Что такое ИИ-агент: реальный кейс, где обработка заказа упала с 2 минут до 8 секунд

До недавнего времени автоматизация в B2B выглядела так: отдельный скрипт распознавал речь, отдельный модуль вытаскивал строки из накладной, отдельная интеграция передавала данные в учётную систему. Каждый кусок работал сам по себе, а между ними сидел человек. ИИ-агент связывает эти куски в единую цепочку: принимает заказ в любом формате, сам сверяет позиции с каталогом и историей клиента, формирует готовый документ и решает, хватит ли ему уверенности провести операцию без оператора. Именно эта способность самостоятельно планировать и действовать отличает агента от обычного чат-бота, который умеет только отвечать текстом.

Что понадобится

• Канал входящих заказов, который уже используют ваши клиенты: WhatsApp, Telegram, электронная почта, телефон
• Учётная система (1С, МойСклад, любая ERP или CRM), куда агент будет передавать готовые заявки через API (программный интерфейс, «мост» между двумя системами)
• Платформа для сборки агента: готовые решения вроде Choco (для общепита и дистрибьюции) или конструкторы агентных цепочек на базе GPT-4, Claude, YandexGPT
• Каталог товаров и история заказов в электронном виде, чтобы агент мог сопоставлять разговорные названия с реальными позициями
• Человек-контролёр, который будет проверять спорные заявки на последнем шаге
• Время на настройку: от нескольких часов для простой цепочки «сообщение в заказ» до нескольких недель для полноценной интеграции с ERP

Как собрать агентную цепочку для обработки заказов?

1. Определите самый загруженный канал. У Swaledale Butchers это был WhatsApp с 70% входящих заказов. Посмотрите, откуда приходит большинство ваших заявок: мессенджер, почта, звонки. Начинайте с одного канала.

2. Подготовьте каталог и историю. Агенту нужна база, по которой он сопоставит «две коробки того же, что в прошлый раз» с конкретным артикулом. Выгрузите из учётной системы номенклатуру и последние заказы ключевых клиентов.

3. Выберите платформу или соберите цепочку вручную. Для ресторанного бизнеса и продуктовой дистрибьюции существует готовое решение Choco с двумя компонентами: OrderAgent (разбирает сообщения и файлы) и VoiceAgent (принимает звонки в нерабочее время). Для других ниш можно собрать цепочку на конструкторе, задав агенту системный промпт (system prompt, базовая инструкция, которая определяет поведение модели) примерно такого вида:

Ты — агент по приёму заказов для [название компании].
Твоя задача: получить сообщение клиента, извлечь товарные позиции,
сопоставить их с каталогом, уточнить неоднозначности и сформировать
черновик заказа в формате JSON для передачи в учётную систему.

Если уверенность ниже 90%, отправь черновик оператору с пометкой,
какие позиции требуют проверки.

1. Настройте порог автономности. Это главный параметр. Платформа Choco, например, использует режим Autopilot: если уровень уверенности алгоритма превышает заданный порог, операция проходит полностью автоматически. Для дорогих или трудноотменяемых заказов порог должен быть выше, для типовых повторных заявок от постоянных клиентов его можно снизить.

2. Подключите агента к учётной системе. Через API агент передаёт готовый документ в ERP. Сотрудник больше не перепечатывает заказ вручную, а проверяет уже собранный черновик.

3. Запустите в тестовом режиме на одном клиенте. Первую неделю пусть оператор проверяет каждый заказ, даже если агент уверен. Соберите статистику ошибок и скорректируйте промпт и порог.

4. Масштабируйте на остальные каналы. После обкатки добавьте второй канал (например, голосовые сообщения или звонки), затем расширьте на всю клиентскую базу.

Почему агент не заменяет менеджера полностью?

Неверно ответивший чат-бот вызывает раздражение. Неверно сформированный B2B-заказ приводит к отправке не того товара, возвратам и прямым убыткам. Поэтому у агентов нет одинаковой свободы во всех операциях.

Автоматически проходят заявки от постоянных клиентов, со знакомыми позициями и при высокой уверенности системы. Если заказ нестандартный, дорогой или его трудно отменить, агент передаёт сотруднику уже собранный черновик. Человек подключается на последнем, самом ответственном шаге.

В длинных продажных циклах, например при покупке автомобиля, агент удерживает контекст сделки: перестраивает подборку при смене бюджета, уточняет причину пропущенного тест-драйва, выясняет возражения после встречи. Но финальные переговоры и нестандартные условия остаются за менеджером.

Что делать с этим прямо сейчас, по ролям?

Автору Дзена. Тема «что такое ИИ-агент» и как он работает в реальном бизнесе даёт готовый формат для контента: разбор кейса, сравнение «до и после», пошаговая инструкция. Пишите про конкретные цифры (93% экономии времени, 8 секунд вместо двух минут), такие посты собирают дочитывания лучше, чем абстрактные обзоры «ИИ наступает».

Маркетологу. Если ваши клиенты заказывают через мессенджеры и звонки, агент освобождает менеджеров от перепечатывания текстов. Освободившееся время можно направить на допродажи, подбор замен и удержание клиентов. Начните с аудита: какой процент заказов приходит в свободной форме и сколько времени уходит на ручной перенос.

Предпринимателю в РФ и СНГ. Готовых платформ уровня Choco для российского рынка пока нет. Из доступных инструментов для сборки агентных цепочек: YandexGPT, GigaChat, а также конструкторы на базе моделей с открытыми весами (open weights, модели, чьи параметры доступны для скачивания и настройки). Интеграция с 1С и МойСкладом потребует разработки, но базовую цепочку «сообщение в Telegram плюс распознавание плюс черновик заказа» можно собрать за выходные.

Кейс одной мясной лавки из Британии показал простую вещь: вопрос «что такое ИИ-агент» перестаёт быть теоретическим в тот момент, когда вы считаете, сколько минут в день ваши менеджеры перепечатывают чужие сообщения в учётную систему. Посчитайте сегодня, и станет понятно, стоит ли начинать.