Авторские права на сайт принадлежат Данилу и Евгению Гилядовым
Ещё несколько лет назад искусственный интеллект в компании был чаще всего экспериментом: отдельная команда пробовала чат-бота, кто-то генерировал тексты, кто-то строил прогноз продаж. Сегодня ситуация изменилась принципиально. ИИ перестал быть украшением презентаций и стал рабочим инструментом, от которого зависят сроки, издержки и качество решений. По разным отраслевым оценкам, к 2026 году подавляющее большинство крупных компаний — около четырёх из пяти — уже внедряют те или иные формы интеллектуальных агентов в свои процессы, а не просто тестируют их.
Причина проста. Бизнес — это поток решений, и большинство из них рутинны: обработать заявку, сверить документы, ответить клиенту, подготовить отчёт. Раньше такие задачи требовали человеческого времени целиком. Теперь значительную их часть можно передать системе, которая работает круглосуточно, не устаёт и масштабируется одним движением.
Важно понимать: ценность приносит не сам факт использования ИИ, а конкретное место, где он встроен в цепочку создания стоимости. Можно выделить несколько типичных направлений.
Работа с клиентом. Поддержка, продажи, персональные рекомендации. Здесь ИИ отвечает на вопросы, ведёт диалог, помогает выбрать товар и передаёт сложные случаи живому сотруднику. Выигрыш — в скорости ответа и в том, что человек освобождается для действительно нестандартных ситуаций.
Работа с информацией. Анализ договоров, извлечение данных из счетов и накладных, подготовка сводок по большим массивам документов. Это область, где ИИ заменяет часы монотонного чтения минутами проверки.
Работа с операциями. Планирование, логистика, контроль качества, реагирование на сбои. Здесь система не просто отвечает на вопрос, а предлагает действие и, при должной настройке, выполняет его.
Работа с творческим черновиком. Маркетинговые тексты, эскизы, варианты дизайна, первые редакции документов. ИИ редко выдаёт финальный результат, но он почти всегда ускоряет старт.
Главная ошибка при внедрении ИИ — измерять успех количеством запущенных моделей. Правильнее измерять его в терминах бизнеса: сколько времени сэкономлено, насколько снизилось число ошибок, как изменилась стоимость одной обработанной заявки. Опытные команды отмечают, что отдача от вложений в продуманные ИИ-решения нередко составляет от двух с половиной до нескольких раз превышение затрат — но только там, где задача была выбрана осознанно, а не «потому что модно».
И здесь же кроется главное предупреждение этой главы. Большинство неудачных проектов проваливаются не на технологии, а на этапе выбора задачи. Если процесс плохо описан, данные хаотичны, а цель размыта, никакой ИИ не спасёт — он лишь быстрее и масштабнее повторит существующий беспорядок.
Первое поколение деловых внедрений ИИ строилось вокруг одной модели, которая отвечала на один запрос. Этого хватало для простых задач. Но реальные бизнес-процессы редко состоят из одного шага. Заявка клиента может одновременно касаться поддержки, биллинга, базы клиентов и проверки на соответствие правилам. Одна модель способна выполнить кусочек этой работы, но не весь поток целиком.
Именно это ограничение и привело к следующему этапу развития, которому посвящены остальные главы этой части: переходу от отдельных моделей к системам из нескольких взаимодействующих агентов. Если предыдущая эпоха ИИ отвечала на вопрос «что ты можешь сказать?», то новая отвечает на вопрос «что ты можешь сделать — вместе с другими?».
Прежде чем говорить о множестве агентов, договоримся о значении слова. Агент — это не просто языковая модель, которая выдаёт текст. Это система, у которой есть цель, доступ к инструментам (поиск, база данных, отправка письма, вызов другой программы) и способность действовать в цикле: оценить ситуацию, выбрать действие, выполнить его, посмотреть на результат и повторить. Модель здесь играет роль «мозга», а инструменты — роль «рук».
Один такой агент уже умеет многое. Но у одиночного агента есть естественный потолок. Чем больше задач мы на него вешаем, тем больше он перегружается: инструкция разрастается, инструментов становится десятки, и качество падает. Так возникает идея разделения труда.
Мультиагентная система — это несколько специализированных агентов, которые вместе решают задачу, непосильную для одного. Логика здесь та же, что и в человеческой организации. Мы не нанимаем одного универсального сотрудника на всё; мы собираем команду, где каждый отвечает за свою область и где есть тот, кто координирует работу.
Представьте обработку обращения клиента в банке. Один агент классифицирует обращение и определяет тему. Другой поднимает историю клиента. Третий проверяет операцию на признаки мошенничества. Четвёртый формирует ответ и согласует его с правилами. Пятый, координирующий, следит за тем, чтобы вся цепочка довела дело до конца. Каждый из них узок и потому надёжен; вместе они покрывают полный сценарий.
Преимущества мультиагентного подхода становятся особенно заметны на сложных, многошаговых задачах. Узкий агент с короткой и чёткой инструкцией ошибается реже, чем «универсал», пытающийся удержать в голове всё сразу. Систему легче развивать: можно улучшить или заменить одного агента, не трогая остальных. И её легче контролировать: каждое действие выполняет конкретный исполнитель, чьи шаги можно проследить.
Показательный пример — реагирование на сбои в IT-инфраструктуре. В испытаниях команды агентов, где разные исполнители анализируют логи, ищут похожие прошлые инциденты и предлагают исправления, давали практически стопроцентно применимые рекомендации, тогда как одиночный агент в тех же условиях был полезен в единичных случаях. Разница не в «уме» отдельной модели, а в том, что задача была разложена на посильные части.
Хотя конфигурации бывают самыми разными, чаще всего встречаются несколько повторяющихся ролей.
Есть планировщик, который разбивает большую цель на подзадачи. Есть исполнители — специализированные агенты, каждый со своим набором инструментов. Есть критик, или оценщик, который проверяет результат и при необходимости отправляет работу на доработку. И почти всегда есть координатор (его также называют оркестратором), который связывает всех вместе, распределяет задания и собирает итог.
Эта последняя роль настолько важна, что заслуживает отдельной главы. Потому что собрать несколько агентов в одну комнату — мало. Нужно сделать так, чтобы они работали слаженно. Этим и занимается оркестровка.
Если мультиагентная система — это оркестр, то оркестровка — это партитура и дирижёр одновременно. Сами по себе талантливые музыканты, играющие кто во что горазд, дадут не симфонию, а шум. Оркестровка — это слой координации, который определяет, кто, когда и в каком порядке вступает, как передаётся управление от одного агента к другому и как из отдельных результатов складывается единый ответ.
Без этого слоя мультиагентная система быстро превращается в хаос: агенты дублируют работу, теряют контекст, зацикливаются или противоречат друг другу. Поэтому именно оркестровку сегодня называют главным рубежом масштабирования ИИ — не «сделать модель умнее», а «заставить много моделей работать вместе надёжно».
За годы практики выкристаллизовалось несколько базовых схем, которые стоит знать.
Последовательная цепочка. Агенты работают по очереди, результат одного становится входом для следующего — как конвейер. Просто, предсказуемо, удобно для линейных процессов вроде «извлечь данные → проверить → оформить».
Иерархия с координатором. Центральный агент-планировщик получает задачу, разбивает её и раздаёт специализированным подчинённым, а затем собирает их ответы. Это самая распространённая схема для сложных корпоративных сценариев, потому что она сочетает гибкость с управляемостью.
Передача управления (хендофф). Агент, поняв, что задача вне его компетенции, передаёт диалог другому агенту вместе с накопленным контекстом — так в поддержке запрос «перебрасывают» от общего бота к узкому специалисту.
Генератор и оценщик. Один агент создаёт результат, второй его критикует и возвращает на доработку, и так по кругу, пока качество не достигнет нужного уровня. Эта петля обратной связи заметно повышает надёжность ответов.
Эти схемы не исключают друг друга — в реальных системах их комбинируют, вкладывая одну в другую.
К 2026 году сложилась целая экосистема инструментов для оркестровки. Среди фреймворков для разработчиков, дающих полный контроль над логикой, чаще всего называют LangGraph (управление через граф состояний), CrewAI (команды агентов с ролями), AutoGen, а также «родные» наборы от создателей моделей — Agents SDK от OpenAI, Claude Agent SDK от Anthropic и ADK от Google.
Для компаний, которым нужна готовая управляемая инфраструктура, а не сборка из кода, существуют корпоративные платформы: среди них Microsoft Copilot Studio, Google Vertex AI Agent Builder, AWS Bedrock AgentCore, Salesforce Agentforce, IBM watsonx Orchestrate и UiPath. Выбор между «собрать самим» и «взять готовое» — это классическое решение, зависящее от того, является ли ИИ ядром вашего продукта или вспомогательным инструментом.
Отдельно стоит упомянуть важный сдвиг: появление общего стандарта связи агентов с инструментами — MCP (Model Context Protocol). Подобно тому как USB задал единый разъём для устройств, MCP задаёт единый способ, которым агент обращается к внешним данным и сервисам. Это сильно упрощает смешивание разных систем в одном решении.
Один из ценных приёмов зрелых команд — не использовать самую мощную (и дорогую) модель для всех агентов подряд. Простым задачам — сортировке и маршрутизации запросов — достаточно быстрой и дешёвой модели. Сложным рассуждениям — модель посильнее. Такое «многоуровневое» распределение позволяет ощутимо, нередко вдвое и более, снизить стоимость работы системы без потери качества там, где оно действительно нужно.
Оркестровка отвечает на вопрос «кто и когда действует». Но за внешним поведением агентов скрывается более тонкий уровень — то, как именно они думают: как помнят, как планируют, как рассуждают и как учатся на собственных ошибках. Управление этими внутренними процессами — следующая и, возможно, самая глубокая ступень. Ей посвящена заключительная глава.
Предыдущая глава говорила о том, как согласовать действия агентов. Эта — о том, как согласовать их мышление. Разница тонкая, но принципиальная. Можно идеально выстроить, кто за кем вступает, и всё равно получить плохой результат, если агенты плохо помнят контекст, рассуждают сумбурно или не умеют пересматривать свои выводы.
Когнитивная архитектура — это устройство «ума» агента: то, как в нём соединяются восприятие, память, рассуждение, планирование и обучение. Если оркестровка агентов — это управление командой, то оркестрация когнитивных процессов — это управление самим процессом думания. Удачная метафора, которую часто используют, — префронтальная кора мозга: над сетью агентов появляется управляющий слой, который планирует, направляет, отслеживает и объясняет, как рождается решение.
Большие языковые модели сами по себе не имеют памяти: каждый запрос они обрабатывают как первый, удерживая в «голове» лишь то, что уместилось в текущем окне. Для серьёзной работы этого недостаточно. Поэтому современные агентные системы надстраивают над моделью несколько видов памяти, во многом повторяющих человеческую.
Различают рабочую память — кратковременный «черновик» для текущей задачи; эпизодическую — запись о прошлых взаимодействиях и событиях; семантическую — устойчивые факты и знания; и процедурную — правила того, как выполнять действия. Именно сочетание этих уровней позволяет агенту узнавать вернувшегося клиента, помнить ход долгих переговоров и не начинать каждый разговор с чистого листа.
Один из самых неочевидных уроков этой области состоит в том, что идеальная, бесконечная память — не достоинство, а дефект. Агент, который помнит каждую опечатку и каждое устаревшее предпочтение пользователя, со временем тонет в собственных записях: поиск по памяти начинает возвращать десятки результатов, половина из которых уже неактуальна, и это прямо порождает противоречия и ошибки.
Поэтому зрелые системы, подражая биологии, практикуют избирательное забывание: при выборке информации учитывается не только её смысловая близость к запросу, но и её свежесть, а устаревшее постепенно теряет вес. Отдельный механизм — маршрутизация памяти — решает, к какому именно срезу знаний агенту дать доступ в данный момент, чтобы не перегружать рассуждение лишним.
Над памятью надстраиваются процессы мышления. Рассуждение бывает разным: логическим, когда из известных фактов строго выводятся следствия; вероятностным, когда действия взвешиваются по вероятности успеха в условиях неопределённости; целеориентированным, когда большая цель разбивается на последовательность шагов с контролем продвижения.
Особую роль играет рефлексия — способность агента посмотреть на собственный промежуточный результат, заметить ошибку и исправить курс. Именно встроенная петля «сделал — оценил — переделал» отличает систему, которая решает проблему, от системы, которая просто выдаёт правдоподобный текст.
Когда в компании работают не один-два, а десятки специализированных агентов, над ними возникает то, что всё чаще называют слоем когнитивной оркестрации — управляющим контуром рассуждения. Он принимает намерение человека, переводит его в последовательность мыслительных подзадач, направляет их нужным агентам, следит за общим состоянием, обеспечивает единые правила и — что особенно важно для бизнеса — делает процесс объяснимым и прослеживаемым.
Эта объяснимость не роскошь. В банке, в медицине, на производстве недостаточно, чтобы система выдала верный ответ, — нужно понимать, как она к нему пришла, и иметь возможность это проверить. Поэтому управление когнитивными процессами тесно связано с управлением ответственностью: чем сложнее «мышление» системы, тем важнее, чтобы оно оставалось прозрачным.
Мы прошли путь от простого вопроса «зачем бизнесу ИИ» до тонкого устройства того, как ИИ думает. Логика этого пути естественна. Сначала ценность отдельной модели. Затем понимание, что сложную работу лучше делить между несколькими специализированными агентами. Затем необходимость согласовать их действия — оркестровка. И, наконец, самый глубокий уровень — согласование их памяти, рассуждения и рефлексии.
Эта траектория, по сути, повторяет развитие любой организации: от одиночки-универсала к команде, от команды — к слаженному коллективу, а от коллектива — к культуре мышления, которая делает его по-настоящему разумным. Искусственный интеллект сегодня проходит ровно тот же путь, и компании, которые понимают эту логику, получают не просто инструмент, а партнёра, способного думать вместе с ними.