Агентство отдало часть работы ИИ-агентам: что вышло

Что произошло

Схема, о которой всё чаще рассказывают на профильных конференциях по маркетингу в 2024–2025 годах, простая: агентство не увольняет команду, а перекладывает на ИИ-агентов* повторяющиеся куски работы — черновики текстов, разбор рекламной статистики, первичную проверку брифов. Специалист перестаёт быть исполнителем на конвейере и становится редактором того, что выдал агент. Ниже — как это устроено технически и что происходит с деньгами и сроками, если убрать маркетинговый глянец из подобных кейсов.

Важная оговорка: единой публичной цифры «экономия X процентов» по индустрии не существует. Числа, которые называют сами агентства, — это их внутренняя оценка, а не измеренный по единой методике бенчмарк. Поэтому дальше речь про механику и типовые эффекты, а не про обещание конкретной прибыли.

Как выглядит связка на практике

Типовой стек в 2025 году держится на трёх вещах: большая языковая модель (чаще GPT-4o от OpenAI или Claude 3.5 Sonnet от Anthropic), оркестратор, который разбивает задачу на шаги и вызывает инструменты, и доступ к данным агентства через API или RAG** по внутренней базе.

Агент отличается от обычного чата тем, что действует по циклу: получает цель, решает, какой инструмент вызвать, смотрит на результат, корректирует следующий шаг. Для маркетинга это выглядит так:

• Черновик текста. Агент подтягивает бриф, tone of voice бренда из базы знаний и пишет 3–5 вариантов заголовка и тела поста.
• Разбор статистики. Агент забирает выгрузку из рекламного кабинета, считает CTR и стоимость заявки по срезам и формулирует, где кампания просела.
• Проверка брифа. Агент сверяет входящий бриф с чек-листом и отмечает, чего не хватает: нет целевого действия, не указан бюджет, размыта аудитория.

Ключевое слово во всех трёх пунктах — черновик. Финальное решение остаётся за человеком, и именно от этого зависит, экономия это или новый источник ошибок.

Что реально сработало

Самый устойчивый эффект — не в сложных задачах, а в устранении «пустого старта». Копирайтеру психологически тяжело писать с чистого листа; получить от агента пять сырых вариантов и переписать лучший быстрее, чем придумывать всё самому. То же с аналитикой: агент за минуту собирает таблицу срезов, на которую раньше уходило полдня выгрузок и формул.

Второе — масштабирование однотипного. Если нужно сделать 40 вариантов объявлений под разные сегменты, агент генерирует их пачкой по шаблону, а человек отбраковывает неудачные. Ручная работа сдвигается с производства на контроль качества.

Агент не заменил копирайтера. Он забрал у копирайтера ту часть работы, которую тот и сам ненавидел, — первый черновик и рутинную сверку с чек-листом.

Где агенты подвели

Провалы предсказуемы и повторяются от кейса к кейсу.

• Выдуманные факты. Модель уверенно вставляет несуществующую статистику, ссылку или цитату клиента. Без проверки это уходит в публикацию и бьёт по репутации бренда сильнее, чем медленная работа.
• Средний тон. Тексты грамотные, но безликие. Там, где ценится острый копирайтинг, агент даёт «нормально», а не «сильно».
• Стоимость на масштабе. Каждый вызов модели платный. При больших объёмах генерации и длинном контекстном окне*** счёт за API становится заметной статьёй расходов, а не мелочью.
• Данные клиента. Загрузка чувствительных данных в облачную модель — юридический и репутационный риск, который решается корпоративными тарифами с запретом на обучение на ваших данных, но это отдельные деньги и настройка.

Модели: чем отличаются варианты под такую задачу

Три инструмента, которые чаще всего берут под агентную обвязку в агентствах. Цены подписок и API меняются каждые несколько месяцев — сверяйте актуальные на официальных страницах OpenAI и Anthropic.

Кому это пригодится, а кому нет

Пригодится

• Агентствам с большим потоком однотипного контента: карточки товаров, объявления под сегменты, рассылки. Здесь выигрыш на объёме реальный.
• Командам, где аналитик тонет в выгрузках. Первичный разбор статистики агент делает быстро и его легко проверить.
• Тем, кто готов перестроить процесс: агент требует роли редактора, а не просто «включить и забыть».

Не пригодится

• Бутиковым агентствам, чья ценность — авторский, узнаваемый стиль. Средний тон модели тут работает против вас.
• Проектам с жёсткими требованиями к данным без бюджета на корпоративный тариф и настройку доступа.
• Командам, которые ждут, что агент заменит человека целиком. Без проверяющего вы получаете быстрый поток ошибок.

Как подступиться, если хотите попробовать

1. Выберите одну повторяющуюся задачу с проверяемым результатом — например, разбор рекламной статистики, а не написание манифеста бренда.
2. Запустите пилот на две-три недели с одним специалистом, который остаётся редактором вывода.
3. Фиксируйте, сколько времени экономится и сколько стоит API, — иначе не поймёте, окупается ли схема.
4. Отдельно закройте вопрос данных: что можно грузить в модель, а что нет, и на каком тарифе.
5. Оставьте человека последней инстанцией по всему, что уходит клиенту.

* ИИ-агент — программа поверх языковой модели, которая не просто отвечает на запрос, а сама разбивает цель на шаги, вызывает внешние инструменты и корректирует действия по результату.

** RAG (retrieval-augmented generation) — подход, при котором модель перед ответом подтягивает нужные фрагменты из вашей базы данных, чтобы отвечать по вашим документам, а не только по тому, чему обучена.

*** Контекстное окно — объём текста, который модель удерживает за один запрос: и ваш промпт, и приложенные данные, и её ответ. Чем больше окно, тем длиннее бриф можно дать целиком, но тем дороже вызов.