Сколько вы заплатите за ИИ-агента: разбор основных статей затрат — test

Через три года 70–80% фирм передадут типовые процессы ИИ-агентам (Gartner). А в будущем сформируют экосистемы ИИ-агентов, работающих сообща. Анна-Мария Лонь (компания Axenix) — о том, сколько это будет стоить и кто получает выгоду от ИИ-агентов уже сейчас

Фото: РБК

Этот материал входит в раздел «РБК Образование», где мы рассказываем, как развивать навыки, принимать взвешенные решения и двигаться по карьере осознанно.

Школа управления РБК — образовательный проект медиахолдинга, ориентированный на развитие руководителей. Встречаемся каждый четверг в 19:00 на онлайн-событиях, где вместе решаем сложные управленческие задачи.

С темами и спикерами можно познакомиться здесь.

ИИ-агенты предполагают переход к другой модели использования искусственного интеллекта. Если генеративный ИИ работает по принципу «вопрос — ответ», то ИИ-агент способен автономно выполнять комплексные задачи. Получая данные из окружающей среды и взаимодействуя с внешними и внутренними системами компании, он сам определяет, как достичь цели, и сам действует.

От пилота до управляемой системе: как ИИ-агенты становятся частью бизнеса

Внедрение ИИ-агентов проходит несколько стадий — от точечных пилотов к полной интеграции в бизнес. Существует приблизительный таймлайн их адаптации, от планирования и тестирования до интеграции и финального этапа формирования единой экосистемы, который можно оценить в пять лет. Однако на практике внедрение ИИ-агентов происходит не столько по срокам, сколько по уровню их проникновения в бизнес и зрелости управления.

На первом этапе бизнес ограничивается простыми сценариями: ИИ автоматизирует отдельные задачи без изменения существующей логики работы. Это могут быть базовые операции вроде обработки типовых запросов или сверки данных. Основная цель — проверить гипотезу и понять, дает ли технология измеримый эффект.

На втором этапе зона применения расширяется: агенты начинают закрывать узкие, но повторяющиеся процессы, где важны скорость и стабильность. Параллельно улучшается интеграция с корпоративными системами и накапливаются данные для обучения. Компания начинает формировать первые стандарты и подходы к контролю качества работы ИИ. Эффект проявляется в снижении времени выполнения задач и уменьшении количества ошибок.

Третий этап предполагает подключение ИИ к принятию решений. Агенты анализируют данные из разных источников, предлагают варианты действий и помогают сотрудникам выбирать оптимальные сценарии. Появляются механизмы проверки гипотез и контроля результатов. Роль человека постепенно смещается от исполнения к интерпретации и принятию финальных решений.

Через три года ИИ-агенты будут выполнять минимум 70% типовых процессов

Около 50% компаний, использующих ИИ, планируют внедрение ИИ-агентов к 2027 году, показал опрос IТ-руководителей предприятий из 14 стран, полагают аналитики Deloitte. К 2029 году уровень автоматизации типовых бизнес-процессов с использованием ИИ-агентов, по прогнозам Gartner, может достигнуть 70–80%.

На четвертом этапе возникает межфункциональная координация. Агенты начинают синхронизировать процессы между подразделениями, объединяя данные и действия в единую систему. Возникает возможность управлять не отдельными задачами, а целыми цепочками процессов. Это повышает согласованность решений и устойчивость бизнеса к изменениям.

Большинство компаний сейчас находятся на первом-втором этапах, часть на третьем и лишь единицы подобрались к четвертому.

Напятом этапе должна произойти комплексная интеграция. Компания управляет уже не отдельными решениями, а портфелем ИИ-агентов, которые взаимодействуют между собой. За счет этого возникает эффект синергии: оптимизация происходит не локально, а на уровне всей организации. Повышается прозрачность процессов и скорость реализации инициатив.

И, наконец, на шестом этапе ИИ должен стать частью бизнес-модели. Агентные системы работают как единая экосистема, которая не только исполняет процессы, но и адаптирует их под изменения внешней среды. Компания получает возможность прогнозировать, оптимизировать и масштабировать операции в реальном времени. В результате ИИ превращается из инструмента в основу операционной эффективности и роста.

Основное условие получения эффекта от ИИ-агента — качество данных

Агент работает настолько хорошо, насколько хороши данные, которые он получает. Разрозненные, неактуальные или закрытые данные сводят на нет любые инвестиции в технологию. Поэтому критически важен семантический слой — единая логика, которая объединяет данные, справочники и бизнес-контекст в понятную для ИИ систему. Он объясняет агенту смысл показателей, связей и процессов внутри компании. Без этого даже качественные данные могут интерпретироваться ошибочно, что повышает риск галлюцинаций и ограничивает масштабирование.

Сколько бизнес платит за ИИ-агента и где получает выгоду

Совокупные затраты на внедрение ИИ-агентов варьируются в зависимости от масштаба бизнеса. По нашим данным, за три года для малого бизнеса (50 сотрудников) они составляют в среднем 12,5 млн руб., для среднего (500 сотрудников) — 50 млн руб., для крупного (5 тыс.) — 275 млн руб., для корпораций (более 50 тыс.) — до 1,3 млрд.

Структура затрат меняется по мере зрелости проекта. Сначала речь идет о капитальных вложениях, которые включают интеграцию пилота, подготовку инфраструктуры (серверы или облако), доработку моделей под данные компании. Скрытыми инвестициями в таком проекте выступают адаптация и обучение сотрудников. Это большой объем работы: только на формирование устойчивой привычки работы с новым ИИ-решением у сотрудников уходит минимум два месяца интенсивного сопровождения.

Для малого бизнеса 2–15 млн руб. может уйти на пилотную интеграцию, подключение к облачной инфраструктуре или покупку минимального сервера и базовую адаптацию решений к процессам. Для среднего бизнеса нужно закладывать 15–30 млн руб. на покупку серверов, первичную интеграцию. Для крупного — затраты составят 75–150 млн руб. на собственные серверы с мощными видеокартами (GPU), масштабную интеграцию с различными системами и проекты по безопасности.

Искусственный интеллект не надо учить заново

Обычно запуск ИИ-агентов обходится без дополнительного обучения LLM-модели. Он чаще связан с настройкой качественного контекста работы. Ключевую роль здесь играют данные для обогащения контекста, интеграция с внутренними базами знаний компании и корректная интерпретация уникальной корпоративной информации. Обучения требуют классические ML-модели, обеспечивающие взаимодействие агента и корпоративного цифрового ландшафта.

На этапе масштабирования превалируют операционные затраты. До 4 млн руб. в год у малого бизнеса уйдет на аренду ИИ-инфраструктуры, техподдержку, обучение пользователей. Затраты среднего бизнеса составят 5–10 млн руб. в год на лицензии, специалистов сопровождения, поддержку, адаптацию и обновление моделей. Бюджет крупного бизнеса — десятки миллионов ежегодно за счет штатных команд сопровождения, техподдержки, расходов энергопотребления и запуск новых функций. У корпорации на эти цели может уходить от 200 млн руб. в год.

Однако эти инвестиции окупаются не только финансово. Можно выделить три типа эффектов.

Прямые. Сокращение ФОТ на 40–50% в отдельных функциях, снижение ошибок и ускорение процессов, дающее еще до 20–25% экономии.
Косвенные. Быстрее принимаются решения, улучшается клиентский опыт, растет конверсия и выручка.
Нематериальные. Усиливается бренд, растет вовлеченность сотрудников, формируется культура работы с данными. Это не отражается сразу на прибыли, но напрямую влияет на долгосрочную капитализацию.

Например, внедрение ИИ-ассистента в поддержку клиентов может выразиться в прямом эффекте — сокращении времени обработки первичных обращений примерно на 30%. А также в косвенном — улучшении клиентского опыта на 15%.

От логистики до кибербезопасности: реальные примеры применения ИИ-агентов в бизнесе

Разберем несколько примеров применения ИИ-агентов в бизнесе.

Логистика и цепочки поставок

В логистике ИИ-агенты полезны тем, что способны учесть сотни переменных.

Например, компания DHL использует агента MySupplyChain, благодаря которому точность соблюдения сроков у нее выросла на 30%, а транспортные расходы сократились на 20%.

В среднем, по данным нашего исследования, внедрение специализированного агента цепочек поставок позволяет уменьшить складские издержки до 40% за счет ликвидации избыточных запасов и точного прогнозирования.

Вступайте в сообщество Школы управления РБК в Telegram или «Максе», чтобы общаться с руководителями из разных сфер, выстраивать нетворкинг и получать советы экспертов.

Внутренние процессы и разработка

Компания «Технологии доверия» доверила внутреннюю IТ-поддержку агенту на базе платформы AutoFAQ Xplain. Решение отвечает на обращения сотрудников, обрабатывая порядка 80% запросов и экономя более 100 человеко-часов в месяц.

Высокую эффективность также показывают обучающие агенты (например, от Microsoft), которые за счет персонализации сокращают время онбординга на 35% и вдвое снижают стоимость обучения.

Очень активно развиваются агенты-разработчики (Bolt, Windsurf и др.). Они ускоряют выпуск релизов в среднем на 25% и сокращают общие затраты на разработку до 30%.

Клиентский сервис

«Яндекс Такси» внедрил ИИ-агента поддержки водителей и клиентов на базе «Алиса AI». Агент обрабатывает текстовые обращения, ведет диалог, самостоятельно принимает решения по возвратам и поиску вещей, закрывая 60% таких запросов автоматически. Прогнозируемый эффект от внедрения — 600 млн руб.

Похожих результатов добился американский сервис доставки DoorDash. С помощью Amazon Bedrock и Claude 3 Haiku от Anthropic он сократил количество переключений между операторами на 49% и сэкономил $3 млн в год.

Виртуальный финансовый помощник Erica помог Bank of America снизить нагрузку на call-центр на 17%.

Аналитика

Задача агентов в сложных системах — не просто показывать данные, а усиливать управленческие решения.

Американский телеком-оператор AT&T внедрил агентов на базе NVIDIA NeMo, что увеличило скорость анализа процессов в шесть раз и сократило затраты на обработку данных на 84%.

Компании вроде Walmart и Amazon используют агентов для товарной аналитики и мониторинга конкурентов.

Кибербезопасность

Еще одно быстрорастущее направление — кибербезопасность. Здесь ИИ-агенты берут на себя непрерывный мониторинг инфраструктуры. Такие агенты кибербезопасности, как CrowdStrike или Darktrace, снижают количество ложных срабатываний на 70%, позволяя SOC-центрам (отвечают за мониторинг киберугроз) сокращать свои расходы на 40%. В отличие от традиционных систем анализа данных (BI), такой агент не просто визуализирует проблему, а выявляет закономерности, прогнозирует риски и может сам инициировать действие для их нейтрализации.

Таким образом ИИ-агенты уже дают измеримый эффект в разных функциях. Но результат зависит не только от самой технологии, но и того, как она встроена в процессы компании.

Текст написан на основе исследования Axenix «ИИ‑агенты в действии: экономика, риски и эволюция организационных моделей».