Разработка ИИ-агентов: от базы знаний до интеграции
Создаём ИИ-агентов, которые отвечают по документам вашей компании и умеют выполнять действия во внутренних системах: найти заказ, проверить остаток, оформить заявку. Берём проект целиком — база знаний, логика, интеграции, замер качества — или подключаемся к команде на нужном этапе. Начинаем с одного сценария, чтобы результат было видно за недели, а не за год.
Каких ИИ-агентов мы разрабатываем?
Делаем агентов для трёх типовых ролей: отвечать клиентам вместо первой линии поддержки, помогать сотрудникам находить ответы во внутренних регламентах и выполнять рутинные операции в учётных системах. Отдельный класс — агенты-помощники внутри продукта, которые подбирают товар или услугу по параметрам и объясняют выбор.
Агент поддержки клиентов
Отвечает на типовые обращения по базе знаний и передаёт сложные случаи оператору с контекстом.
Внутренний ассистент
Отвечает сотрудникам по кадровым, ИТ- и производственным регламентам компании.
Агент в учётной системе
Проверяет остатки, статусы заказов и создаёт документы через API 1С или CRM.
Подбор и консультация
Помогает выбрать товар или тариф по параметрам и объясняет, почему подходит именно он.
Обработка заявок
Читает входящие заявки, проверяет комплектность и маршрутизирует по ответственным.
Голосовой агент
Отвечает голосом на входящие звонки: распознавание речи, ответ по базе, перевод на человека.
Как проходит создание ИИ-агента?
Начинаем с одного сценария и контрольного набора вопросов, чтобы качество можно было измерить. Затем собираем базу знаний, разрабатываем логику агента и подключаем интеграции, прогоняем контрольные вопросы и правим слабые места. После приёмки расширяем на следующие сценарии.
С какими системами и моделями работаем?
Агента разворачиваем на облачной модели или на локальной, если данные нельзя выпускать за периметр. Интегрируем с 1С, CRM, service desk, мессенджерами и телефонией через их API. Базу знаний строим поверх векторного поиска, чтобы ответы опирались на документы, а не на память модели.
Как гарантируется качество ответов агента?
Качество измеряется долей ответов, прошедших проверку по рубрике, а не ощущением. Контрольный набор вопросов собирается до старта разработки и прогоняется после каждой правки, поэтому видно, стало ли лучше. Диалоги логируются, а ошибки разбираются по причине: нет документа, поиск не нашёл, логика увела не туда.
Контрольный набор
Вопросы с эталонными ответами — приёмка опирается на цифры, а не на впечатление.
Проверка на выдумки
Сверяем, есть ли утверждение агента в базе знаний или оно придумано моделью.
Границы полномочий
Действия, меняющие данные, вводим поэтапно и с подтверждением.
Логирование диалогов
Каждый вызов инструмента пишется в журнал — без него разбор ошибок невозможен.
Эскалация на человека
Проверяем, что агент передаёт диалог оператору там, где обязан.
Повторный замер
После доработок прогоняем тот же набор вопросов и показываем динамику.
Сколько стоит разработка ИИ-агента?
Цена агента зависит от того, сколькими системами он управляет и насколько дорога ошибка. Агент на одной задаче с доступом к одной системе стоит кратно меньше связки агентов, где нужны права, лимиты и проверка человеком на рисковых шагах. В таблице ниже — три типовых объёма со сроками и границами ответственности.
| 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-агент окупается быстрее всего?
Быстрее всего эффект виден там, где много однотипных обращений и есть письменный регламент ответа: первая линия поддержки, внутренние вопросы сотрудников, приём и проверка заявок. В этих процессах результат считается напрямую — доля обращений, закрытых без участия человека.
Пример проекта
Агент первой линии поддержки для сервисной компании
Собрали базу знаний из регламентов и истории обращений, разработали агента с интеграцией в service desk и подключили эскалацию на оператора. На контрольном наборе из 200 вопросов доля корректных ответов после двух итераций составила 89%. Показатели — типовой сценарий проекта такого класса, не кейс конкретного клиента.
Ключевые факты
Частые вопросы о разработке ИИ-агентов
Сколько времени занимает создание ИИ-агента?
Первый сценарий с базой знаний и замером качества обычно занимает несколько недель. Дальше скорость растёт: инфраструктура уже готова, и следующие сценарии добавляются быстрее. Точный срок называем после разбора вашей задачи и оценки состояния документов.
Можно ли подключить агента к 1С или CRM?
Да, через API. Начинаем с операций на чтение — проверить остаток, найти заказ, посмотреть статус, — а действия, меняющие данные, добавляем позже и с подтверждением. Такой порядок снижает риск на старте.
Можно ли развернуть агента в закрытом контуре?
Да, на локальной модели внутри вашей инфраструктуры, без обращения к внешним сервисам. Такой вариант выбирают, когда документы нельзя выпускать за периметр. Плата за это — расходы на оборудование и, как правило, более скромное качество по сравнению с топовыми облачными моделями.
Что если у нас нет готовой базы знаний?
Это обычная ситуация. Мы собираем базу из того, что есть: регламентов, переписки поддержки, документации, — и записываем правила, которые пока живут только в головах сотрудников. Подготовка данных обычно занимает больше времени, чем разработка самого агента.
Чем агент отличается от чат-бота со сценариями?
Сценарный бот идёт по жёсткому дереву и отвечает шаблонами. Агент понимает свободную формулировку, ищет ответ в базе знаний и сам решает, какой шаг сделать. Если у вас простой поток вопросов с фиксированными ответами, дешевле обойдётся классический бот.
Кому принадлежит результат разработки?
Заказчику. Код, база знаний, инструкции и контрольные наборы передаются вам, условия передачи прав фиксируются в договоре до старта работ.
Разберём ваш сценарий бесплатно
Опишите задачу и пришлите пример документов — вернёмся с планом первого сценария, оценкой объёма и сроком в течение 1 рабочего дня.
Не любите формы — напишите на info@datamarkup.ru