AI-агент — это программа на основе языковой модели, которая не просто отвечает на вопросы, а самостоятельно выполняет задачи: планирует шаги, вызывает инструменты (поиск, базы данных, API), проверяет результат и действует дальше без команды человека на каждый шаг. Ключевое отличие от чат-бота — агент принимает решения и совершает действия, а не только генерирует текст.

Это формальное определение. Теперь по-человечески.

Представьте двух сотрудников. Первый отвечает на вопросы клиентов строго по скрипту: спросили — ответил, не спросили — молчит. Это чат-бот, даже если внутри у него GPT последней версии.

Второй понимает задачу целиком: «собери мне корзину на ужин» — и он сам смотрит, что есть на складе, подбирает рецепт, проверяет цены, складывает товары в заказ и возвращается с готовым результатом. По пути он принял десяток решений, о которых вы не узнаете. Это агент.

Разница не в «уме» модели, а в архитектуре: у агента есть цель, инструменты и право действовать. У бота — только реплики.

Чат-бот: вопрос → ответ.
Агент: цель → план → инструменты → действия → результат.

Когда мы делали Sigma.AI — ассистента внутри продуктового маркетплейса, — заказчик изначально просил «чат-бота с GPT». Разговор поменялся после одного вопроса: а что должно произойти после ответа? Если гость пишет «хочу закуски к пятнице», текстовый ответ «рекомендую сырную тарелку» бесполезен — продукт должен положить конкретные товары в корзину.

Так «чат-бот» превратился в агента с инструментами: доступ к каталогу с 1 155 рецептами и 238 ингредиентами, привязанными к реальным складским позициям, проверка остатков и цен, сборка корзины. Каждая рекомендация — это товар, который реально есть на складе, а не фантазия модели. Заодно решилась главная болезнь LLM в e-commerce — галлюцинации: агент физически не может посоветовать несуществующий продукт, потому что отвечает не «из головы», а из базы.

И ещё один урок из этого проекта, о котором редко пишут в статьях про агентов: самые частые задачи агенту лучше… не доверять модели вообще. Типовые сценарии мы развели по детерминированным веткам и кэшу — они отрабатывают за 4–6 секунд и не тратят ни одного токена. Модель подключается только там, где действительно нужен интеллект. Агент — это не «везде LLM», это правильное распределение: где скрипт, где кэш, а где модель.

По нашему опыту, агенты сегодня надёжно закрывают: подбор и сборку заказа в e-commerce, первичную обработку заявок и маршрутизацию в поддержке, поиск по внутренним базам знаний компании (в связке с RAG — про него у нас есть отдельная статья), автоматизацию рутинных цепочек «проверил → сформировал → отправил».

Куда я бы пока не пускал агента без человека: необратимые действия с деньгами, юридически значимые ответы, всё, где цена одной ошибки выше экономии от тысячи автоматизаций. Хороший агент знает границы своих полномочий — это, кстати, проектируется, а не «получается само».

Честный ответ: вилка зависит не от «магии AI», а от понятных вещей — сколько сценариев нужно покрыть и в каком состоянии ваши данные. Хорошая новость в том, что агента не нужно строить целиком и сразу: первый работающий сценарий поверх вашей базы запускается за несколько недель — и уже приносит пользу, пока контур растёт. Так развивался и Sigma.AI: начали с подборок по каталогу, а собственная модель, голосовой ввод и интеграция в мобильные приложения добавлялись итерациями к уже работающему ассистенту.

Начинать стоит не с выбора модели, а с вопроса «какое действие агент должен совершать». Если ответ «просто отвечать на вопросы» — вам, возможно, хватит бота, и это дешевле. Если «делать» — добро пожаловать в агенты.

Sigma.AI — ассистент продуктового маркетплейса Sigma.Market: собирает корзину из товаров, которые есть на складе.