Разработка ИИ-агентов для бизнеса перестала быть экспериментом на стороне: за последний год ко мне стабильно приходят с запросом собрать не очередного чат-бота с кнопками, а систему, которая сама разбирает заявки, ищет ответы в базе знаний и дергает нужные API - CRM, платежку, службу доставки. Дальше по шагам разберу этапы такого проекта, стек, на котором собираю агентов, и реальные цифры бюджета.
По теме статьи
Готовое решение
AI-чатбот для сайта на Claude - отвечает как ваш менеджер, работает 24/7
Подключу к вашему сайту чат-бота на Claude API. Бот отвечает на вопросы клиентов голосом вашего бренда, знает каталог и условия доставки, забирает лиды в CRM или Telegram.
от25 000 ₽
AI / RAG
Чат-бот с базой знаний
Чат-бот на сайт, обученный на вашем контенте через RAG. Отвечает по базе знаний, передаёт сложные вопросы менеджеру.
от50 000 ₽
Чем ИИ-агент отличается от обычного чат-бота
Чат-бот на Tilda или в Telegram обычно работает по жёсткому сценарию: набор кнопок, дерево диалогов, в лучшем случае интеграция с CRM для передачи заявки менеджеру. Агент устроен иначе - у него есть набор инструментов (function calling или tool use в терминологии Claude и OpenAI), которые он вызывает сам, исходя из контекста разговора, а не по заранее прописанной ветке.
Пример из практики: обычный бот на сайте интернет-магазина отвечает клиенту заготовленной фразой «ваш заказ обрабатывается» и предлагает написать в поддержку. Агент сам обращается к API СДЭК, получает статус посылки, сверяет его со статусом оплаты в T‑Bank или WooCommerce и формулирует ответ с конкретным трек-номером и датой доставки. Разница не в красоте текста, а в том, что агент реально выполняет действия, а не просто генерирует правдоподобный ответ.
Есть и промежуточный вариант - скрипт для Tilda, который считает зону доставки или проверяет промокод без обращения к модели вообще. Такие вещи дешевле и надёжнее держать на обычной логике, агент нужен там, где сценарий заранее не опишешь деревом условий.
Из каких этапов состоит разработка ии-агента
Проект обычно проходит через шесть этапов, и пропуск любого из них потом вылезает либо в виде переделок, либо в виде агента, который отвечает невпопад на реальных диалогах.
- Аудит процессов и техническое задание - смотрю, где агент реально экономит время: квалификация лидов, поддержка по документации, сверка статусов заказов. Фиксирую сценарии, ограничения и что агенту делать нельзя ни при каких условиях.
- Выбор архитектуры - решаю, нужен ли RAG (поиск по базе знаний), набор инструментов для действий во внешних системах, или хватит одного вызова модели без памяти.
- Прототип (MVP) - собираю рабочую версию с минимальным набором функций, проверяю логику на десятке реальных примеров из истории обращений клиента.
- Интеграция с внутренними системами - подключаю CRM, мессенджеры через aiogram, платежи, 1С или другую учётную систему, в зависимости от задачи.
- Тестирование на живых диалогах - прогоняю агента через нетипичные и провокационные запросы, смотрю, где он придумывает факты или зацикливается.
- Запуск и мониторинг - настраиваю логирование вызовов инструментов и алерты на сбои, чтобы не узнавать о проблеме от разозлённого клиента.
Сроки по всем этапам вместе - от 3 до 8 недель для агента среднего уровня сложности с двумя-тремя интеграциями. Простой FAQ-бот с RAG без внешних действий закрывается быстрее, за полторы-две недели.
Бесплатный материал
🎁 Полезный скрипт в подарок
Подпишитесь на Telegram - пришлю готовый скрипт по этой теме.
Без спама. Отписка в 1 клик.
Технологический стек: на чём собираю агентов
В основе почти всегда лежит Claude API или OpenAI - выбор зависит от требований к качеству рассуждений, стоимости токенов и того, нужна ли работа с большим контекстом документов. Для агентов с доступом к внутренним данным компании собираю RAG-пайплайн: документы разбиваются на фрагменты, кладутся в векторную базу, и перед каждым ответом модель получает только релевантные куски, а не весь корпус текста разом.
Там, где агенту нужно не просто отвечать, а выполнять действия - создавать заявку в CRM, отправлять письмо, проверять остатки на складе - оркестрацию часто беру на n8n. Это быстрее и дешевле, чем писать связку с нуля на Python, особенно если сценариев немного и они меняются раз в месяц-два. Для сложной логики с ветвлением и своей бизнес-логикой пишу оркестрацию на Python отдельным сервисом, а n8n оставляю для более простых цепочек - вебхук, проверка условия, запись в таблицу или CRM.
Интерфейс для клиента чаще всего Telegram - там aiogram закрывает и приём сообщений, и клавиатуры, и вебхуки. Пример упрощённого обработчика:
@dp.message()
async def handle_message(message: types.Message):
reply = await agent.run(user_id=message.from_user.id, text=message.text)
await message.answer(reply.text)
Если задача ограничена ответами по одной базе знаний без сложных действий во внешних системах, полноценный агент с нуля не всегда нужен - у меня в библиотеке есть готовый ИИ-чатбот на Claude, его можно развернуть под конкретную задачу без разработки с нуля.
Сколько стоит разработка ии-агента для бизнеса
Бюджет складывается из этапов, а не фиксируется одной цифрой на входе - конечная стоимость зависит от количества интеграций и объёма базы знаний.
| Этап | Срок | Цена |
|---|---|---|
| Аудит и техническое задание | 3-5 дней | от 3 000 ₽ |
| Прототип на Claude API или OpenAI | 1-2 недели | от 50 000 ₽ |
| RAG и база знаний компании | 1-2 недели | от 50 000 ₽ |
| Интеграция с CRM, мессенджерами, платежами | 1-3 недели | от 25 000 ₽ |
| Тестирование и запуск | 3-7 дней | входит в разработку |
| Поддержка после запуска | ежемесячно | от 15 000 ₽/мес |
Отдельная статья расходов, которая не зависит от того, какой именно агент собирается - расход токенов Claude API или OpenAI. Это переменная стоимость, привязанная к объёму переписки и размеру базы знаний, тариф на неё выставляет сам провайдер модели, а не я.
Для сравнения по рынку: студии за похожий проект с несколькими интеграциями просят от 300 000 до 900 000 рублей, у фрилансеров разброс от 80 000 до 250 000 рублей, но чаще всего это только MVP без тестирования на реальных диалогах и без сопровождения после запуска.
Примеры задач, где агент окупается
- Квалификация лидов - агент задаёт уточняющие вопросы, определяет бюджет и сроки клиента, передаёт менеджеру уже готовую карточку в CRM вместо сырого «хочу узнать цену».
- Поддержка по документации - RAG-агент отвечает по базе знаний компании, а сложные или конфликтные обращения эскалирует на живого оператора вместо того, чтобы угадывать ответ.
- Работа с заказами интернет-магазина - агент сверяет оплату через T‑Bank или WooCommerce со статусом доставки в СДЭК и сам уведомляет клиента, не дожидаясь, пока тот напишет в поддержку.
- Внутренняя автоматизация - агент в связке с n8n разбирает входящие письма, раскладывает их по категориям и создаёт задачи в таск-трекере без участия человека на этапе сортировки.
- Пресейл на сайте - агент по каталогу и характеристикам товара отвечает на вопросы, которые раньше отнимали время у менеджеров, и передаёт горячий диалог человеку в нужный момент.
Риски и ошибки при внедрении ии-агентов в бизнес-процессы
Самая частая ошибка - дать агенту доступ к действиям без ограничений: он может создать возврат, изменить сумму заказа или отправить письмо клиенту без подтверждения. На таких сценариях всегда закладываю подтверждение человеком для необратимых операций и жёсткие рамки того, что агенту разрешено делать инструментами, а что нет.
Вторая ошибка - экономия на тестировании. Агент, который отлично работает на десяти заготовленных примерах, на реальных диалогах может начать придумывать факты о компании или зацикливаться на уточняющих вопросах. Проверка на живой истории обращений закрывает большую часть таких случаев ещё до запуска.
Третья история - хранение переписки и персональных данных клиентов. Если агент работает с контактами, историей заказов или другими персональными данными, база должна стоять на сервере в России - того требует 152-ФЗ о локализации персональных данных, и это не зависит от того, на каком движке собран сам агент.
И последнее - забывают заложить бюджет на сопровождение. Промпты и логика агента требуют донастройки, когда меняется ассортимент, тарифы доставки или структура CRM, и без поддержки агент постепенно начинает отвечать устаревшей информацией.
Частые вопросы
Сколько времени занимает разработка ИИ-агента для бизнеса?
Простой агент с RAG и без внешних интеграций собирается за полторы-две недели. Агент с подключением CRM, платежей и службы доставки - от 3 до 8 недель, в зависимости от количества систем и сложности сценариев.
Чем ИИ-агент отличается от готового чат-бота на Tilda?
Скрипт для Tilda работает по фиксированному сценарию и решает конкретную узкую задачу - калькулятор, форму с промокодом, зону доставки. Агент опирается на модель, сам решает, какой инструмент вызвать в ответ на произвольный вопрос, и может комбинировать несколько действий в одном диалоге.
Можно ли обучить агента на данных компании?
Обычно это не дообучение модели, а RAG - документы, регламенты и переписка загружаются в векторную базу, и агент подтягивает из неё релевантные фрагменты перед каждым ответом. Это дешевле и быстрее, чем файнтюн: базу знаний обновляешь без переобучения модели, а агент почти сразу видит новые документы.
Сколько стоит поддержка агента после запуска?
От 15 000 ₽ в месяц - в эту сумму входит донастройка промптов, обновление базы знаний и мониторинг логов вызовов инструментов. Отдельно оплачивается расход токенов API, он зависит от тарифа провайдера модели и объёма переписки.