Как устроен рынок ИИ-агентов: кто их разрабатывает и сколько это стоит
Рынок искусственного интеллекта перешел от точечных экспериментов к масштабному внедрению. 39% российских компаний используют ИИ-агентов и ИИ-ассистентов — это следует из данных исследования «СберАналитики» и «Сбер Бизнес Софта», проведенного в ноябре 2025 года.
Напомним, ИИ‑агенты — это не просто модель для генерации текста. В отличие от ИИ-ассистентов, которые ждут команды, агенты могут работать в фоновом режиме, самостоятельно разрабатывать план действий и выполнять его. ИИ-агент сам видит проблему, думает, как ее решить, делает нужные шаги и учится на ошибках, то есть пользователь ставит цель, а ИИ-агент ищет путь (подробнее см. «Агентов взяли в оборот», «Монокль» № 7 за этот год).
На глазах растет и сфера разработки ИИ-агентов. В России к концу года этот рынок достигнет десятков миллиардов рублей, по самым оптимистичным прогнозам, может быть, даже 50‒60 миллиардов, говорит Иван Оселедец, генеральный директор Института искусственного интеллекта AIRI и декан факультета искусственного интеллекта МГУ.
«Рынок ИИ-агентов еще молод. Сама работа с ИИ-агентами в России началась весной 2025 года, а зачатки этого рынка существуют с лета, — говорит Дмитрий Россихин, генеральный директор RDN-group — веб-интегратора, который специализируется на внедрении продуктов 1С, “Битрикс24” и “1C-Битрикс”. — Пока нельзя оценить размер несформированного рынка, но количество запросов на разработку ИИ-агентов постоянно растет». По словам Дмитрия Россихина, у каждого интегратора пакет запросов на классическую автоматизацию по-прежнему составляет сотни миллионов рублей. При этом запросы на ИИ-агентов исчисляются 10‒20 миллионами, а до финальной стадии доходят проекты на единицы миллионов — это данные осени.
Несмотря на то что нейротехнологии используются в различных сферах бизнеса, от медиа до медицины, запросы на разработку ИИ-агентов похожи.
«Есть запрос из разряда “все наши конкуренты пишут про ИИ на сайте, и нам тоже поставили на это KPI”, — рассказывает генеральный директор RDN-group. — Если говорить о практических запросах, то на первом месте боты-помощники. На втором — анализ больших данных. Как простой вариант, вычитка договоров и поиск несоответствий. Как более продвинутый вариант — анализ данных из “Битрикс24” или 1С. Например, чтобы в CRM (Customer Relationship Management, база данных клиентов. — “Монокль”) не строить разные отчеты, а текстом задавать интересующие вопросы ИИ-агенту».
«Компании переходят от экспериментальных ИИ-агентов, созданных под одну задачу, к единой платформенной архитектуре, где все модели и инструменты работают в общем контуре — с унифицированными данными, API (Application Programming Interface, программный интерфейс приложения. — “Монокль”), безопасностью и системами мониторинга», — добавляет Роман Стятюгин, директор центра VK Predict, представитель стратегического комитета Ассоциации больших данных. По его словам, такой платформенный подход позволяет поэтапно наращивать использование ИИ — начиная с типовых сценариев вроде клиентской поддержки или аналитики и постепенно расширяя решения на внутренние бизнес-процессы.
Пока что основной запрос на разработку ИИ связан со слабо структурированной документацией. Например, в финансовой сфере ИИ проверяет договоры, сравнивая их с шаблонами банка, и в разы быстрее человека извлекает ключевые данные из документов. В промышленности ИИ-агент находит нужную информацию в тысячах страниц технической документации по запросу — например, «найти регламент замены подшипников для станка X». В медицине нейросеть извлекает данные из медкарт и анализирует исследования и анализы, чтобы ускорять постановку диагноза.
Человеку нужно прочитать документ (договоры, ГОСТы, технические спецификации), чтобы найти нужный пункт. Это занимает от 5 до 30 минут. Языковая модель (Large Language Model, LLM, большая языковая модель) «читает» и извлекает точный ответ за 2‒5 секунд. Разница в скорости составляет от 50 до 100 раз.
Структурирование документации вполне типичная задача. Более сложный запрос на разработку ИИ-агентов связан с управлением и принятием решений. Это ускоряет внутренние бизнес-процессы и напрямую влияет на конечный продукт. Так, ИИ-агент может выступать в роли инвестиционного советника, самостоятельно принимая решения в сфере финансов, автоматизировать маркетинговые кампании, становиться менеджером IT-проекта, писать сценарии, создавать дизайн с нуля и так далее. Иногда запросы на разработку ИИ-агента включают автоматизацию и геймификацию.
«На российском рынке представлены как уже готовые ИИ-агенты, так и платформы для их самостоятельной разработки. Некоторые разработчики и интеграторы создают ИИ-агентов на заказ — они, как правило, используют решения с открытым исходным кодом или пользуются ИИ-платформами», ― рассказывает Артур Самигуллин, руководитель платформы Yandex AI Studio в Yandex B2B Tech.
По его словам, есть несколько путей внедрения ИИ-агентов в бизнесе. Самый простой — использовать уже готовые решения, которые помогают автоматизировать конкретные задачи. Речь идет о предварительно разработанных ИИ-агентах, которые можно внедрить без долгой адаптации или навыков программирования — например, обо всем известных GigaChat или YandexGPT.
К ИИ-агенту всегда под ключена языковая модель — поэтому ему можно задавать вопросы в свободной форме
Такие решения хорошо подходят для белых воротничков, разработчиков или малого бизнеса, но их трудно адаптировать под задачи компании. «Оптимальное решение для бизнеса — собрать своего ИИ-агента на платформах вроде Yandex AI Studio. На них можно создать цифрового помощника даже без знания кода», — продолжает Самигуллин. Yandex AI Studio — своего рода конструктор агентов. С его помощью получают код агента, который интегрируют в свои приложения. Разработка агента в Yandex AI Studio бесплатна, но есть тарификация за использование нейросети внутри своего сервиса и за некоторые инструменты — например, если агент использует веб-поиск. Все запросы тарифицируются в токенах, пользователь регулярно платит за количество использованных токенов — как за газ по счетчику. В среднем стоимость 1 млн токенов Alice AI LLM составляет 580 рублей.
Малый бизнес обычно пробует Open Source, то есть тех же бесплатных ИИ-агентов, которых подстраивает под себя. Практически каждый может написать свой MCP-сервер (Model Context Protocol, протокол взаимодействия модели с контекстом). MCP-серверы действуют как посредник между универсальными языковыми моделями и специфическими задачами бизнеса. Они предоставляют LLM (тому же чату GPT) контекст, недоступный на этапе обучения: от внутренней документации до корпоративных сервисов. Это делает внедрение ИИ гибким: компания сама определяет, к каким данным и функциям модель получит доступ.
Проблема в том, что типовые и коробочные решения часто не дают хорошего результата. В случае с ИИ-агентами проблема кроется в их «начинке», той самой языковой модели. «Готовые языковые модели отвечают на вопросы с точностью 70 процентов, — утверждает Иван Оселедец. — Это относительно неплохо, но, если мы говорим, например, о подсказке врачу, лучше не давать никаких советов, чем дать три из десяти неправильных. Поэтому языковую модель всегда надо дообучать. При этом дообучение все равно гораздо менее затратный процесс, чем стандартный подход с обучением языковой модели с нуля».
Поэтому компании-гиганты, такие как «Яндекс» и Сбер, создают собственных ИИ-агентов, то есть пользуются инхаус- (внутренней) разработкой. Таким же образом действуют крупные IT-компании с большим штатом разработчиков: у них есть спрос на ИИ-агентов — помощников-кодеров.
«По рынку идет идея, что джуны (от англ. Junior, начинающие IT-разработчики. — “Монокль”) больше не нужны, их стараются увольнять, — рассказывает Дмитрий Россихин. — Джуна может заменить ИИ-агент, которому ставят задачу на своем языке. ИИ-агент пишет код, остается только этот код проверить. Такие агенты уже внедрены. Правда, с таким запросом не обращаются к подрядчикам, крупные компании создают агентов сами — на рынок интеграторов спрос не выходит». Наш собеседник также отмечает: спрос на заказную разработку в области ИИ-агентов в целом значительно ниже, чем на инхаус-разработку.
Крупные телекоммуникационные компании также активно трансформируются в IT-бизнес, предлагая бизнесу помельче готовые решения. Так, «Ростелеком» разрабатывает и предлагает продукты на базе ИИ. Их платформа «Нейрошлюз» объединяет порядка 30 ИИ-сервисов, включая DeepSeek, GigaChat, ChatGPT, Gemini и Yandex Art. Платформа позволяет генерировать тексты, изображения и аудио, создавать презентации, автоматически расшифровывать встречи и составлять протоколы. Ее сервисы можно использовать для написания программного кода, разработки цифровых помощников и создания продуктивных промптов. Она также предлагает автоматическое извлечение ключевой информации из текстов и презентаций, в том числе на иностранных языках, и интеллектуальный поиск по документам.
МТС предлагает сервис МТС Exolve — голосовых агентов, способных вести осмысленный диалог и интегрироваться с корпоративными системами. Агенты занимаются предобработкой входящих запросов, подтверждением заказов, реактивацией клиентов по данным CRM, сбором обратной связи и массовыми уведомлениями. Тарификация поминутная и зависит от сложности: от 0,30 рубля за минуту.
Платформа от «Билайн Big Data & AI» предлагает агентов под конкретные бизнес-роли: помощник продавца (скрипты продаж, поиск по клиентской базе, подготовка коммерческих предложений), оператор контакт-центра (поиск информации, обработка жалоб), ассистент секретаря (транскрибация встреч, подготовка шаблонов рассылок), помощник аналитика (сбор и агрегация данных, генерация отчетов с визуализацией) и помощник маркетолога (анализ кампаний, исследование рынка).
«Мы видим четкое разделение, — резюмирует Дмитрий Россихин. — С одной стороны, существуют небольшие компании с активными директорами. Эти компании на пике технологий, они внедряют себе ИИ-агентов, и вот они придерживаются Open Source решений. С другой стороны, есть действительно крупные корпорации, единицы из них покупают “голую” LLM и сами ее обучают на своих данных. Наконец, вендоры (компании — производители софта) обновляют свои продукты, включая туда ИИ-агентов: так, 1С и “Битрикс24” добавляют функции ИИ внутрь коробочных и облачных решений».
А вот средний бизнес сейчас тормозит сильнее всех в плане использования ИИ-агентов, объясняет Дмитрий Россихин. В основном это связано с безопасностью данных. Языковые модели собирают информацию, поэтому компании беспокоятся об утечках и не используют бесплатные непроверенные нейросети. Устанавливать и настраивать LLM на собственных вычислительных мощностях организации, внутри корпоративной инфраструктуры («в контуре»), а не использовать облачную инфраструктуру— слишком дорого. В России для среднего бизнеса разворачивание собственной LLM на своих серверах стоит от 10 млн до 30 млн рублей на старте, уточняет наш собеседник.
Не каждый пользователь и директор компании понимает, на основе чего создается ИИ-агент по его запросу. Но если заказчик понимает, как работают ИИ-агенты, чаще всего он может сделать его самостоятельно.
«С точки зрения безопасности заказчику в обязательном порядке необходимо запрашивать информацию о том, какое сырье использовалось и насколько оно проверенное. Это не должен быть скачанный код, который неизвестно что и неизвестно куда отправляет», — предупреждает Дмитрий Россихин.
Под «сырьем» в ИИ-индустрии понимаются три вещи: открытый код (библиотеки), готовые веса моделей (сама «мозговая» часть нейросети) и датасеты (данные для обучения), объясняет генеральный директор RDN-group. Когда разработчики хотят сэкономить, они заходят на открытые порталы (например, Hugging Face) и скачивают оттуда бесплатные модели.
Одной из угроз в таких случаях могут быть закладки в коде (Backdoors). Пользователь скачивает ИИ для анализа договоров, а внутри оказывается зашит скрипт. Как только модель запускается на сервере, она архивирует документы и незаметно отправляет их на IP-адрес злоумышленника.
Если используются неизвестные сторонние плагины или API-агенты, они могут по умолчанию собирать все запросы (коммерческую тайну) и сохранять их на зарубежных серверах, якобы для улучшения качества обслуживания. Именно поэтому бизнесу нужно обязательно проверять сертификацию ПО, использовать безопасные форматы моделей и проводить аудит кода перед запуском ИИ в свой корпоративный контур.
Но, пожалуй, самое сложное при заказе собственного ИИ-агента ― оценить, решается ли с его помощью бизнес-задача и не допускаются ли при этом критические ошибки.
«Заказчик должен понимать, как он будет тестировать и оценивать качественный результат. Он должен собирать бенчмарки и смотреть на качество. Если заказчик этого не понимает, то тогда ему могут навязать полную ерунду со словами: “Смотрите, работает правдоподобно”. А в том, что ИИ-агент в этом правдоподобном напридумывал, уже придется разбираться самому заказчику. То есть ключевым вопросом являются метрики и критерии качества, а не данные, на которых языковая модель обучалась», — объясняет Иван Оселедец.
Основная проблема при разработке ИИ-агентов — несовпадение ожиданий заказчика и возможностей разработчика
Основная проблема при разработке ИИ-агентов — несовпадение ожиданий заказчика и возможностей разработчика. Менеджерам хочется получить точную модель уже завтра, но на практике приходится ждать несколько месяцев и получать ИИ-агента с правильными ответами в 60‒80% случаев.
Искусственный интеллект работает на основе теории вероятности, то есть он может не давать необходимый результат, а «придумывать» что-то, что будет только похоже на правду. Важно понимать, что ошибки будут всегда, вопрос в их количестве и в том, как компания может с ними справиться.
«У языковых моделей возникают галлюцинации — они придумывают факты, объекты или инструменты, которых нет и никогда не было. Надо понимать, что стопроцентной гарантии отсутствия галлюцинаций не будет никогда — это математический результат. При интеграции ИИ-агента, как и любой другой сложной инфраструктуры, никто не может дать стопроцентной гарантии: обычно ставят какой-то показатель надежности и одновременно прописывают систему реагирования на риски — что делать, если что-то пошло не так. Поэтому нужно не требовать стопроцентной гарантии отсутствия ошибок, а строить систему анализа и оперативного реагирования на риски», — говорит Иван Оселедец.
Может показаться, что ИИ-агенты лишь преходящая мода. В самом деле: программное обеспечение справлялось с автоматизацией и алгоритмами и до появления искусственного интеллекта. Однако разница между ПО и ИИ-агентами есть, и она принципиальная.
К ИИ-агенту всегда подключена языковая модель. Необходимую информацию можно получать, задавая агенту вопросы в режиме чата, в свободной форме и привычным языком.
Подключение нейросети к Telegram (или любому другому мессенджеру) позволяет бизнесу получить работающий продукт за пару дней, а не месяцев. Не приходится разрабатывать интерфейс (Front-end). Написание кнопок, окон чата, полей ввода довольно долгий процесс. В Telegram интерфейс уже есть, и он знаком каждому. Разработчики берут готовую «оболочку» и подключают к ней «мозг» (API языковой модели). Telegram-бот мгновенно работает на всех устройствах, не требуя установки стороннего ПО. Сотрудникам не нужно читать инструкции к новой корпоративной программе, получать логины и пароли. Они открывают рабочий чат-бот и начинают общаться с ним так же легко, как с коллегой.
Специалисты объясняют: языковая модель также серьезно упрощает сам процесс постановки и решения задач.
«Раньше, когда к системам автоматизации не была подключена языковая модель, надо было искать данные, ставить задачи программисту, — рассказывает Дмитрий Россихин. — Программное обеспечение запрограммировано достаточно жестко: шаг влево, шаг вправо, и нам нужно привлекать разработчиков, все менять, внедрять, а это долго. Сейчас мы можем общаться с ИИ-агентом на любом языке и в более короткий срок получить автоматизацию. То есть мы автоматизировали работу очень быстро, очень легко, посмотрели на результат: нравится, не нравится. Захотели — перенесли в какую-то корпоративную систему».
К примеру, такая быстрая автоматизация может применяться в сфере рекрутинга. У менеджера HR-отдела открыта вакансия, и на почту упало 200 резюме в разных форматах (PDF, Word, картинки). Если бы HR-менеджер захотел автоматизировать это раньше, используя традиционное ПО, ему пришлось бы идти к программистам, писать техзадание: «Сделайте мне программу, которая будет читать документы и выделять опыт работы». Программисты делали бы это 3‒6 месяцев, потратили бы миллионы рублей, а в итоге интерфейс мог бы оказать неудобным.
Сейчас, в эпоху ИИ-агентов, HR-менеджер открывает ИИ-чат, похожий на обычный мессенджер, загружает туда папку со всеми 200 резюме одним архивом и пишет: «Выбери из этих файлов только тех кандидатов, у кого есть опыт в продажах от трех лет, кто знает английский, и составь мне по ним табличку с их телефонами и плюсами/минусами».
Около двух минут — и агент выдает таблицу. И только после этого, убедившись, что технология работает и приносит пользу, компания отдает задачу программистам: «Возьмите этот функционал из чата и встройте его прямо в нашу кадровую систему, чтобы это автоматически происходило со всеми входящими письмами». Удобство проверили за 5 минут, не потратив на долгую разработку ни копейки.
«Ключевое отличие ИИ-агентов от уже привычного ПО — в их автономности и умении работать с другими системами и приложениями», — разъясняет Артур Самигуллин. Например, агент сам занесет данные в CRM-систему, а при поиске информации сам обратится в интернет, в базы знаний и другие системы, пока не составит полный ответ на запрос пользователя. «При этом важно понимать, что сейчас ИИ-агенты далеки от полной автоматизации бизнеса — пока компании скорее экспериментируют с ними на конкретных задачах», — заключает руководитель Yandex AI Studio.
Стоимость ИИ-агента складывается из стоимости часа специалиста, который разрабатывает или дорабатывает языковую модель. К этому добавляется стоимость подписки на саму нейросеть, которая лежит в основе.
«В классической модели внедрения ИИ-агента требуется время на тестирование и доработку нейросети, — рассказывает Дмитрий Россихин. — Промпт-инженер пишет первичный промпт по техническому заданию, он обкатывается. Если мы сменим агенту языковую модель, он может отрабатывать по-другому. Периодически выходят новые версии LLM, которые тоже влияют на работу ИИ-агента. Все это тестируется в течение какого-то времени, и только после этого готовый агент может быть отдан заказчику. И то, скорее всего, ИИ-агент потребует некоторого сопровождения, потому что не все заказчики достаточно зрелые, чтобы понимать все тонкости».
«Стоимость ИИ-агента складывается из трех составляющих: создание, поддержка с развитием, стоимость LLM», — говорит Александр Данилов, гендиректор и основатель Nodul, low-code платформы автоматизации процессов. По его словам, многое также зависит от инфраструктуры и интеграций. По инфраструктуре три варианта: собственная — максимальный контроль, но капитальные вложения на старте; арендная — гибкость, стоимость растет с нагрузкой; SaaS/платформа — минимальный порог входа, платишь за использование. По интеграциям: чем больше систем и сложнее логика обмена данными — тем выше стоимость и сроки. «Я бы сказал, что сегодня в рынке стоимость создания простых агентов начинается от 200‒300 тысяч рублей и может доходить до нескольких десятков миллионов рублей», — говорит Александр Данилов.
Он также предупреждает: поддержка — статья, которую часто недооценивают. При разработке кодом она составляет до 50% от стоимости первоначальной разработки в год. При использовании платформы-конструктора — в несколько раз меньше, тут стоимость зависит от потребляемой мощности сервера. Стоимость LLM зависит от задачи: объема диалогов, длины контекста, требуемого качества. Агент поддержки на дорогих моделях при высокой нагрузке по совокупной стоимости может сравняться с живым сотрудником или превысить его. Выбор модели, скорее, финансовый вопрос.
При этом ИИ-агент — не волшебная таблетка и не способ резко сократить затраты.
«В любом случае не стоит ожидать, что агент в разы снизит операционные затраты бизнеса, однако он существенно меняет управляемость и масштабируемость», — подчеркивает Александр Данилов.