Разработка ИИ-агента для бизнеса в 2026 году стоит от 200 тысяч ₽ за пилот на базе готового фреймворка до 5-10 млн ₽ за корпоративное решение с интеграциями в учётные системы; основные факторы цены — глубина интеграций, требования к безопасности данных и степень автономности агента. Самый частый провал пилотов в корпоративном сегменте связан не с качеством модели, а с неверным выбором между простым workflow и автономным агентом и с попыткой заменить агенту процесс, который должен оставаться человеческим.
Что такое ИИ-агент и чем он отличается от чат-бота или RPA
ИИ-агент — это LLM-система, которая сама выбирает, какие инструменты вызвать и в каком порядке, чтобы довести задачу пользователя до результата. Anthropic в материале Building Effective Agents разделяет такие системы на два архитектурных класса: workflows (жёсткие цепочки шагов, заданные кодом) и agents (LLM сама управляет процессом и выбором инструментов). Чаты и классические RPA — это не агенты: первый не действует, второй не «думает», а только повторяет записанные действия.
Практический критерий простой: если задача распадается на конечный граф шагов с понятными условиями — это workflow на LLM. Если шаги заранее неизвесты и зависят от содержимого документа, ответа внешней системы или действий пользователя — это уже агент.
Когда агенту нужны инструменты, а когда хватает одного вызова LLM
Anthropic отдельно подчёркивает: для большинства прикладных задач оптимизация одного вызова LLM с retrieval (RAG) и примерами в контексте даёт сопоставимое качество без лишних задержек и стоимости. Агентные циклы оправданы, когда задача требует:
- нескольких решений по ходу выполнения (например, найти контрагента → проверить его в реестре → сформировать письмо → дождаться подтверждения);
- доступа к инструментам с побочными эффектами (CRM, ERP, почта, платёжные системы);
- устойчивости к непредсказуемым ответам (парсинг сайтов, нестабильные API).
Если этих трёх пунктов нет — агент только увеличит бюджет и латентность.
Сколько стоит разработка ИИ-агента в 2026 году
Прямых открытых «прайсов» на рынке нет: большинство подрядчиков считают проекты индивидуально, а закупки идут через пилот на 2–3 месяца с фиксированным бюджетом. Нижняя граница пилотов в РФ на 2026 год — 200 тыс. –2 млн ₽, верхняя для enterprise-интеграции с 1С, SAP или собственным хранилищем — 5–10 млн ₽. За пределами РФ enterprise-пилоты стартуют от $150–250 тыс. по данным обзоров интеграторов.
Из чего складывается бюджет
| Статья расходов | Доля в бюджете | Комментарий |
|---|---|---|
| Аналитика и проектирование | 10–15% | Доменная модель, выбор workflow vs agent, критерии успеха |
| Интеграции с учётными системами | 25–35% | API, очереди, обработка ошибок, тестовые стенды |
| Безопасность и инфраструктура | 15–25% | VPC/On-prem, логирование, RBAC, маскирование ПДн |
| Разработка и тестирование агента | 20–30% | Промпты, tool-схемы, эвалюация, нагрузочные тесты |
| Эксплуатация и сопровождение (1 год) | 10–20% | LLM-токены, мониторинг, дообучение, on-call |
Стоимость токенов в бюджете обычно меньше 10% — это устойчивое заблуждение у заказчиков. Дороже всего обходятся интеграции и согласования безопасности.
Workflow vs автономный агент: что выбрать для бизнес-задачи
В обзоре The Landscape of Emerging AI Agent Architectures for Reasoning, Planning, and Tool Calling (Masterman, Besen, Sawtell, Chao, 2024, arXiv:2404.11584) показано: одиночные агенты с планированием справляются с большинством бизнес-задач лучше, чем сложные мульти-агентные системы, при сопоставимых затратах. Это совпадает с практикой Anthropic: самые успешные внедрения строятся на простых компонуемых паттернах, а не на «фреймворке ради фреймворка».
Практическое правило выбора архитектуры такое. Workflow подходит для процессов, которые заранее известны, есть регламенты и SLA, а цена ошибки высокая (финансы, compliance, KYC). Одиночный агент нужен там, где задача требует адаптации к контексту — аналитика, подготовка документов, поддержка продаж. Мульти-агентная система оправдана только при явной модуляции по доменам и необходимости разделить ответственность (например, юридический, финансовый и технический ревью).
На чём строят корпоративных ИИ-агентов в 2026 году
Рынок инструментов в 2026 году стабилизировался вокруг четырёх зрелых стеков.
Фреймворки и платформы
- LangGraph (LangChain) — низкоуровневый runtime с явным состоянием графа, human-in-the-loop, persistence памяти и потоковой передачей токенов. Подходит, когда заказчику важна предсказуемость и контроль исполнения.
- Microsoft Foundry Agent Service — облачная платформа с managed-инструментами, контент-фильтрами, агентной observability и hosted-агентами. Документация Microsoft регулярно обновляется (последнее обновление — июль 2026).
- AWS Bedrock Agents и Google Vertex AI Agents — для заказчиков, уже сидящих в экосистеме конкретного cloud-провайдера.
- OpenAI Agents SDK / Anthropic Claude Agent SDK — для узких in-house задач, где команда готова сама поддерживать инфраструктуру.
Корпоративный сектор всё чаще выбирает managed-сервисы (Foundry, Bedrock, Vertex) из-за требований по безопасности и сертификации, даже если у команды есть компетенция строить на LangGraph.
Базовые LLM под агентов
Под агентов обычно берут модели с сильной функцией tool calling и длинным контекстом: Claude Sonnet 4.5 / Opus 4.1, GPT-5, Gemini 2.5 Pro, а для российского enterprise — GigaChat-Pro, YandexGPT 4 Pro и локальные варианты (для отраслей с жёсткими требованиями к ПДн).
Где чаще всего проваливаются корпоративные пилоты ИИ-агентов
MIT Media Lab в 2025 году запустил исследовательскую программу NANDA (Networked Agents and Decentralized AI), в которой прямо зафиксировано: массовые корпоративные пилоты 2024–2025 годов показали, что автономные агенты «часто не способны завершить сложные многошаговые задачи надёжно, особенно когда требуется интеграция с реальными корпоративными системами». Из этих наблюдений вытекают три повторяющиеся причины провала.
Первая — плохая сегментация задачи. Подрядчик берётся за «автоматизировать всё взаимодействие с клиентом», вместо того чтобы сузить пилот до одной измеримой метрики. Вторая — отсутствие human-in-the-loop на критических шагах. Действия с побочным эффектом (платежи, изменения в CRM, отправка договоров) не должны выполняться агентом без подтверждения. Третья — завышенные ожидания по качеству LLM. Качество ответов упирается в данные, регламенты и интеграции, а не в выбор между GPT-5 и Claude.
Как выбрать подрядчика на разработку ИИ-агента
Чек-лист, который работает и в РФ, и на зарубежном рынке.
- Портфолио по конкретной архитектуре. Не «делали LLM-ботов», а именно агентов с tool calling и интеграциями в учётные системы.
- Свой эвалюационный стенд. Подрядчик должен уметь показать, как он измеряет точность, полноту и долю успешно завершённых сценариев, а не только демо-ролик.
- Готовность к on-prem или VPC. Если у заказчика требования по ПДн или 152-ФЗ, подрядчик обязан уметь развернуть агента внутри периметра клиента.
- Разделение ответственности. В договоре должны быть прописаны SLA по качеству, формат отчётности и условия дообучения.
- Поддержка и стоимость токенов. Прямо спросите, сколько будет стоить эксплуатация за месяц при целевом объёме запросов — это отсеивает «демо-команды».
Частые вопросы
- Чем ИИ-агент отличается от обычного чат-бота?
- Чат-бот отвечает на сообщения по сценарию или retrieval. ИИ-агент сам выбирает, какие инструменты вызвать и в каком порядке, чтобы довести задачу до результата — например, запросить данные из CRM, сформировать документ и отправить его.
- Сколько времени занимает разработка ИИ-агента?
- Пилот на готовом фреймворке с 2–3 интеграциями — 2–3 месяца. Корпоративное внедрение с on-prem, безопасностью и обучением персонала — 6–9 месяцев. Срок почти всегда упирается в интеграции, а не в разработку самого агента.
- Какой фреймворк выбрать — LangGraph, Microsoft Foundry или AWS Bedrock?
- Если заказчик уже в экосистеме Microsoft или AWS — брать нужный сервис. Если нужна тонкая настройка логики, нестандартные пайплайны и on-prem — LangGraph. Для большинства пилотов в среднем бизнесе managed-сервис выгоднее по совокупной стоимости. Также если работать с компанией Гериот, то мы используем свою систему Гериот Фенрир.
- Можно ли собрать ИИ-агента без программистов?
- До стадии прототипа — да, есть no-code/low-code платформы и визуальные конструкторы. Для production в корпоративном сегменте нужны инженеры: без них не получится ни нормально подключить интеграции, ни обеспечить стабильность, ни пройти ИБ.
- Какие риски самые критичные?
- Утечка данных через агента (особенно при работе с CRM и почтой), неконтролируемые действия с побочным эффектом (платежи, отправка документов), деградация качества модели при смене версии API провайдера. Закрываются все три архитектурно: изоляция данных, human-in-the-loop и эвалюация на каждом релизе.
Источники
- Building Effective Agents — Anthropic — архитектурная классификация workflows vs agents, когда и зачем строить агентов, framework tradeoffs.
- NANDA Project — MIT Media Lab — академическая программа MIT по agentic web, исследовательская повестка 2025–2026.
- LangGraph — Agent Orchestration Framework (LangChain) — фреймворк с явным состоянием, human-in-the-loop и памятью, актуальная архитектура runtime.
- Microsoft Foundry Agent Service — Microsoft Learn — официальная документация managed-сервиса агентов, обновление от июля 2026.
- The Landscape of Emerging AI Agent Architectures for Reasoning, Planning, and Tool Calling: A Survey (arXiv:2404.11584) — академический обзор паттернов single-agent и multi-agent архитектур.
- AI agents — IBM Think — список фундаментальных работ по agentic AI и практические кейсы внедрения.
Добавить комментарий