Тема агентов в искусственном интеллекте, ИИ-агенты и агентный ИИ вот-вот займут центральное место в информационном пространстве. Анализ зарубежных (и западных, и азиатских) консалтинговых и технологических компаний показал, что это самый крупный технологический тренд 2025 года внутри ИИ.

И одновременно заметно, что под этими понятиями эксперты нередко подразумевают разные вещи, а также легко переходят от разговора об ИИ-агентах к более верхнеуровневой теме агентности, а также к вопросам мультиагентных систем в ИИ. ICT.Moscow попытался разобраться, как обстоят дела с ИИ-агентами в России и как их понимают отечественные специалисты. Собеседниками стали представители бигтеха и компаний цифровой экономики («Яндекс», MTS AI, Т-Банк, X5 Tech, «Авито»), научных центров (НИУ ВШЭ, Институт AIRI, «Сколтех», СПбГУ), консалтинга («Технологии Доверия») и городских структур (ДИТ Москвы).

Несколько упрощая, можно разделить полученные мнения на две группы: одни собеседники рассуждают о скором появлении ИИ-агентов как совершенно новых инструментов и рисуют будущие сценарии их применения. Другие же находят признаки агентов в уже существующих решениях.

Агенты — это будущее

Есть множество определений понятия «агент» в контексте ИИ, но ключевая особенность ИИ-агентов — их автономность, то есть возможность проделать какой-то набор действий или выполнить какие-либо задачи без постоянных указаний от человека. Так считает Артём Ерохин из Х5 Tech. По его словам, две другие отличительные черты — это обучаемость (возможность сохранять опыт предыдущего взаимодействия, либо типичные ошибки для последовательного улучшения качества работы агента) и способность взаимодействия с внешней средой.

На данный момент использование агентских систем — это своеобразный фронтир, к которому мы подходим в рамках наших экспериментов и исследований, и все еще есть много вопросов по реализации такого рода подходов, их безопасности и эффективности. 

Артём Ерохин

ведущий инженер нейронных сетей Х5 Tech

ИИ-агенты — это логичное развитие концепции внедрения искусственного интеллекта как таковой. Так видят ситуацию в компании «Технологии Доверия» и прогнозируют, что «в перспективе пяти лет они будут интегрированы практически во все приложения, призванные так или иначе помогать и рекомендовать какие-то действия бизнесу и пользователям». Из этого эксперты делают вывод, что объем рынка для подобных систем равен совокупному объему рынка цифровых ассистентов и систем поддержки принятия решений.

Основной тренд, который все ожидают, — это слияние ИИ и агентных подходов, т. е. создание надежных и точных ИИ-агентов для решения разных задач бизнеса и в быту. Все крупные ИТ-компании как в России, так и в мире активно инвестируют в НИОКР в этой области, периодически демонстрируя тот или иной прототип решения.

Артём Семенихин

Партнер технологической практики компании «Технологии Доверия»

Текущее развитие технологий пока не позволяет создавать полностью автономных агентов, согласен Олег Королев, руководитель разработки AI Lab в «Авито». Похожий взгляд и у Артура Самигуллина из Т-Банка:

В настоящее время большинство агентных решений с текущим уровнем развития LLM не обеспечивают высокое качество работы. Многие стартапы на рынке разрабатывают продукт, который еще не работает на существующих моделях с должным качеством. Но этот продукт будет работать, когда модели станут более мощными.

Артур Самигуллин

руководитель LLM-платформы Центра искусственного интеллекта Т-Банка

Какими они будут

В индустрии ИИ-агентов чаще всего понимают как системы на базе больших языковых моделей, способные действовать самостоятельно, принимать решения на основе широкого контекста, напоминает Олег Королев из AI Lab «Авито». Такой сервис должен уметь понимать и интерпретировать задачи, сформулированные пользователем в тексте, разбивать задачу на этапы, самостоятельно выбирать внешние сервисы для ее выполнения, искать ответы в интернете и внутренних источниках и принимать решения в зависимости от контекста, поясняет он.

Сначала ИИ-агенты смогут самостоятельно решать наиболее рутинные задачи, например мониторинг корпоративных систем, говорит Дмитрий Марков, исполнительный директор MTS AI. В будущем же ИИ сможет автономно управлять различными системами, анализировать их, оптимизировать и вносить какие-либо изменения.

В сфере здравоохранения ИИ-агенты помогают врачам в анализе данных о пациенте и постановке диагноза. Однако в отличие от традиционных нейросетей, агентские системы смогут также получать информацию от пациентов об их самочувствии в режиме реального времени, анализировать эти данные и сообщать врачу об их самочувствии и, возможно, о необходимости скорректировать план лечения. Также ИИ-агенты смогут самостоятельно записать пациента на прием и напомнить ему о посещении врача.

Дмитрий Марков

исполнительный директор MTS AI

В «Яндексе» также приводят примеры будущего применения ИИ-агентов.

Ключевые сферы применения агентных и мультиагентных систем те же, что у генеративного ИИ, — это банкинг, ритейл, промышленность и многие другие сферы. Наиболее эффективные сценарии их использования будут в клиентской поддержке (например, ИИ-агент сможет автономно поменять заказ или изменить время доставки по желанию пользователя), в разработке (писать автотесты, предлагать изменения в коде), в маркетинге (анализировать эффективность кампании, корректировать креативы и подключать дополнительные каналы) и во внутренних корпоративных процессах (сформировать справку сотруднику или оформить ему отпуск). В онлайн-ритейле, например, ИИ-агент при появлении нового товара сможет самостоятельно подготовить его описание, запросить проверку у человека и затем опубликовать карточку на сайте магазина.

Петр Ермаков

ML Brand Director в «Яндекс Поиске»

Чтобы полноценно использовать ИИ-агентов, бизнесу будет необходимо интегрировать их в корпоративные системы и подключить к используемому софту, чтобы они могли получать необходимую информацию, добавляет Петр Ермаков.

Что можно считать ИИ-агентами

Ряд собеседников ICT.Moscow перечисляют уже существующие кейсы того, что они считают примерами агентного искусственного интеллекта или агентности в ИИ.

В банковской сфере агенты используются, например, для коммуникации с пользователями на линии поддержки, делится Андрей Кузнецов из Института AIRI. Он поясняет, что агент — это «автономная программа, выполняющая возложенную на нее инструкцию или задачу».

Основная сложность в настройке агента –– сделать так, чтобы его действия были предсказуемыми и закрывали задачи, решаемые автоматизируемым процессом. То есть, если у рабочего процесса есть ряд сценариев, которые он должен отрабатывать безусловно, агент должен гарантировать соблюдение этих условий.

Андрей Кузнецов

директор лаборатории FusionBrain Института AIRI

Агентные и мультиагентные системы — это действительно ключевой тренд в применении ИИ и создании приложений на его основе, убежден Артур Самигуллин из Т-Банка.

Если ранее рынок был сосредоточен на разработке Copilot-решений (инструментов, дополняющих работу человека), то за последние пару лет благодаря новому витку эволюции LLM все больше компаний начали разрабатывать и внедрять агентные системы. Главное отличие агентных систем от традиционных решений заключается в том, что LLM выполняет роль оркестратора запросов, принимая решение о том, как обрабатывать запрос пользователя и с использованием каких инструментов. Более того, решение запроса часто представляет собой комплекс действий, и LLM управляет выполнением задачи до тех пор, пока она не будет полностью решена. 

Артур Самигуллин

руководитель LLM-платформы Центра искусственного интеллекта Т-Банка

Петр Ермаков описывает, как в агентной системе «каждый агент, или, другими словами, нейросеть, работает самостоятельно и выполняет свои задачи».

Агент — это как сотрудник с определенной ролью: один может писать текст, другой редактировать, а третий проверять его на достоверность. В мультиагентных системах несколько нейросетей взаимодействуют между собой, дополняя и исправляя друг друга, что позволяет решать более сложные задачи. Такие системы полезны бизнесу, потому что они гибкие, автономные и помогают автоматизировать более сложные процессы, улучшая продукты и управление ресурсами.

Петр Ермаков

ML Brand Director в «Яндекс Поиске»

Эксперт иллюстрирует этот принцип обработкой запроса к голосовому ассистенту в умном ТВ — «Выключи телевизор, когда закончится передача». Система последовательно выполняет несколько действий: определяет текущий канал, запрашивает время окончания передачи через API и настраивает функцию отключения телевизора на нужное время.

Агенты для автоматизации и умного города

ИИ-агенты — это следующий этап эволюции автоматизации, рассуждает Елена Левочкина из ДИТ Москвы. Он приходит на смену классической роботизации процессов (RPA) и создает концепцию интеллектуальной автоматизации (Intelligent Automation). Ранее Том Таулли (Tom Taulli), американский ИТ-предприниматель и автор книги об ИИ-агентах, высказывал предположение, что агентный искусственный интеллект сможет заменить RPA в краткосрочной перспективе. При этом один из мировых лидеров в области RPA — компания UiPath — полагает, что будущее автоматизации лежит в комбинации четкости программных роботов и гибкости агентного подхода.

Сегодня в Москве работает больше 100 программных роботов и 10% из них уже интегрированы с ИИ. RPA берет на себя выполнение рутинных задач, а ИИ добавляет интеллекта и позволяет автоматизировать более сложные процессы. Например, ИИ сможет понимать смысл обращений, даже если они написаны неструктурированно или с ошибками, а также распознавать эмоциональный тон (жалоба, просьба, благодарность), генерировать персонализированные ответы на основе контекста обращения. Помимо этого ИИ сможет анализировать тенденции в обращениях (скажем, рост жалоб на определенную услугу) и предлагать меры для улучшения ситуации. Если RPA столкнется с нестандартной ситуацией, ИИ сможет самостоятельно принять решение или запросить уточнение у гражданина.

Елена Левочкина

руководитель продукта «Роботизация» ДИТ Москвы

По ее словам, мультиагентные системы для решения сложных задач будут особенно актуальны в крупных мегаполисах. С ней соглашается Евгений Бурнаев из «Сколтеха»: «Можно упомянуть проекты в области управления беспилотным транспортом, где несколько агентов (машины, светофоры, дорожная инфраструктура) сотрудничают для повышения безопасности и эффективности движения». В связи с быстро развивающимися направлениями умных вещей и инфраструктурой умного города мультиагентные системы, «безусловно, могут стать технологией будущего, новым стандартом», считает Константин Амелин, директор Центра искусственного интеллекта и науки о данных СПбГУ. Он объясняет агентный принцип в ИИ следующим образом:

Агентом может быть, например, отдельный паттерн ответа на конкретный вопрос, один узел или кластер узлов в нейронной сети, или агентом может быть один параметр в LLM, который, взаимодействуя с другими такими же параметрами, находит ответ на запрос пользователя.

Константин Амелин

директор Центра искусственного интеллекта и науки о данных СПбГУ

Наконец, Артур Самигуллин из Т-Банка перечисляет несколько зарубежных продуктовых решений с ИИ-агентами: Perplexity, Glean, Cursor и Cognition. Он напоминает, что главным фреймворком для построения агентов в мире сегодня является LangChain.

Откуда агенты пришли

Под «агентом» в контексте искусственного интеллекта обычно понимают программно-аппаратную сущность, которая обладает способностью автономно принимать решения и действовать в окружающей среде, напоминает Евгений Бурнаев из «Сколтеха» и предлагает небольшой экскурс в историю:

Термин «агент» возник еще в 80–90-х годах прошлого века, когда стали активно развиваться распределенные системы, робототехника и ранние исследования в области ИИ. Тогда под агентом понимали систему, которая может адаптироваться к условиям среды, вести себя целенаправленно и, в идеале, обучаться на основе своего опыта.

Евгений Бурнаев

директор Центра искусственного интеллекта «Сколтеха»

Сейчас термин «агент» местами употребляется слишком широко: им называют и чат-ботов, и голосовых ассистентов, и сложные автономные системы, жалуется Евгений Бурнаев из «Сколтеха». Но в корне агентной концепции «по-прежнему лежат автономность принятия решений и способность к целенаправленному взаимодействию со средой».

Современные большие языковые модели (LLM) — по сути, мощные инструменты обработки и генерации текста. Они решают широкий круг задач, связанных с языком, но не обязательно предполагают явную «целенаправленную» активность. Агент же, в отличие от LLM, формирует и преследует собственные цели, выбирает действия на основе внутренней логики или «стратегии». При этом LLM может выступать лишь одним из модулей в составе агентной системы. 

Евгений Бурнаев

директор Центра искусственного интеллекта «Сколтеха»

Отличие ИИ-агента от LLM — в фокусе на интерактивность ИИ-агента: он не только и не столько генерирует контент, сколько «умеет взаимодействовать с внешним миром или другими агентами, генерируя вызовы и команды в рамках спроектированных каналов получения и отправки данных», рассуждает Алексей Масютин из НИУ ВШЭ. Классические LLM в свою очередь обучены как реактивные системы, которые генерируют ответы на запросы.

При этом ИИ-агент, взаимодействующий с другими системами или агентами, не обязательно «воплощен» (Embodied) в железе, как робот или ровер. «Агент может взаимодействовать с миром и в виде виртуальных вызовов через сеть, например по API», — поясняет эксперт.