Когда нужен ИИ-агент, а когда хватит сценария автоматизации

Сценарий это цепочка шагов, которую задал человек: пришла заявка, модель определила тему, заявка ушла нужному менеджеру. Модель (нейросеть, которая понимает текст) внутри сценария может быть, но порядок шагов от нее не зависит.

Агент сам выбирает следующий шаг и инструмент. Anthropic делит агентные системыагентный ИИ Агентный ИИ это подход, при котором нейросеть получает цель и сама ведет работу к результату: планирует шаги, вызывает программы и проверяет, что получилось. Подробнее в словаре именно так: в рабочих процессах шаги заданы кодом, в агентах модель сама решает, что делать дальше.

Сценарий предсказуем: на одинаковый вход он делает одно и то же, его легко проверить и дешево запускать. По словам Anthropic, рабочие процессы дают предсказуемость и единообразие там, где задача четко определена.

Конструкторы вроде n8n умеют и то и другое: в одном сценарии часть шагов задана жестко, а в нужном месте стоит ИИ-агентИИ-агент ИИ-агент это нейросеть, которая не просто отвечает, а сама выполняет задачу по шагам: ищет данные, пользуется программами и проверяет результат. Подробнее в словаре, который решает сам. Поэтому выбирать приходится не программу, а форму решения для каждого шага.

Агент гибче, но каждый его шаг это новый запрос к модели и новая возможность ошибиться. Как агент проходит свой цикл шаг за шагом, разобрано на странице о том, как работает ИИ-агент.

Чем агент отличается от чат-ботачат-бот Чат-бот это программа, которая переписывается с человеком в окне чата: на сайте, в мессенджере или в приложении. Подробнее в словаре с кнопками, мы писали в блоге. Здесь сравнение с другим соседом: сценарием, где модель уже есть, но решений не принимает.

Признаки взяты из двух руководств разработчиков моделей: Anthropic (декабрь 2024) и OpenAI (апрель 2025). Чем больше совпадений, тем больше смысла в агенте.

1. Число шагов заранее неизвестно. Anthropic советует агентов для открытых задач, где нельзя предсказать, сколько шагов понадобится, и нельзя жестко прописать путь.

2. Решение зависит от контекста и исключений. Пример OpenAI: одобрить или нет возврат денег клиенту в службе поддержки.

3. Правила разрослись, и их дорого поддерживать. OpenAI приводит в пример проверку безопасности поставщиков, где каждое обновление правил стоит денег и рождает ошибки.

4. Много свободного текста: письма, документы, переписка с клиентом. Пример OpenAI: разбор страхового случая по заявлению клиента.

5. Результат можно проверить. В поддержке это решенное обращение, в программировании пройденные автоматические тесты: так Anthropic объясняет, почему агенты прижились именно там.

Если совпал один признак или ни одного, начните со сценария. OpenAI пишет то же: если задача не отвечает этим критериям, может хватить решения с заранее заданными правилами.

Проверьте признаки на своей задаче письменно: выпишите десять последних случаев и отметьте, где шаги совпадали, а где каждый раз были разными. Если шаги почти всегда одни и те же, сценарий справится дешевле.

Агент там, где хватило бы сценария, стоит дороже и ошибается чаще. Anthropic предупреждает: самостоятельность агента означает более высокие затраты и риск накопления ошибок, поэтому агентов тестируют в изолированной среде и ставят им ограничителиограничители Ограничители (guardrails) это проверки и правила вокруг языковой модели, которые не пускают в нее опасные запросы и не выпускают из нее недопустимые ответы и действия. Подробнее в словаре.

Обратная ошибка тоже стоит денег. Сценарий для задачи с исключениями обрастает ветками, и каждое новое правило задевает старые; OpenAI называет такие системы громоздкими, а их обновление дорогим и подверженным ошибкам.

Есть и третья цена: время. Сценарий собирают и проверяют быстрее, потому что его поведение видно по схеме. Агента приходится проверять на десятках реальных случаев, ведь его путь каждый раз может быть другим.

Gartner прогнозирует, что больше 40% проектов агентного ИИ закроют к концу 2027 года из-за затрат, неясной пользы и слабого контроля рисков. Неверно выбранная форма решения бьет по первым двум причинам сразу.

Поэтому выбор между агентом и сценарием делают до сборки, по задаче и ее экономике. Почему это важнее выбора инструмента, разобрано в отдельной статье.

Поддержка, агент. Anthropic называет поддержку естественной задачей для агента: разговор с клиентом требует внешних данных и действий. Агент находит данные клиента, историю заказов и статьи базы знанийбаза знаний для ИИ База знаний для ИИ это отобранные и подготовленные документы компании, по которым ИИ-ассистент ищет ответы: регламенты, инструкции, каталог, ответы на частые вопросы. Подробнее в словаре, оформляет возврат или обновляет заявку, а успех измеряется решенным обращением.

Там же отмечено, что часть компаний берет деньги за таких агентов только за успешно решенные обращения. Это пример оплаты по результату, а не за часы работы.

Поддержка, сценарий. Письмо с темой «счет» уходит в бухгалтерию, с темой «доставка» в логистику, клиенту приходит подтверждение. Модель здесь только определяет тему, дальше работают правила.

Продажи, сценарий. Заявка с сайта попадает в CRM, клиенту уходит письмо с прайсом, менеджер получает задачу на звонок. Шаги всегда одни и те же, агент здесь не нужен.

Продажи, агент. Клиент пишет свободным текстом, что ему нужно двести коробок к пятнице и с доставкой. Агент разбирает позиции, проверяет остатки и цены, задает уточняющий вопрос и заводит сделку; число шагов зависит от клиента, это признаки 1 и 4 из списка выше.

Часто хорошо работает связка: сценарий принимает заявку и раскладывает ее по полкам, а агент подключается только к сложным случаям.