Типы ИИ-агентов: что это, какие бывают и где они работают в 2026 году
ИИ-агент — это программа, которая сама ставит себе цели, выбирает инструменты и доводит задачу до результата без пошаговых инструкций от человека. В 2026 году в Enterprise-сегменте используют пять устойчивых типов таких агентов: реактивные, планирующие, рефлексивные, мульти-агентные и обучающиеся. Разница между ними — в архитектуре, объёме памяти и способности работать с неопределённостью.
Что вообще считается ИИ-агентом
Агент — это не просто чат-бот и не «скрипт с if-then». У агента четыре обязательных свойства:
- Автономность. Агент сам решает, какие шаги предпринять.
- Целеполагание. Ему дают результат, а не последовательность действий.
- Инструменты. Агент умеет вызывать внешние системы: API, базы данных, поиск, почту.
- Цикл «наблюдение → действие». Он видит результат своих действий и корректирует следующий шаг.
Если у системы нет хотя бы одного из этих свойств, это не агент, а обычный ассистент или воркфлоу.
Какие типы ИИ-агентов встречаются на практике
Классификация меняется от вендора к вендору. Мы опираемся на материалы Google Cloud, Microsoft и IBM, потому что у них самые зрелые продуктовые линейки.
| Тип | Сильная сторона | Слабое место | Где работает |
|---|---|---|---|
| Реактивный | Мгновенный отклик, нет состояния | Не помнит контекст, не учится | Колл-центры, модерация, триггерные оповещения |
| Планирующий | Разбивает сложную задачу на шаги | Тяжёлый по токенам, долго думает | Аналитика, юридический due diligence, генерация документов |
| Рефлексивный | Умеет проверять себя и переписывать черновик | Может «зациклиться» на самокритике | Код-ревью, контент, сложные отчёты |
| Мульти-агентный | Делит работу по ролям, как команда | Нужна оркестрация, дороже в эксплуатации | Корпоративные процессы, R&D |
| Обучающийся | Со временем становится точнее | Требует разметки и инфраструктуры | Персонализация, прогноз спроса |
Реактивные агенты
Самый простой тип. Агент получает вход, выбирает действие по правилу и завершается. Состояния нет, памяти нет. По сути это «if-then на стероидах», где правила выбирает LLM.
Пример: чат-бот на первой линии поддержки, который по ключевым словам маршрутизирует обращение в нужный отдел. Если запрос непонятен — передаёт оператору.
Планирующие агенты
Здесь появляется отдельный шаг «планирование». Агент сначала раскладывает задачу на подзадачи, потом решает их по очереди и собирает результат. Это самый распространённый тип в 2026 году: его используют Google Vertex AI Agents, Anthropic Claude с function calling, OpenAI Assistants API.
Подходит, когда задача сложная и требует больше двух вызовов разных инструментов: например, собрать данные из CRM, посчитать метрику, подготовить презентацию.
Рефлексивные агенты
Ключевая идея — после чернового ответа агент прогоняет его через внутреннюю «самокритику»: проверяет факты, ищет дыры, переписывает слабые места. Иногда цикл повторяется 3–5 раз, пока качество не выйдет на плато.
На практике это снижает количество галлюцинаций в длинных текстах и в коде. Минус — на каждый финальный ответ уходит в 2–4 раза больше токенов, а значит и денег.
Мульти-агентные системы
Один агент не справляется с крупной задачей — тогда собирают команду агентов с разными ролями: планировщик, исследователь, исполнитель, проверяющий. Между ними работает оркестратор, который распределяет задачи и собирает финальный результат.
Это самый дорогой тип, но и самый сильный: в Microsoft AutoGen и LangGraph такие системы показывают результаты, которые одиночный агент повторить не может. Для бизнеса это значит, что мульти-агентная архитектура оправдана там, где процесс длинный и ветвистый: разработка продукта, сложный клиентский сервис, анализ сделок.
Обучающиеся агенты
Агент хранит историю своих решений и их последствий. Со временем он корректирует стратегию на основе прошлого опыта, а не только на основе текущего промпта. Это уже ближе к RLHF (Reinforcement Learning from Human Feedback) и к дообучению на собственных логах.
В Enterprise такие агенты пока редкость — они требуют зрелой ML-инфраструктуры и процессов разметки. Но в e-commerce, финтехе и логистике они уже дают измеримый выигрыш.
Как выбрать тип под задачу
Возьмите самую крупную автоматизируемую задачу в вашем процессе и ответьте на три вопроса:
- Сколько разных систем нужно задеть? Если одна — реактивного хватит. Если больше двух — нужен планирующий.
- Должен ли агент помнить контекст дольше одного сеанса? Если да — закладывайте память и рассматривайте обучающегося.
- Сколько ролей в процессе? Если больше двух — смотрите на мульти-агентные фреймворки.
Простое правило: не начинайте с мульти-агентной системы, если у вас ещё нет зрелого одиночного агента. Это сразу удорожает проект в 3–5 раз и почти ничего не даст.
Частые вопросы
Чем ИИ-агент отличается от обычного чат-бота?
Чат-бот работает по сценарию: вопрос → ответ по шаблону. Агент сам выбирает, какие инструменты вызвать, чтобы получить результат, и может перебрать несколько вариантов, если первый не сработал.
Какой тип агента самый популярный в 2026 году?
Планирующий. Его поддерживают все крупные платформы: Vertex AI, Azure AI Foundry, OpenAI, Anthropic. Это рабочая лошадка для большинства бизнес-задач.
Сколько стоит запустить ИИ-агента в компании?
Для пилотного планирующего агента на облачном API — от 100 до 800 тысяч рублей за интеграцию с одной внутренней системой, плюс ежемесячные расходы на токены от 20 тысяч. Мульти-агентная система обычно стоит в 3–5 раз дороже на старте. Но точные цифры зависят от интегратора и задачи.
Нужно ли дообучать модель, чтобы запустить агента?
В 90% случаев нет. Современные frontier-модели (Claude 4, GPT-5, Gemini 2.5) уже умеют работать с инструментами и планировать. Дообучение оправдано только если у вас очень специфическая терминология или жёсткие требования к приватности.
Источники
- Google Cloud, «Introduction to AI agents» — базовая классификация и примеры архитектур.
- Microsoft Learn, «AI Agent patterns» — паттерны планирующих и мульти-агентных систем.
- IBM Think, «Types of AI agents» — описание реактивных и обучающихся агентов.
- Anthropic, «Building effective agents» — практические рекомендации и стоимость владения.
- McKinsey, «The state of AI in early 2026» — данные по adoption и эффектам в Enterprise.
Добавить комментарий