ИИ-агенты для бизнеса: на каких данных они работают
ИИ-агент отвечает клиентам и сотрудникам ровно настолько хорошо, насколько подготовлены его данные: база знаний, сценарии диалогов и критерии правильного ответа. Мы делаем агента под ключ — от подготовки данных и логики до интеграции с вашими системами — либо закрываем только слой данных, если разработку ведёт ваша команда. Отвечаем за то, чтобы агент отвечал точно, а не просто связно.
Какие данные нужны ИИ-агенту для бизнеса?
ИИ-агенту нужны четыре типа данных: база знаний, из которой он берёт факты; сценарии и инструкции, задающие рамки поведения; примеры правильных ответов для дообучения; и набор проверочных вопросов, по которому измеряют качество. Без этого слоя агент отвечает уверенно, но неточно — модель не знает регламентов и продуктов конкретной компании.
База знаний для RAG
Регламенты, документация и база поддержки очищаются, делятся на чанки и размечаются метаданными для поиска.
Сценарии диалогов
Типовые ветки разговора: что агент должен сделать при запросе, отказе, эскалации на живого специалиста.
Инструкции и рамки
Правила поведения: о чём агент говорит, о чём не имеет права, как формулирует отказ.
Датасет для дообучения
Пары «запрос — эталонный ответ» в тоне вашей компании для SFT-дообучения модели.
Проверочные вопросы
Контрольный набор запросов с известными правильными ответами для замера качества.
Разметка обращений
Исторические обращения клиентов размечаются по темам и намерениям — основа маршрутизации агента.
Как мы готовим данные для ИИ-агента?
Работа начинается с разбора задач агента: кому он отвечает и какие вопросы закрывает. Дальше собираем источники знаний, приводим их в пригодный для поиска вид, описываем сценарии и рамки поведения, формируем контрольный набор вопросов и замеряем на нём качество ответов до и после доработок.
В каких форматах отдаём данные для агента?
Базу знаний передаём JSON-чанками с метаданными, готовыми к загрузке в векторную базу, сценарии и инструкции — структурированным документом, а датасет для дообучения — в формате JSONL с парами «запрос — ответ». Отчёт по качеству ответов приходит таблицей с разбивкой по типам ошибок и ссылками на конкретные диалоги.
Как измерить качество ответов ИИ-агента?
Качество агента измеряется не ощущением, а долей ответов, прошедших проверку по рубрике. Мы собираем контрольный набор вопросов, эксперты оценивают каждый ответ по критериям точности, полноты и соблюдения рамок, а спорные случаи проходят через второе мнение. Итог — процент корректных ответов и список типовых ошибок.
Рубричная оценка
Каждый ответ оценивается по критериям: фактическая точность, полнота, тон, соблюдение рамок.
Проверка на выдумки
Эксперт сверяет, есть ли утверждение агента в базе знаний или оно придумано моделью.
Контроль эскалации
Проверяем, передаёт ли агент диалог человеку там, где обязан это делать.
Тестирование на уязвимости
Пробуем вывести агента за рамки инструкций и фиксируем сценарии, где это удаётся.
Второе мнение
Спорные ответы оценивают несколько экспертов, в отчёт идёт согласованная оценка.
Повторный замер
После правок базы знаний прогоняем тот же набор вопросов и показываем динамику.
Сколько стоит подготовка данных для ИИ-агента?
Стоимость складывается из числа процессов, которые агент ведёт сам, и из глубины доступа к вашим системам. Один процесс с журналом действий и возможностью отката — это один бюджет, несколько агентов в общей оркестрации — совсем другой. Ниже три типовых объёма со сроками, по которым удобно планировать бюджет.
| Объём работ | Стоимость | Срок | Что входит |
|---|---|---|---|
| Агент на одной задаче | от 500 000 ₽ | 5–7 недель | Один процесс, доступ к одной системе, журнал действий и откат |
| Агент с интеграциями | от 1 200 000 ₽ | 10–14 недель | Несколько систем, права и лимиты, проверка человеком на рисковых шагах |
| Связка агентов | от 3 000 000 ₽ | от 4 месяцев | Несколько агентов в одном процессе, оркестрация, мониторинг качества решений |
Отдельные работы и развитие системы после сдачи — 3 000 ₽ за час инженера. Разметка обучающих данных считается отдельно и по своим правилам — от 320 ₽ за час эксперта, а на объёмных задачах — за единицу данных. Вилки — ориентир для планирования бюджета, а не публичная оферта: точную смету и срок называем после разбора задачи и фиксируем в договоре.
Где ИИ-агенты приносят измеримый результат?
Наибольший эффект агенты дают там, где много однотипных обращений и есть письменный регламент ответа: поддержка клиентов, внутренние вопросы сотрудников, подбор товара и первичная обработка заявок. В этих сценариях данные уже существуют в виде переписки и документов — их нужно привести в пригодный для агента вид.
Пример проекта
Данные для внутреннего ассистента производственной компании
Подготовили базу знаний из регламентов и инструкций, описали 40 сценариев обращений сотрудников и собрали контрольный набор из 300 вопросов. Доля корректных ответов выросла с 61% до 88% после двух итераций правок базы знаний. Показатели — типовой сценарий проекта такого класса, не кейс конкретного клиента.
Ключевые факты
Частые вопросы об ИИ-агентах для бизнеса
Что такое ИИ-агент простыми словами?
ИИ-агент — программа на базе языковой модели, которая самостоятельно выполняет задачу: отвечает на вопрос, находит документ, оформляет заявку. В отличие от простого чат-бота со сценарием, агент сам выбирает нужный шаг, опираясь на базу знаний и заданные ему инструкции.
Вы разрабатываете ИИ-агентов под ключ?
Да. Мы делаем и данные, и сам агент: собираем базу знаний, пишем логику и интеграции с вашими системами, настраиваем сценарии и замеряем качество ответов. Можно взять только часть работы — например, подготовку данных, если разработку ведёт ваша команда.
Почему агент отвечает неправильно?
Чаще всего причина не в модели, а в данных: база знаний содержит устаревшие или противоречащие друг другу документы, границы поведения не описаны, а качество ответов никто системно не измерял. Начинать стоит с ревизии базы знаний и контрольного набора вопросов.
Чем ИИ-агент отличается от чат-бота?
Классический чат-бот работает по жёсткому дереву сценариев и отвечает шаблонами. Агент на базе языковой модели понимает формулировку свободного вида, находит ответ в базе знаний и решает, какой шаг сделать дальше — поэтому ему нужны не только сценарии, но и подготовленные данные.
Сколько данных нужно для запуска агента?
Для пилота хватит части базы знаний по одному направлению и нескольких десятков контрольных вопросов. Такой объём уже показывает, где агент ошибается, и позволяет оценить, сколько работы потребует полная база знаний компании.
Как вы защищаете внутренние документы компании?
NDA подписываем до передачи первого файла, доступ выдаётся точечно под проект, обработка и хранение идут на инфраструктуре в России по 152-ФЗ. Для чувствительных материалов возможна работа в изолированном контуре заказчика.
Проверим, готовы ли ваши данные для ИИ-агента
Пришлите часть базы знаний и список типовых вопросов — вернёмся с оценкой качества ответов и планом подготовки данных в течение 1 рабочего дня.
Не любите формы — напишите на info@datamarkup.ru
Смотрите также
Разработка ИИ-агентов
Логика, интеграции и запуск агента под ключ
RAG под ключ
Чанкинг, индексация и настройка поиска по базе знаний
Оценка качества LLM
Рубрики, side-by-side сравнения и red teaming
Дообучение LLM (fine-tuning)
SFT-датасеты и инструкции для дообучения модели
Как мы работаем
Договор, NDA, оплата с НДС и порядок приёмки