20 вопросов перед покупкой AI-агента для бизнеса

Термин «AI-агент» в 2024–2025 годах прилип почти ко всему: к чат-ботам поддержки, к плагинам для CRM, к автономным сценариям в n8n и Zapier, к дорогим корпоративным платформам вроде Salesforce Agentforce и Microsoft Copilot Studio. Разброс цен — от бесплатного self-hosted до десятков тысяч долларов в год за корпоративную лицензию. Проблема в том, что под одним словом продают принципиально разные вещи, и понять, что именно вы покупаете, по маркетинговой странице почти невозможно. Ниже — двадцать вопросов, которые отделяют рабочий инструмент от красивой демонстрации.

Что вообще называют агентом

Строго говоря, агент — это система на базе языковой модели, которая не просто отвечает текстом, а планирует действия, вызывает внешние инструменты (API, поиск, базу данных), получает результат и решает, что делать дальше, в несколько шагов без участия человека. Всё остальное — обёртки над одним запросом к модели, и это не хуже, но и не то, за что стоит платить как за автономную систему.

Первое, что нужно выяснить у любого продавца: где на этой шкале находится продукт. От ответа зависит, будете ли вы получать управляемого помощника или чёрный ящик, который однажды сам оформит возврат клиенту, которого не было.

Двадцать вопросов, разбитых по блокам

Блок 1. Возможности и границы

1. Какая модель под капотом и можно ли её сменить? Проприетарная модель поставщика или GPT-4o / Claude / Gemini через API — это разные риски по цене и стабильности.
2. Агент реально многошаговый или это один вызов модели с красивым UI?
3. Какие внешние инструменты он умеет вызывать из коробки и как добавить свой?
4. Есть ли ограничение на длину контекста^* и что происходит, когда переписка или документ в него не помещается?
5. Что агент делает, когда не знает ответа — честно говорит «не знаю», зовёт человека или выдумывает?

Блок 2. Данные и безопасность

1. Где физически хранятся ваши данные и данные ваших клиентов — в облаке поставщика, у гиперскейлера, on-premise?
2. Используются ли ваши запросы для дообучения^** моделей поставщика? Ответ должен быть письменным, в договоре, а не устным.
3. Есть ли шифрование данных в покое и при передаче, и кто владеет ключами?
4. Как разграничиваются права: сможет ли агент прочитать то, к чему у конкретного сотрудника нет доступа?
5. Что с соответствием требованиям — 152-ФЗ о персональных данных, если вы работаете с россиянами, и внутренним политикам вашей отрасли?

Блок 3. Контроль и надёжность

1. Можно ли поставить действия агента на подтверждение человеком (human-in-the-loop) перед необратимыми операциями — списаниями, письмами клиентам, изменением заказов?
2. Есть ли полный журнал действий: что агент решил, какие инструменты вызвал, с какими аргументами?
3. Как откатить последствия ошибки и кто за неё отвечает по договору?
4. Какие метрики качества поставщик готов показать на ваших данных, а не на демо?
5. Что с задержками ответа под нагрузкой и есть ли SLA^*** по доступности?

Блок 4. Деньги и зависимость

1. Из чего складывается цена — за место, за токены, за количество запусков? Токенная модель непредсказуема на пиках.
2. Сколько стоит внедрение и интеграция сверх подписки?
3. Насколько легко уйти к другому поставщику — экспортируются ли настроенные сценарии, промпты, база знаний?
4. Кто поддерживает продукт: есть ли живой саппорт, документация, срок реакции на инцидент?
5. Что будет, если поставщик закроется или удвоит цену — сценарий с небольшими AI-стартапами реален.

Демонстрация агента всегда работает. Вопрос не в том, работает ли он в идеальных условиях, а в том, что он сделает в среду вечером, когда клиент напишет что-то, чего не было в сценарии.

Чем платформы отличаются друг от друга

Чтобы вопросы из списка не висели в воздухе, полезно понимать типы продуктов на рынке. Характеристики ниже — общие ориентиры на конец 2025 года; конкретные функции и цены сверяйте на официальных страницах, они меняются ежеквартально.

Кому это пригодится, а кому нет

Агент оправдан там, где есть повторяющийся многошаговый процесс с понятными правилами и терпимостью к редким ошибкам под контролем человека.

• Первая линия поддержки. Агент разбирает типовые обращения, тянет данные из CRM, оформляет черновик ответа, а сложное отдаёт человеку. Здесь окупается быстро.
• Обработка заявок и квалификация лидов. Сбор данных, проверка по критериям, маршрутизация — рутина, которая съедает часы менеджеров.
• Внутренний поиск по документам. Агент с RAG^**** отвечает сотрудникам по базе регламентов вместо чтения PDF на 200 страниц.

Где агент, скорее всего, обернётся разочарованием:

• Необратимые финансовые операции без контроля. Автономное списание или платёж — зона высокого риска, минимум human-in-the-loop, а лучше не автоматизировать полностью.
• Юридически значимые ответы клиентам. Модель ошибается, и это ошибка компании перед потребителем, а не «глюк бота».
• Процессы, которые меняются каждую неделю. Настройка и переобучение съедят экономию.
• Малый поток задач. Если процесс запускается пять раз в день, ручная работа дешевле подписки и внедрения.

Как использовать список на практике

Не отправляйте все двадцать вопросов одним письмом — на большинство вам ответят маркетинговыми фразами. Работает иначе: попросите пилот на ваших реальных данных, а вопросы задавайте по ходу, глядя на журнал действий и на то, как агент ведёт себя вне сценария. Три вопроса, которые обязательно должны получить письменный ответ до подписания договора: об использовании данных для обучения, о возможности экспорта настроек и о том, кто отвечает за последствия ошибки агента.

^* Контекстное окно — объём текста (в токенах), который модель удерживает за один раз: и ваш запрос, и историю, и документы. Всё, что не влезло, модель «не видит».

^** Дообучение — дополнительная тренировка модели на новых данных. Если ваши запросы идут в дообучение поставщика, ваши данные могут косвенно повлиять на ответы другим клиентам.

^*** SLA — соглашение об уровне сервиса: гарантированные поставщиком показатели доступности и времени реакции, за нарушение которых предусмотрена компенсация.

^**** RAG (retrieval-augmented generation) — подход, при котором модель перед ответом ищет релевантные фрагменты в вашей базе знаний и отвечает по ним, а не по «памяти». Снижает выдумывание.