часть сотрудников (~8%) перейдёт в другие сферы, а суммарный эффект даст чистый рост занятости ≈7%. 

Отсюда логичный переход к новой операционной модели. Вместо классического «наняли ещё одного работягу» компании переходят к связке ИИ-агент + человек.

Измерение эффективности работы человека тоже смещается — вместо FTE на первый план выходит стоимость и качество закрытия конкретной задачи. 

Меняются и практики менеджмента: резюме само по себе уже мало что говорит, важнее «скилл-граф» — подтверждённые навыки и результаты в кейсах, проектах, репозиториях. 

На этой базе формируется динамическая цена труда. Ставка зависит от: 

1. сложности и срочности задачи, 
2. качества прошлых выполнений,
3. наличия альтернативных исполнителей. 

Итог — новая модель занятости, где ключевая ценность рынка — гибкость и прозрачная оценка компетенций.

Где AI не заменит человека? 

Юридически значимые действия и деньги: 

1. подписи/утверждения договоров, оферт, актов; 
2. финансовые проводки, платежные поручения и возвраты; 
3. изменения ценовых политик/скидок с правовыми последствиями; 
4. любые действия с персональными данными вне согласованного контура.

Репутационные коммуникации: 

1. публичные ответы при эскалации/негативе; 
2. коммуникации «от имени компании/топ-менеджера»; 
3. контент с правовыми рисками (медицина, юридические советы, комплаенс).

Безопасность и доступы: 

1. выдача/изменение прав; 
2. операции с критичными системами (ERP, бухгалтерия, биллинг); изменения политики хранения/удаления данных.

Критичные бизнес-правила и исключения: 

1. решения вне границ контроля (аномальные суммы, редкие сценарии); 
2. конфликты правил/источников (несовпадение справочников, дубль-записи); 
3. любые ручные исключения параметров модели/агента.

Качество данных и интерпретация: 

1. уточнение противоречивых данных, выбор «истины» при расхождениях; 
2. решения на основе предсказаний с низкой достоверностью; 
3. утверждение обучающих/внутренних датасетов и разметки.

Изменения процессов/регламентов: 

1. введение новых шагов в SLA/KPI/маршрутов согласований; 
2. перенастройка бизнес-логики, влияющая на расчёты/отчётность; 
3. переобучение модели.

Задачи с требуемой точностью 99%+:

1. медицинская диагностика;
2. финансовое прогнозирование;
3. контроль качества на производстве и иные критичные сценарии.

LLM — генеративная модель, а не калькулятор/статистический пакет; правдоподобно ≠ гарантированно верно. Для предсказаний — профильные ML/статистические модели и статистические методы.

Ключевой вывод: ИИ не «вытесняет людей поголовно», а перестраивает роли и перераспределяет задачи — выигрывают те, кто использует ИИ как ассистента и ускоритель процессов, оставляя критичные решения людям.