Почему AI-агент — ассистент, а не заменитель человека
За последний год на рынке произошёл сдвиг: запросы сместились от мечты «заменить человека» к чётким и достижимым KPI. Если раньше звучало «сделайте ИИ, который заменит главбуха», то сегодня запросы практичны: «цена должна динамически меняться в зависимости от цен конкурентов» или «нужны точные прогнозы спроса и остатков по каждому SKU × складу».
Пользователи уже понимают, где ИИ работает, и формируют устойчивые паттерны использования. Наша ответственность как разработчиков — учитывать эти паттерны при проектировании, чтобы продукты действительно использовали, а не «ради галочки» внедряли на 5 000 человек без эффекта — иначе люди вернутся к тому, чем пользовались годами, потому что так быстрее и понятнее.
Чтобы говорить на одном языке, используем простую лестницу зрелости систем:
- LM-уровень — разовая генерация «здесь и сейчас»: переименовать товар, переформулировать текст.
- Ассистент — диалог «вопрос—ответ» с поиском, структурированием и подсказками следующего шага — именно здесь и рождается прирост КПД пользователя.
- Агент — система, которая сама принимает решения и выполняет действия во внешних системах (автономно или по команде), оценивая «можно/нужно ли» сделать шаг.
Мы сознательно пришли к позиционированию агентов как ассистентов, а не заменителей: это помощники, за которыми окончательную проверку может проводить человек. В таком формате они реально увеличивают КПД сотрудников на 30–40% в месяц и дают понятную экономику: ассистент ускоряет поиск, расчёты и оформление, а ответственность и финальный выбор остаются за профессионалом.
Кейс
У компании росли продажи — и лавинообразно увеличивался поток отзывов на маркетплейсах. Приходили тысячи сообщений: разбор занимал 1–2 дня, ответ получали лишь ~30%. В результате накопился негатив, просели репутационные метрики и росли операционные издержки. Мы развернули AI-систему, которая автоматически принимает и анализирует отзывы, формирует краткие выжимки для карточек и публикует бренд-корректные автоответы прямо на площадке.
И как бы ни хотелось верить в полную автономию, сегодня LLM в ряде задач не готова заменить человека, но она уже может «подогнать» черновик, облегчить рутину. Кейс Сотрудники в юридическом подразделении и отделе закупок регулярно сталкиваются с необходимостью вручную собирать данные из разных источников — коммерческих предложений, технических заданий, протоколов закупок, шаблонов договоров и др. После этого им предстоит ещё и вручную формировать проект договора, что требует много времени, повышает риск ошибок и замедляет процессы. Мы внедрили Telegram-бота, который позволяет автоматизировать процесс подготовки договора, самостоятельно «подтягивая» необходимые сведения из входных файлов и CRM, сопоставляет их с нужными полями шаблона и проверяет корректность соответствий. Но на финальном этапе включается «human-in-the-loop»: сформированный проект договора направляется сотруднику на проверку и утверждение. Без человека не обойтись и на уровне отстройки бизнес-процессов, которые постоянно меняются, а агент вполне может их «не догонять». Здесь решает архитектура. Мы разделяем знания на два «слоя»: — фундаментальный (закладывается при дообучении), — динамический (регламенты, правила, инструкции, которые часто обновляются). С такой конструкцией не нужно «перешивать» модель каждые полгода — достаточно оперативно обновлять динамический слой, и ассистент продолжит идти в ногу с процессом пользователя. Но, повторюсь, без человека тут снова никуда. По данным Russian Business (со ссылкой на отчёт WEF Future of Jobs 2025), к 2030 году ИИ создаст около 170 млн новых рабочих мест по миру, при этом ~22% нынешних специальностей и вакансий исчезнут; часть сотрудников (~8%) перейдёт в другие сферы, а суммарный эффект даст чистый рост занятости ≈7%. Отсюда логичный переход к новой операционной модели. Вместо классического «наняли ещё одного работягу» компании переходят к связке ИИ-агент + человек. Измерение эффективности работы человека тоже смещается — вместо FTE на первый план выходит стоимость и качество закрытия конкретной задачи. Меняются и практики менеджмента: резюме само по себе уже мало что говорит, важнее «скилл-граф» — подтверждённые навыки и результаты в кейсах, проектах, репозиториях. На этой базе формируется динамическая цена труда. Ставка зависит от: Итог — новая модель занятости, где ключевая ценность рынка — гибкость и прозрачная оценка компетенций. Юридически значимые действия и деньги: Репутационные коммуникации: Безопасность и доступы: Критичные бизнес-правила и исключения: Качество данных и интерпретация: Изменения процессов/регламентов: Задачи с требуемой точностью 99%+: LLM — генеративная модель, а не калькулятор/статистический пакет; правдоподобно ≠ гарантированно верно. Для предсказаний — профильные ML/статистические модели и статистические методы. Ключевой вывод: ИИ не «вытесняет людей поголовно», а перестраивает роли и перераспределяет задачи — выигрывают те, кто использует ИИ как ассистента и ускоритель процессов, оставляя критичные решения людям.
Где AI не заменит человека?