Разработка ИИ-агентов для бизнеса: задачи, внедрение и стоимость

Разрабатываем ИИ-агентов для компаний, которым нужно связать языковую модель с собственными данными и системами: сайтом, каталогом, CRM или учётной системой. Основные сценарии - консультант по каталогу на сайте и подготовка контента по данным каталога. Подключаем YandexGPT, GigaChat, Claude, модели OpenAI и DeepSeek и связываем агента с сайтом, каталогом и учётной системой.

Короткий ответ

ИИ-агент для бизнеса - программа на основе языковой модели, которая разбирает задачу, выбирает инструмент из разрешённого набора (каталог, 1С, CRM, сайт) и возвращает результат или выполняет действие в пределах выданных прав.

Когда нужен агент: системе нужно не только отвечать, но и обращаться к каталогу, проверять остатки, создавать заявку. Когда агент не нужен: задачу надёжно решает обычный поиск, фильтр, интеграция или шаблонный код.

Стоимость разработки складывается из трёх частей: работа над агентом и интеграциями по ставке 3500 ₽ за час, подготовка данных, на которые агент опирается, и ежемесячная оплата модели по тарифу провайдера. Итоговая сумма зависит от сценария: агент, который отвечает по каталогу, проще агента, который сам меняет данные в системах.

Что мы можем разработать

• ИИ-консультант по каталогу на сайте - основной сценарий: подбирает товары по характеристикам, отвечает по наличию и доставке, передаёт заявку менеджеру в CRM.
• Агент для подготовки описаний товаров по данным каталога.
• Агент для SEO-задач и черновиков статей.
• Агент, который работает с 1С, CRM и внутренними данными.

Для каждого проекта определяем сценарий, источники данных, разрешённые действия, критерии качества и стоимость внедрения. На первой встрече разбираемся, нужен ли вам агент, ИИ-ассистент по базе знаний или обычная интеграция.

Обсудить задачу и получить оценку

Что уже сделано, а что проектируется. Чтобы не смешивать опыт и планы:

Статус	Что
Уже реализовано	Интеграция нейросети в каталог Drel-Shop (поиск по фото), большие каталоги, обмены с 1С, сайты и кабинеты на Laravel
Проектируем как типовой сценарий	ИИ-консультант по каталогу, контент-агент
Возможное развитие	SEO-агент, агент-автор, автоматическое создание заказов и изменение данных в системах

Что такое ИИ-агент для бизнеса и чем он отличается от чат-бота

Разработка ИИ-агентов для бизнеса начинается с понимания, чем агент отличается от привычного чат-бота. Чат-бот отвечает по заранее заданному сценарию или по тексту, который в него загрузили. Агент получает задачу и выбирает из разрешённого набора инструментов те, что нужны для её решения: найти товар в каталоге, проверить остаток, собрать черновик текста по правилам компании, отправить заявку менеджеру.

Определение. ИИ-агент - программа на основе языковой модели, которая интерпретирует задачу, выбирает доступный инструмент по заданным правилам и возвращает результат или выполняет действие в разрешённых пределах. Самостоятельных полномочий у агента нет: список инструментов ограничен, права заданы, критичные действия требуют подтверждения человека.

Граница между «ботом» и «агентом» размыта: современный чат-бот тоже может работать на языковой модели и обращаться к базе знаний. Поэтому точнее различать три уровня автоматизации:

Тип решения	Как работает	Пример
Сценарный бот	Следует заранее заданной последовательности правил	Собирает контакты и передаёт заявку
ИИ-ассистент с доступом к данным	Языковая модель отвечает по базе знаний или каталогу	Отвечает на вопросы о продукции
ИИ-агент	Выбирает и вызывает инструменты в рамках заданных ограничений	Ищет товар, проверяет наличие и создаёт заявку после подтверждения клиента

Меня зовут Богдан Квитка, я руковожу студией GoodFellazz. С 2015 года мы разрабатываем сайты и сервисы на Laravel для производителей и торговых компаний: каталоги на десятки тысяч позиций, обмены с 1С, личные кабинеты. Направление ИИ-агентов мы сейчас запускаем, и эта статья про то, как мы его проектируем и как оценивать такие проекты.

Сразу скажу о стадии: готовых внедрений агентов, которые можно показать как кейсы, у нас пока нет. В статье разделяю три вещи: что мы уже сделали (интеграция нейросети в каталог Drel-Shop, обмены с 1С, большие каталоги), что проектируем как сценарии и что является общим техническим выводом. Кейсы добавим по мере запуска проектов.

Статья для владельцев компаний, коммерческих директоров и руководителей маркетинга, которые думают, какие задачи можно отдать агенту и сколько это стоит.

Не каждой задаче нужен агент. Перед разработкой выбираем самую простую архитектуру, которая решает задачу:

Задача	Чего обычно достаточно
Сгенерировать описание товара по пяти характеристикам	Обычного вызова модели с шаблоном и правилами
Отвечать по внутренним документам или базе знаний	Поиска по базе с последующей генерацией ответа (RAG)
Подобрать товар, проверить наличие, рассчитать параметры и создать заявку	Агента с инструментами
Полностью детерминированный процесс: выгрузка, пересчёт, перенос данных	Обычного кода или интеграции, они надёжнее и дешевле

Сценарии ИИ-агентов, которые мы рассматриваем

Сейчас мы рассматриваем четыре сценария. Ниже - как они могут работать, какие данные им нужны и какие ограничения нужно предусмотреть. Наиболее близки к текущей экспертизе студии первые два: они опираются на наш опыт с каталогами, 1С и сайтами. Порядок - от задач, ближе всего к продажам, к задачам маркетинга.

Агент	Что делает	На какие данные опирается	Где нужен человек
Продавец-консультант на сайте	Отвечает покупателям, подбирает товары, передаёт заявку менеджеру	Каталог, характеристики, остатки, цены, условия доставки	Нестандартные цены, сложные расчёты, договор
Контент-менеджер	Готовит и обновляет описания товаров и страниц	Каталог, характеристики, требования к тексту	Проверка перед публикацией
SEO-специалист	Готовит мета-теги, находит пробелы в структуре, собирает задачи	Страницы сайта, семантика, данные Вебмастера и Метрики	Решения о структуре и приоритетах
Автор блога	Готовит черновики статей по редакционным правилам	Семантика, редполитика, факты компании, источники	Фактчекинг, правка, публикация

Общее у всех четырёх: агент делает подготовительную работу, а решение, которое влияет на деньги или репутацию, остаётся за сотрудником. Так проще начать и легче поймать ошибку модели до того, как её увидит клиент.

ИИ-агент продавец-консультант на сайте

Продавец-консультант - агент, который разговаривает с посетителем сайта: уточняет задачу, подбирает подходящие товары, отвечает на вопросы о характеристиках, наличии и доставке и передаёт готовую заявку менеджеру.

Для магазина с большим каталогом это самый понятный сценарий. Покупатель пишет «нужен перфоратор для бетона, работать по 6 часов в день», агент ищет по характеристикам, показывает 3-5 вариантов и объясняет разницу. Без агента тот же вопрос уходит в форму обратной связи и ждёт менеджера.

Что агенту нужно для работы:

• каталог с заполненными характеристиками в структурированном виде;
• актуальные остатки и цены, обычно из 1С через обмен с сайтом;
• условия доставки, оплаты, гарантии;
• правила: что агент может обещать, а что передаёт менеджеру;
• инструмент создания заявки или заказа на сайте.

Главный риск этого агента - ответ, которого нет в данных. Если характеристика не заполнена, модель может «достроить» её по общим знаниям. Поэтому агент должен отвечать только по данным каталога и прямо говорить, когда информации нет. На практике качество консультанта упирается в качество каталога: работа с характеристиками товаров часто занимает больше времени, чем сама разработка агента.

Опыт, на который мы опираемся. На B2B-гипермаркете инструмента Drel-Shop с каталогом на 70 000 товаров мы сделали поиск по фото: пользователь загружает снимок инструмента, сайт находит похожие товары. Нейросеть подключена через сервис openrouter.ai. Это не агент в полном смысле, но задача та же - связать модель с каталогом так, чтобы ответ опирался на реальные товары магазина.

ИИ-агент контент-менеджер

Контент-менеджер - агент, который готовит тексты для сайта: описания товаров по характеристикам, тексты категорий, обновления страниц.

Для каталога на тысячи позиций это прямая экономия ручного труда. Агент берёт характеристики товара, требования к тексту и примеры хороших описаний и готовит черновик. Сотрудник проверяет и публикует. Чем строже правила (длина, структура, запрещённые формулировки, обязательные данные), тем ровнее результат.

Что важно заложить:

1. Данные как источник фактов. Агент пишет только по характеристикам из каталога и не придумывает свойства товара.
2. Правила стиля. Документ с требованиями к тексту, которым агент пользуется при каждой задаче.
3. Проверку перед публикацией. Черновики попадают в очередь на проверку в админке, а не сразу на сайт.
4. Массовые операции. Агент обрабатывает категорию целиком, а сотрудник проверяет выборку и исправления.

ИИ-агенты для SEO и блога

Эти два сценария мы описываем короче: они важны, но опираются на правила редакции и продвижения больше, чем на интеграции.

SEO-агент берёт рутину: готовит title и description по правилам, находит страницы с пустыми или дублирующимися мета-тегами, сопоставляет запросы из Вебмастера со страницами сайта и собирает список задач. Решения о структуре сайта и приоритетах остаются за специалистом.

Агент-автор блога готовит черновики статей. Качество определяют правила, по которым он работает: семантика под конкретный запрос, редакционная политика, факты компании, которые запрещено придумывать, ссылки на первоисточники и проверка человеком перед публикацией. Без таких правил получается типовой текст, похожий на сотни других.

Как ИИ-агент ошибается: схема надёжности

Языковая модель может дать уверенный, но неверный ответ: неверно понять найденный документ, смешать характеристики двух товаров, сформулировать ответ, который выглядит обоснованным, но не подтверждается источником. Инструкции «отвечай только по каталогу» для защиты недостаточно. Мы закладываем схему из шести элементов:

1. Структурированные данные. Товары и характеристики агент получает из базы каталога, а не из свободного текста.
2. Актуальный источник для критичных значений. Цену, остаток и срок поставки агент берёт из системы в момент ответа.
3. Минимальные права. Агент получает только доступы, нужные для задачи.
4. Подтверждение действий. Создание заявки, изменение данных или публикация требуют подтверждения клиента или сотрудника.
5. Тестовый набор. Реальные вопросы и задачи прогоняются перед запуском и после каждого изменения правил или модели.
6. Журнал и разбор ошибок. Диалоги и действия записываются, ошибки разбираются и превращаются в новые правила или тесты.

Типовые ошибки и какой элемент схемы их закрывает:

Ошибка	Пример	Как ограничить
Ответ без опоры на данные	Агент называет характеристику, которой нет в карточке товара	Структурированные данные, при отсутствии данных - сообщить об этом и передать вопрос менеджеру, тестовый набор
Обещание сверх правил	Агент соглашается на скидку или срок поставки	Явный список того, что агент не обещает, и передача таких вопросов человеку
Устаревшие данные	Агент называет цену, которая изменилась в 1С	Брать цены и остатки из актуального источника в момент ответа
Ошибка в действии	Агент создаёт заявку с неверным товаром	Подтверждение действия пользователем, журнал действий
Смена поведения после обновления модели	Ответы меняются без изменений с нашей стороны	Тестовый набор вопросов, который прогоняется после обновлений

Журнал диалогов и действий нужен не только для разбора ошибок. По нему видно, какие вопросы задают клиенты, где агенту не хватает данных и какие правила стоит уточнить. В первые недели после запуска этот журнал просматривает сотрудник, дальше достаточно выборочной проверки.

Из чего состоит ИИ-агент

Модель в агенте отвечает за понимание текста и рассуждение. Остальные компоненты разрабатываются под задачу.

Компонент	Что это	Кто делает
Языковая модель	YandexGPT, GigaChat, Claude, модели OpenAI, DeepSeek	Провайдер модели
Инструкции и правила	Роль агента, ограничения, что можно и нельзя обещать	Разработчик вместе с заказчиком
Данные	Каталог, характеристики, база знаний, документы	Заказчик готовит, разработчик структурирует
Инструменты	Поиск по каталогу, проверка остатка, создание заявки, запись черновика	Разработчик
Интеграции	Сайт, 1С, CRM, мессенджеры	Разработчик
Контроль	Журнал действий, проверка перед публикацией, передача человеку	Разработчик вместе с заказчиком
Интерфейс	Окно чата на сайте, раздел в админке, бот в мессенджере	Разработчик

Из этой таблицы видно, почему «подключить нейросеть к сайту» обычно занимает больше времени, чем ожидают. Подключение модели к API делается быстро. Основная работа - данные, инструменты и правила, без которых агент отвечает общими словами или ошибается.

Какую языковую модель выбрать: YandexGPT, GigaChat, Claude, OpenAI, DeepSeek

Мы рассматриваем пять семейств моделей для разных сценариев. Рейтинг моделей устаревает за несколько месяцев, поэтому мы выбираем по критериям и проверяем кандидатов на тестовом наборе конкретного проекта:

• можно ли передавать модели данные этой задачи, включая персональные;
• где обрабатываются данные и какие условия хранения запросов у провайдера;
• сколько будет стоить использование на ожидаемом объёме;
• какая задержка ответа допустима в сценарии;
• как модель справляется с тестовым набором задач проекта;
• что будет при изменении тарифа или доступности API.

Сведения о моделях ниже проверены в октябре 2026 года.

Модель	Разработчик	Когда рассматриваем
YandexGPT	Яндекс, Россия	Данные должны обрабатываться российским провайдером; агент работает с русскоязычным контентом
GigaChat	Сбер, Россия	Те же требования к данным; у провайдера есть отдельный порядок подключения для юрлиц и ИП
Claude	Anthropic, США	Сложные тексты и рассуждения, если допустима обработка данных зарубежным сервисом
Модели OpenAI	OpenAI, США	Те же условия, что для Claude
DeepSeek	DeepSeek, Китай	Через API провайдера или в виде открытых моделей на собственном сервере

Несколько фактов, которые влияют на выбор:

• У GigaChat API есть отдельный быстрый старт для ИП и юрлиц и опубликованные тарифы, оплата идёт за токены.
• Код и веса DeepSeek-R1 опубликованы под лицензией MIT с разрешением коммерческого использования, а уменьшенные версии на базе Qwen и Llama сохраняют условия исходных лицензий этих моделей (репозиторий DeepSeek-R1). Перед коммерческим использованием проверяем лицензию конкретной версии и способа развёртывания. Открытые веса дают вариант разместить модель на собственном сервере, так что данные не уходят внешнему провайдеру. Цена такого варианта - сервер с достаточной мощностью и его обслуживание.
• Зарубежные модели из России часто подключают через сервисы-агрегаторы. Так устроен наш поиск по фото на Drel-Shop: модель вызывается через openrouter.ai. Вопрос, какие данные можно передавать таким сервисам, решается до разработки.

Часто разумно использовать не одну модель. Например, российскую для диалогов с покупателями, где есть персональные данные, и другую для подготовки контента, где персональных данных нет. Архитектура агента должна позволять сменить модель без переписывания всего проекта: модели и их условия меняются быстро.

Данные, интеграции и безопасность

Агент работает с данными компании, и решения о них принимает бизнес вместе с юристом.

Коммерческие данные. Цены по договорам, остатки, условия поставок, внутренние документы. Нужно решить, какие из них агент видит и кому их может показать. Агент-консультант на сайте не должен рассказывать посетителю закупочные цены, даже если они лежат в той же базе.

Персональные данные. Если агент на сайте принимает имя, телефон, состав заказа, это персональные данные клиентов. Их обработка регулируется законом № 152-ФЗ «О персональных данных». Какой провайдер модели допустим, нужна ли передача данных за рубеж и что указать в политике обработки данных - эти вопросы стоит согласовать с юристом компании до запуска. Это не юридическая консультация: мы проектируем техническую сторону так, чтобы решение юриста можно было выполнить.

Права доступа. Агент получает ровно те доступы, которые нужны для задачи. Консультанту достаточно чтения каталога и создания заявки. Права на изменение данных в 1С или публикацию на сайте даются отдельно и с журналом действий.

Важно: до разработки составьте список данных, которые агент будет читать, и действий, которые он сможет выполнять. Этот список определяет выбор модели, архитектуру и половину стоимости.

Интеграции. Агент полезен ровно настолько, насколько он связан с системами компании. Для нашего стека это выглядит так:

• Сайт на Laravel. Агент вызывает инструменты сайта: поиск по каталогу, карточку товара, создание заявки, запись черновика в админку. Проверка прав выполняется на сервере сайта, как и для обычных пользователей.
• 1С. Агент не обязательно подключается к 1С напрямую. Если остатки и цены уже приходят на сайт через обмен, агент берёт их с сайта. Прямое подключение нужно, когда требуются данные, которых на сайте нет. Как устроен обмен сайта с 1С, мы разбирали в статье про интеграцию сайта с 1С.
• CRM. Агент передаёт в CRM заявку с собранной информацией: что искал клиент, какие товары подобраны, какие вопросы остались.
• Мессенджеры. Тот же агент может работать в Telegram или другом канале, если у сайта есть общий слой инструментов.

Чем лучше устроены данные и обмены на сайте, тем дешевле агент. Если каталог разрознен, характеристики хранятся текстом в названии товара, а остатки обновляются раз в неделю, сначала приходится наводить порядок в данных.

Как проходит внедрение ИИ-агента

1. Выбор одного сценария. Начинаем с задачи, где результат легко проверить: подбор товара по каталогу, описания для одной категории, мета-теги для раздела.
2. Аудит данных. Проверяем, есть ли у агента всё, чтобы отвечать правильно: характеристики, цены, остатки, правила.
3. Выбор модели и архитектуры. С учётом требований к данным и бюджета на использование модели.
4. Прототип. Агент с базовыми инструментами, на реальных данных компании.
5. Тест на реальных вопросах. Собираем вопросы клиентов из почты, чатов и звонков и проверяем ответы агента вместе с сотрудниками, которые сейчас на них отвечают.
6. Запуск с контролем. Журнал диалогов и действий, передача сложных случаев человеку, правка правил по итогам первых недель.
7. Расширение. Новые инструменты и сценарии после того, как первый работает стабильно.

Критерий готовности задаём заранее: на каком наборе вопросов агент должен отвечать правильно, что считается ошибкой, в каких случаях он обязан передать разговор человеку.

Сколько стоит разработка ИИ-агента и как посчитать окупаемость

Модель расчёта для агентов мы сейчас формируем на первых проектах, поэтому типовых вилок, как для сайтов, в статье нет. Из чего складывается стоимость, можно сказать уже сейчас:

Статья расходов	Как считается	От чего зависит
Разработка агента и интеграций	Часы по ставке 3500 ₽	Число инструментов и систем, сложность правил, интерфейс
Подготовка данных	Часы по ставке 3500 ₽ или работа сотрудников заказчика	Состояние каталога, базы знаний, документов
Использование модели	Ежемесячно, по тарифу провайдера, обычно за токены	Число диалогов и задач, длина текстов, выбранная модель
Сервер для своей модели	Ежемесячно, если модель размещается у заказчика	Размер модели и нагрузка
Поддержка и развитие	Пакеты часов или почасово	Новые сценарии, правки правил, смена модели

Удобнее оценивать по типу сценария:

Сценарий	Что входит	Что влияет на бюджет
Агент для подготовки контента	Получение данных, генерация черновика, проверка результата, передача на редактуру	Объём контента, качество исходных данных, интеграция с админкой сайта
ИИ-консультант по каталогу	Поиск товаров, получение характеристик, ответ клиенту, передача заявки	Размер и структура каталога, требования к точности, интеграции
Агент, который выполняет действия	Чтение данных и разрешённые операции в CRM, на сайте или в другой системе	Число инструментов, права доступа, подтверждения, журнал действий

Предварительную оценку по каждому сценарию даём после разбора задачи и выборки данных. Отдельного исследования требуют нестандартные источники данных и требования к размещению модели.

Что двигает стоимость вверх:

• агент меняет данные, а не только читает их: создаёт заказы, правит каталог, публикует тексты;
• нужно несколько систем: сайт, 1С, CRM, мессенджеры;
• данные требуют подготовки;
• требуется собственный сервер с моделью;
• нужен строгий контроль: журнал, согласования, разграничение прав.

Агент, который отвечает покупателям по готовому каталогу и передаёт заявку менеджеру, проще и дешевле агента, который сам оформляет заказы и обновляет 1С. Поэтому мы советуем начинать с одного сценария на чтение данных.

Расходы на модель зависят от объёма работы агента и тарифа провайдера. Оценить их можно на прототипе: по реальному числу запросов за неделю видно, сколько токенов уходит на диалог или задачу.

Обсудить ИИ-агента для вашей компании. Разберём задачу, данные и системы и предложим, с какого сценария начать. Заполнить бриф

Как измерить пользу и окупаемость

Пользу агента лучше считать до запуска, иначе через три месяца сложно ответить, стоило ли оно того. Метрики зависят от роли агента.

Агент	Что измерять	Как получить данные
Продавец-консультант	Доля вопросов, на которые агент ответил без менеджера; число заявок из диалогов; доля диалогов, переданных человеку	Журнал диалогов, CRM, Метрика
Контент-менеджер	Время на подготовку описания до и после; доля черновиков, принятых без серьёзной правки; число обработанных товаров	Учёт задач, журнал проверок в админке
SEO-специалист	Число найденных и исправленных проблем на страницах; время на подготовку мета-тегов для раздела	Отчёты агента, Вебмастер
Автор блога	Время от темы до публикации; объём правки редактора; поисковые показатели статей	Учёт задач, Вебмастер, Метрика

Вторая группа метрик - качество. Для консультанта это доля неверных ответов на тестовом наборе вопросов, для контент-агента - число фактических ошибок в черновиках, найденных при проверке. Тестовый набор собирается до разработки и прогоняется после каждого изменения правил или смены модели.

Третья группа - расходы: оплата модели за месяц, часы поддержки, время сотрудников на проверку. Если проверка занимает почти столько же, сколько ручная работа, сценарий нужно пересмотреть: упростить задачу, улучшить данные или оставить её людям.

Как посчитать окупаемость на примере контент-агента. Нужны замеры на одной и той же выборке товаров:

Показатель	Как получить
Количество описаний в месяц	Реальный объём работы
Время подготовки вручную	Замер на выборке
Время подготовки с агентом	Замер на той же выборке
Время редакторской проверки	Включая исправления
Доля материалов, принятых без существенной правки	По результатам проверки
Стоимость модели	По фактическому потреблению на прототипе
Стоимость разработки	С учётом интеграции и подготовки данных
Стоимость сопровождения	В месяц

Месячный эффект = стоимость сэкономленного рабочего времени − расходы на модель и сопровождение. Срок окупаемости = стоимость разработки ÷ месячный эффект.

Одна оговорка: сэкономленное время не всегда превращается в деньги. Если сотрудник остаётся в штате и переключается на другие задачи, эффект зависит от того, насколько ценны эти задачи для компании.

Когда ИИ-агент не нужен

Агент окупается не в каждой задаче. Мы говорим об этом на первой встрече, потому что разработка, которая не даёт пользы, плоха для обеих сторон.

Скорее всего, агент сейчас не нужен, если:

• вопросов от клиентов немного, и менеджер успевает отвечать на все;
• задача решается простым фильтром или поиском по сайту без диалога;
• данных для ответов нет или они противоречивы, и сначала нужно навести порядок в каталоге;
• каждая ошибка дорого обходится, а проверять результаты некому;
• компания не готова выделить сотрудника, который будет следить за работой агента первые месяцы.

Иногда первым шагом становится работа с данными: заполненные характеристики, нормальный поиск и фильтры на сайте, обмен с 1С. Это пригодится и без агента, а когда агент понадобится, его внедрение будет дешевле.

Управленческие ошибки при внедрении ИИ-агентов

Технические риски разобраны в схеме надёжности. Здесь - решения руководителей, из-за которых проект буксует.

Начинают с «агента на всё». Агент, который должен и продавать, и писать тексты, и отвечать по документам, долго настраивается и плохо проверяется. Один сценарий с понятным результатом запускается быстрее и показывает, стоит ли развивать направление.

Не выделяют время на данные. Ждут, что агент сам разберётся с пустыми характеристиками. Подготовка данных - работа заказчика не меньше, чем разработчика.

Не назначают ответственного. Агент запущен, но журнал никто не смотрит, и ошибки копятся.

Выбирают модель без учёта данных. Модель выбирают по отзывам, а потом выясняется, что передавать ей персональные данные клиентов компания не готова. Архитектуру приходится переделывать.

Не закладывают расходы на модель. Считают только разработку, а оплата токенов появляется в бюджете после запуска.

Чек-лист: подготовка к внедрению ИИ-агента

Сохраните и используйте как план перед обращением к подрядчику.

1. Выберите один сценарий, где результат легко проверить.
2. Опишите, кто сейчас выполняет эту работу и сколько времени она занимает.
3. Соберите 30-50 реальных вопросов или задач для теста агента.
4. Проверьте данные: заполнены ли характеристики, актуальны ли цены и остатки.
5. Составьте список данных, которые агент будет читать.
6. Составьте список действий, которые агент сможет выполнять.
7. Решите, какие данные нельзя передавать внешним сервисам.
8. Согласуйте с юристом обработку персональных данных клиентов.
9. Определите, в каких случаях агент передаёт задачу человеку.
10. Назначьте сотрудника, который проверяет результаты агента.
11. Определите критерий готовности: что считается правильной работой.
12. Заложите в бюджет ежемесячную оплату модели и поддержку.

Термины: что важно знать перед разработкой ИИ-агента

Термин	Что означает
Языковая модель (LLM)	Нейросеть, которая понимает и генерирует текст: YandexGPT, GigaChat, Claude, модели OpenAI, DeepSeek
ИИ-агент	Программа на основе языковой модели с доступом к данным и инструментам
Инструмент агента	Функция, которую агент может вызвать: поиск по каталогу, проверка остатка, создание заявки
Токен	Единица текста, по которой провайдеры считают оплату использования модели
API модели	Способ подключить модель к сайту или системе компании
Открытая модель	Модель с опубликованными весами, которую можно разместить на своём сервере
Тестовый набор	Реальные вопросы и задачи, по которым проверяют качество агента
Журнал действий	Запись диалогов и действий агента для контроля и разбора ошибок

FAQ