КАРТА ИИ АГЕНТОВ

За последний год рынок ИИ-агентов усвоил дорогой урок: правило в промпте это совет, правило в коде это отказ.

Любые ограничения, прописанные только в инструкциях модели, на реальных пользователях обходятся за считанные недели.

Поэтому зрелые команды строят агентов как defense-in-depth: промпт задаёт поведение, а границы держит детерминированный код: валидация на сервере, лимиты, очереди подтверждений.

Следующая волна рынка будет не про то, чей агент умнее, а про то, чей harness надёжнее.

Эффективность агентов сегодня определяет не столько качество модели, сколько harness — объём всех обвязок вокруг них.

Увеличивается время самостоятельной автономной работы агентов, значение уже приближается к суточному.

Также мы ожидаем усиление тенденции по переходу от единичных агентов, заточенных под конкретную задачу, к мультиагентным цепочкам и оркестрации нескольких агентов внутри бизнес-процессов.

Рынок кастомных решений постепенно будет вытесняться более зрелыми платформенными продуктами.

На первом этапе нам важно понять три вещи: решает ли продукт реальную задачу, даёт ли измеримый эффект и готова ли команда работать с требованиями крупной компании.

Хорошего демо недостаточно. Нам нужны рабочий продукт, понятные кейсы и готовность пройти пилот на реальном сценарии.

Дальше уже смотрим на безопасность, работу с данными, качество и то, насколько критична цена ошибки.

Чем ближе агент к деньгам клиента или чувствительным данным, тем выше требования и тем меньше автономности мы готовы давать на старте.

Программный код — в последнюю очередь, он копируется за дни или месяцы.

Сначала мы оцениваем ИИ-агента как любой венчурный стартап: смотрим на подтверждённый спрос — не на пилоты, а на конверсию в масштабирование и второй контракт с тем же клиентом.

Дальше — доступ к данным и право на действие: агент, который только читает, — это дашборд. Ещё лучше, если есть собственные уникальные данные, важные для принятия решения.

Главный признак сильного решения — когда у клиента сокращаются затраты или растёт выручка и понятно, как это связано с предлагаемым продуктом.

Экономия времени сотрудников — очень слабый аргумент, если он не переводится понятным образом в деньги.

Специфические критерии оценки ИИ-стартапов — это ответы на вопросы. Проект является просто ИИ-обёрткой или обладает высокой стоимостью переключения, то есть формирует контекст, потеряв который клиент дальше не сможет эффективно выстраивать свои процессы?

«Обучай» хранит контекст обучения всего класса и помогает учителям персонализировать учебные материалы под каждого ученика, экономя педагогам до 30 часов в неделю на подготовку к урокам.

Забирает ли проект большой пласт рутины, которую раньше можно было закрыть сразу целым рядом сервисов?

Например, Gradly делает акцент на автоматизации не отдельного этапа рассылки, а полного цикла работы холодных продаж.

Создаёт ли он сервисы в новой AI-реальности? Если бы не случилось широкого распространения ИИ, брендам не нужно было бы управлять репутацией в LLM и использовать Semantica AI.

Цифра в целом справедлива для Enterprise-сегмента.

Крупный бизнес — банки, телеком, ритейл — наращивает инхаус-команды и в большинстве случаев действительно собирает агентов внутри или через кастомную разработку.

Такие компании располагают бюджетами, данными, имеют запрос на полный контроль над продуктом и поставки on-prem.

В сегменте SMB ситуация принципиально другая: там более интересны готовые решения.

Сегодня агенты наиболее востребованы в клиентском сервисе и поддержке. Далее идут финансы, кодинг, продажи и маркетинг, HR и внутренние корпоративные сервисы.

У нас есть перечень задач и гипотез, которые мы готовы тестировать с внешними компаниями и командами.

Обычно это те кейсы, где для нас самих ещё есть гипотеза и нужно быстро понять, работает она или нет.

Работа со стартапом здесь помогает сократить time-to-market: мы можем быстрее проверить сценарий и меньшим ресурсом ответить на ключевые вопросы.

При этом это взаимовыгодная история: стартап получает доступ к нашей экспертизе, ресурсам и аудитории, а мы можем проверить продукт в реальном бизнес-контексте.

Если по итогам теста видим синергию, дальше выбираем сценарий, который комфортен обеим сторонам: интеграция в продукты Точки, более глубокая продуктовая синергия или инвестиции.