Agent washing: почему «ИИ-агент» часто оказывается чат-ботом

Осенью 2024 года почти каждый второй релиз в корпоративном софте получил приставку «agentic» или «AI agent». Salesforce выпустила Agentforce, Microsoft добавила автономных агентов в Copilot Studio, десятки стартапов переписали лендинги, заменив «чат-бот» на «агент», не меняя при этом ни строчки в архитектуре. Аналитики Gartner в июне 2025 года прямо назвали это явление agent washing — по аналогии с greenwashing — и спрогнозировали, что к концу 2027 года больше 40% проектов по внедрению ИИ-агентов будут свёрнуты как не оправдавшие вложений. Проблема не в том, что агентов не существует. Проблема в том, что этим словом стали называть всё подряд.

Что такое агент на самом деле

Агент¹ — это не интерфейс и не модель. Это система, которая получает цель, сама планирует шаги к ней, вызывает внешние инструменты, оценивает результат и при необходимости меняет план. Ключевое слово — автономия в действиях. Чат-бот отвечает на реплику и останавливается. Агент может, получив запрос «оформи возврат по заказу №4417», сходить в API магазина, проверить статус, инициировать возврат, отправить письмо и вернуться с отчётом — без того, чтобы человек нажимал кнопку на каждом шаге.

Разница видна по трём признакам. Первый — доступ к инструментам: агент вызывает функции, ходит в базы, запускает код. Второй — многошаговость: он держит цель через цепочку действий, а не отвечает разово. Третий — обратная связь: он видит результат своего действия и реагирует на ошибку, а не выдаёт заготовленный текст.

Если продукт называет себя агентом, но не может выполнить ни одного действия во внешней системе без явного клика пользователя — это чат-бот с маркетинговым бюджетом.

Как выглядит agent washing на практике

Типичный кейс: вендор берёт обычную RAG²-надстройку над языковой моделью, которая ищет ответ в корпоративной базе знаний, и продаёт её как «агента поддержки». Функционально это поиск с генерацией текста. Никаких действий, никакого планирования, никакой автономии. Пользователь спрашивает — система отвечает. Полезно, но это не агент.

Второй распространённый приём — «агент», который на самом деле жёстко зашитый сценарий с ветвлениями (if-then), куда сверху накрутили генерацию формулировок. Такой продукт не планирует — он идёт по заранее прописанному дереву. Ломается на любом шаге, который разработчик не предусмотрел.

Третий — демо, которое работает только на подготовленных примерах. На сцене агент бронирует перелёт и отель за одну команду. В проде выясняется, что он справляется с этим ровно на тех трёх авиакомпаниях, которые показывали инвесторам.

Признаки, что перед вами washing

• В описании много слова «агент» и ни одного примера действия, которое он совершает без участия человека.
• Нет списка интеграций и инструментов, к которым он реально подключается.
• Демонстрация всегда идёт по одному и тому же сценарию, а на свободный запрос система «извиняется» и просит переформулировать.
• Вендор не отвечает на вопрос, что происходит, когда шаг цепочки завершается ошибкой.
• Нет метрики автономности — какой процент задач закрывается без эскалации на человека.

Чат-бот, RAG-ассистент, агент: где граница

Средняя колонка — самая коварная. RAG-ассистент выглядит «умно», отвечает по делу и со ссылками, и именно его чаще всего продают как агента. Полезность у него реальная, а вот автономии — ноль.

Кому нужен настоящий агент, а кому хватит чат-бота

Агент оправдан там, где задача состоит из цепочки действий и где эти действия можно доверить машине с приемлемым риском.

• Пригодится: обработка типовых заявок с обращением к нескольким системам (проверить остаток, создать заказ, обновить CRM). Разбор входящей почты с автоматической маршрутизацией. Мониторинг с автоматическим реагированием в DevOps. Сбор и сведение данных из нескольких источников в отчёт.
• Не пригодится: справочная поддержка, где нужно просто быстро найти ответ в документации — здесь RAG-ассистент дешевле и надёжнее. Юридически или финансово чувствительные решения, где цена ошибки автономного действия слишком высока. Задачи с одним шагом — им автономность не нужна вовсе.

Практическое правило: если ценность продукта в том, что он отвечает, вам не нужен агент. Если ценность в том, что он делает и избавляет человека от рутинных кликов — тогда есть смысл смотреть в сторону агентов и терпеть их нестабильность.

Цена вопроса

Настоящий агент дороже во всех смыслах. Он делает больше вызовов модели на одну задачу — значит, выше расход токенов и счёт за API. Он требует подключения к вашим системам, а это интеграция, тестирование и вопросы безопасности: агенту, который совершает действия, нужны права доступа, и ошибка тут дороже неудачного ответа. По оценке Gartner, именно недооценка стоимости внедрения и разрыв между демо и реальностью — главные причины, по которым проекты сворачивают. Прежде чем платить за «агента», стоит честно посчитать, окупит ли автономность эти расходы, или вам достаточно ассистента за меньшие деньги.

Как проверить перед покупкой

1. Попросите продемонстрировать выполнение задачи на ваших данных и в вашем сценарии, а не на подготовленном демо.
2. Задайте свободный запрос, которого не было в презентации, и посмотрите, справится ли система.
3. Спросите список интеграций и то, какие действия агент реально совершает во внешних системах.
4. Уточните, что происходит при ошибке шага и как система эскалирует задачу человеку.
5. Попросите метрику: какой процент задач закрывается автономно на реальных клиентах.

Если на эти вопросы вендор отвечает уклончиво — вы, вероятно, смотрите на чат-бота в дорогой обёртке.

¹ Агент — программная система на основе языковой модели, которая получает цель, самостоятельно планирует последовательность действий, вызывает внешние инструменты и корректирует план по результату.

² RAG (Retrieval-Augmented Generation) — подход, при котором модель перед ответом ищет релевантные фрагменты в вашей базе данных и генерирует ответ на их основе. Повышает точность, но сам по себе не даёт автономных действий.