Всем привет!
В последнее десятилетие бизнес развернулся в сторону автоматизации и цифровизации, активно стал внедрять ERP, BPM, OLAP-системы и многое другое в целях повышения эффективности, прозрачности и улучшения своего P&L.
С момента массового бума ChatGPT в 2022 году бизнес решил активно исследовать и эту область– по данным отчета McKinsey не менее 78% компаний уже сейчас используют генеративный интеллект (GenAI) как минимум в одном своем бизнес-процессе. Для России по разным источникам этот показатель на уровне ~37%.
Новый тренд – создание автономных AI агентов, способных дать буст в повышении эффективности и дополнительный доход для бизнеса. Но как их делать, где применять и есть ли смысл, особенно в период высоких ставок, где все усилия направлены на поддержание ROI, а иногда и на выживание? Об этом и хотел поговорить сегодня, разобрав конструкторы AI агентов – платформы, которые без особых знаний в кодинге позволяют создавать агентов за пару часов и внедрять в свои процессы.
Для кого эта статья – в основном ориентир на руководителей и представителей разного бизнеса, т.к. речь именно о том, зачем использовать конструкторы AI агентов и чем они отличаются от классического написания агентов.
Меня зовут Павел, вместе с командой делаем AI-Native трансформацию в одном из ведущих российских банков, ранее работал в компании большой консалтинговой тройки, а также внедрял цифровые решения в других компаниях.
Как я уже упоминал выше 78% компаний уже внедрили GenAI хотя бы в один свой процесс – но где именно подавляющее большинство компаний нашли применение большим языковым моделям? В большинстве своем, GenAI решение в бизнесе AS IS – это помощник (co-pilot) сотрудника или клиента, при этом не всегда проводится дообучение / адаптация модели под реалии непосредственно компании. А на сколько это эффективно?
Тут, считаю, нужно дать 2 определения:
GenAI Co‑pilot («дополнение человека») — Aгентная система с частичной автономностью, помогающая сотруднику выполнять свои функции. Она не обладает полной автономностью, а дополняет деятельность человека, повышая его эффективность и снижая когнитивную нагрузку. GenAI Co‑pilot может понимать контекст, самостоятельно обрабатывать часть запросов, использовать специализированные знания и предлагать решения, но всегда остается под контролем пользователя. По всем действиям, кроме самых некритичных, решение принимает человек.
AI‑агент — Система на базе генеративного искусственного интеллекта, способная планировать и совершать автономные действия во внешней среде, реагировать на изменения и взаимодействовать с человеком и другими агентами для достижения поставленных целей
Вернемся к вопросу, а насколько эффективно развивать AI помощников (co-pilots)? Это не плохо, но, как показывает практика, не всегда ведет к достижению целевого эффекта: снижение расходов, значительное увеличение производительности, рост дохода? Причин несколько, хотел бы выделить две основные:
1. Ограниченная автономность → люди остаются «бутылочным горлышком»
Скорость выполнения задач растет, но не радикально, потому что человек все равно тратит время на формулировку вопроса, проверку, доуточнение и т.д.;
Экономия времени не всегда равно экономия денег, т. е. если сотрудник условно сделал 5 задач не за 8 часов, а за 7 совместно с AI — это не означает, что оставшееся время он проведет также эффективно.
2. Проблема «последней мили» — интеграция в реальные процессы, а именно:
Не встроен в рабочие инструменты (требуется человек для аркестрирования между разными этапами процессов);
Не учитывает контекст компании (документы, базы знаний, code of conduct и т. д.).
Не адаптирован под конкретные роли (один co‑pilot для всех не решит все задачи).
Возможным решением упомянутых выше задач могут стать AI‑агенты. Сферы их применения, на мой взгляд, намного шире, чем может показаться на первый взгляд:
1. Back-office – оптимизация расходов:
Автоматизация рутинных операций - обработка документов, колл-центры, поддержка пользователей и т.д.
Выстраивание оптимальных логистических цепочек: маршруты, стоимость, смены, путевые листы и т.д.;
HR функция: найм, документооборот, анализ рынка;
Финансы: регулярная отчетность, настройка бюджетных правил, создание закрывающих документов и т.д.
Маркетинг и СММ: end-to-end создание и запуск контент-планов и кампаний)
Поддержка пользователей - обработка документов, колл-центры и т.д.
…
2. Front office – увеличение доходов:
Увеличение CLTV и CR клиентов за счет персонализации и своевременного покрытия «болей» клиента
Рост MAU, DAU
Увеличение NPS и CSI клиентов за счет end-to-end клиентского пути
…
Процесс создания AI-агентов критически не отличается от любого другого внедрения нового продукта или технологии:
Сформулировать идею / гипотезу, оценить эффект и сроки на реализацию MVP решения
Протестировать гипотезу без создания решения на базе AI – здесь существуют даже отдельные книги по тестированию гипотез, например, Александр Остервальдер «Тестирование бизнес-идей»
Проработать решение. Написать самого агента или агентов, выбрать и подключить LLM, RAG, подготовить тестовый датасет для валидации качества агента
(опционально) при неудовлетворительном качестве дообучить модель под свои нужны, например, через LoRA или Prompt Tuning – это тема отдельной статьи, т.к. и способы дообучения, и требуемые ресурсы разнообразны для разных задач
Вывести решение в ПРОМ. На этом шаге опять же все зависит от размера компании и требований профильных служб. Вывод в ПРОМ в крупных компаниях может затянуться на несколько месяцев, вывод в облако в малом бизнесе – несколько часов.
Остановимся на третьем шаге «Проработать решение», как раз здесь нужно определиться: использовать low code / no code или полностью писать агента.
Low-code и no-code системы для написания AI агентов — это платформы и инструменты, позволяющие создавать AI-агентов и приложения с минимальной необходимостью программирования или вовсе без написания кода. Они используют визуальные конструкторы, готовые блоки и шаблоны, что упрощает и ускоряет разработку
Я сравнил эти два подхода по ряду ключевых факторов, которые влияют на выбор:
| Low-code / No-code системы | Классическая разработка агента (полный код) |
Время разработки | Значительно меньше. Благодаря визуальным конструкторам, готовым шаблонам и drag-and-drop можно быстро собрать работающего агента, особенно для типовых задач | Занимает существенно больше времени, требуется проектирование, написание и тестирование кода с нуля |
Трудозатраты | Минимальны. Необходимы базовые знания, а no-code подходит и для непрофессионалов. Можно привлекать бизнес-пользователей без программирования | Требуется команда разработчиков с опытом в AI, NLP и интеграциях. |
Стоимость | Стоимость платформы + стоимость потребления LLM | Стоимость потребления LLM + стоимость разработки / доработки / поддержания |
Гибкость и кастомизация | Большинство low-code инструментов позволяют создавать AI-агентов и приложения с помощью визуального интерфейса drag & drop, но при этом предоставляют возможность глубокой кастомизации через Python-код | Можно реализовать любые алгоритмы, архитектуры и интеграции |
Дообучение (кастомизация) | Возможно использовать LLM из коробки | Возможность дообучать модели под себя, добавлять адаптеры |
Безопасность | Часто данные хранятся и обрабатываются в облаке, подходит не для всех компаний (требования безы) | Можно строить полностью изолированные решения с контролем, шифрованием данных внутри компании |
Для кого подходит | Стартапам, малому и среднему бизнесу без передачи ПДН и других sensitive данных для быстрого пилотирования и автоматизации типовых задач. | Крупному бизнесу, компаниям с sensitive данными, высокими требованиям к кибербезопасности и кастомизации |
Можно сделать вывод, что Low-code идеален, если:
Нужен быстрый MVP чат-бота или простого AI-агента.
Нет ресурсов на разработку с нуля.
Хочется использовать готовые интеграции и шаблоны
Писать самостоятельно лучше, если:
Требуется максимальная гибкость и контроль
Требуется дообучение LLM
Вы готовы инвестировать время в долгосрочную разработку и поддержку
Low-code инструментов довольно много в настоящее время, вот несколько из них: Langflow, Flowise, n8n, Zapier, Bubble, Dify и многие другие. Ниже сравнил несколько их них по ключевым характеристикам: доступность в РФ, стоимость, функциональность и usability.
| Langflow | Flowise | Dify |
Страна разработки | Бразилия | США | Китай |
Работает ли сервис без VPN? | ДА | ДА | ДА |
Стоимость и тарифы | Cloud - $0 Enterprise – по запросу | $0-65 в месяц | $0-159 в месяц |
Есть ли marketplace шаблонов / агентов | ДА | ДА | ДА |
Какие LLM можно подключить? | Множество LLM через API | Множество LLM по API (GPT, LLaMA и т.д.) С DeepSeek и Qwen по API могут быть сложности, лучше локально через Ollama | Множество LLM через API |
Мультимодальность | ДА | ДА | ДА |
Поддержка RAG | ДА | ДА | ДА |
Каналы интеграции | Соц. сеты / чаты, на сайт | ||
Техподдержка | Community в разных каналах, разрешение общих проблем в GitHub | Community в разных каналах, email support в платном тарифном плане | Community в разных каналах, email support в платном тарифном плане |
Обучающие курсы | Есть расширенный tutorial на сайте, видео на YouTube и множество примеров вcommunity | ||
Варианты размещения | Cloud / on-prem | ||
Надеюсь, эта статья была полезна в том, что такое AI агенты, зачем они нужны и какие варианты их разработки сейчас есть на рынке.
Буду рад вашим комментариям!
