GigaChat выходит в агенты: что доступно бизнесу сейчас

Сбер продвигает GigaChat из чат-бота в инструмент, который умеет не только отвечать, но и выполнять действия: вызывать функции, обращаться к внешним данным, обрабатывать документы и изображения. Компания предлагает обработку через API и облачную платформу, а также встраивание в бизнес-процессы через партнёрскую экосистему. Ниже — что из агентных возможностей действительно доступно бизнесу, а что пока остаётся демонстрацией и требует ручной сборки.

Что вообще называют «агентом»

Термин «агент» в маркетинге ИИ размылся до неузнаваемости. У одних это простой скрипт с одним вызовом функции, у других — автономная система, которая планирует шаги и сама решает, когда остановиться. Применительно к GigaChat стоит различать три уровня зрелости.

• Вызов функций (function calling) — модель по запросу пользователя формирует структурированный вызов вашей функции с параметрами. Вы сами исполняете вызов и возвращаете результат.
• Работа с данными и документами — загрузка файлов, извлечение текста, ответы по загруженному контексту, распознавание изображений.
• Полноценный агент с планированием — цепочка шагов, память, самостоятельный выбор инструментов. Это чаще собирается на стороне интегратора, а не «из коробки».

Когда Сбер говорит про «агентов», в первую очередь речь о первых двух уровнях плюс инструментах для сборки третьего. Автономный агент «под ключ» без разработки — пока не то, что вы включаете кнопкой.

Function calling — ядро агентности

Function calling¹ — механизм, при котором модель возвращает не текст, а описание того, какую функцию и с какими аргументами нужно вызвать. Именно это превращает языковую модель в звено бизнес-процесса: она может «попросить» систему проверить остаток на складе, создать заявку в CRM или посчитать стоимость доставки. GigaChat поддерживает такой режим через API, что и делает возможной сборку агентных сценариев.

Агент — это не магия внутри модели, а ваша инфраструктура вокруг неё. Модель предлагает действие, но исполняете и контролируете его вы. Кто путает эти роли, получает не автоматизацию, а неуправляемый риск.

Как это устроено у Сбера

Доступ к GigaChat для бизнеса идёт по нескольким каналам:

1. API — прямые запросы к моделям семейства GigaChat разных размеров: от лёгких для массовых задач до старших для сложных рассуждений. Тарификация построена на токенах².
2. Облачная платформа — размещение и вызов моделей в инфраструктуре провайдера, что важно для компаний, которым нужен контур внутри РФ.
3. Готовые интеграции — встраивание в продукты партнёров и собственные сервисы Сбера, где модель уже завёрнута в конкретный сценарий.

Конкретные названия версий моделей, лимиты и цены за токены Сбер периодически обновляет, поэтому актуальные цифры и состав тарифов проверяйте на официальной странице GigaChat для разработчиков, а не по чужим пересказам. Здесь важнее логика: вы платите за объём обработанного текста, и у агентных сценариев с многошаговыми вызовами расход токенов заметно выше, чем у одиночного ответа.

GigaChat против ближайших вариантов

Если вы выбираете модель под агентные задачи в российском контуре, реальных альтернатив немного. Ниже — сравнение по признакам, важным для бизнеса, а не по абстрактному «уму».

Публичных сопоставимых бенчмарков, где GigaChat, YandexGPT и зарубежные модели меряются на одной методике агентных задач, в открытом доступе с проверяемым источником нет. Поэтому «кто лучше на агентах» — вопрос вашего пилота на реальных данных, а не готового рейтинга.

Кому это пригодится, а кому нет

Пригодится

• Компаниям, которым критичен российский контур. Банки, госсектор, ритейл с требованиями к хранению данных — здесь зарубежные API отпадают, и GigaChat становится рабочим вариантом наравне с YandexGPT.
• Тем, кто уже в экосистеме Сбера. Если у вас счета, эквайринг и облако у одного провайдера, интеграция и оплата упрощаются.
• Сценариям с чёткими функциями. Поддержка первой линии, извлечение данных из документов, маршрутизация обращений, автозаполнение форм — там, где действия предсказуемы и вы контролируете каждый вызов.

Скорее не пригодится

• Стартапам, которым нужен максимум зрелых инструментов агентов «из коробки». Экосистема готовых фреймворков вокруг зарубежных API пока богаче, и для быстрого прототипа это может быть проще.
• Задачам без разработки. Если вы ждёте автономного агента, который сам всё соберёт по текстовому описанию, — такого «включил и работает» здесь нет, нужна инженерная сборка.
• Проектам, где важна независимость от одного поставщика. Плотная привязка к экосистеме — это и удобство, и риск при смене условий.

С чего начать пилот

1. Определите один узкий сценарий с измеримым результатом: например, разбор входящих заявок и заполнение полей в CRM.
2. Опишите функции, которые модель сможет вызывать, и оставьте исполнение на своей стороне с логированием каждого вызова.
3. Прогоните на исторических данных и посчитайте расход токенов на один типовой диалог — это ваша реальная стоимость, а не цена за тысячу токенов из прайса.
4. Заложите проверку: что делает система, если модель предложила неверное или опасное действие. Без контроля агент опасен именно на действиях, а не на ответах.

¹ Function calling (вызов функций) — режим, при котором модель возвращает структурированное описание нужного вызова (имя функции и параметры), а не свободный текст. Само действие выполняет ваш код.

² Токен — единица, на которую модель разбивает текст (примерно часть слова). Оплата в большинстве API считается по числу токенов на входе и выходе, поэтому длинные диалоги и многошаговые агенты дороже коротких ответов.