РБК: российский бизнес ускоряет внедрение AI-агентов — топ задач и первые измеримые результаты
РБК опубликовал аналитику о причинах и масштабах внедрения AI-агентов в российских компаниях. Ключевой вывод: бизнес переходит от генеративного AI для создания контента к агентным системам для автоматизации многошаговых процессов. Лидеры внедрения — финансовые компании, e-commerce и телеком.
Сентябрь 2026 года. РБК Технологии и производство опубликовали обзор «Зачем российский бизнес внедряет AI-агентов» — первый систематизированный анализ реальных российских кейсов агентного AI.
Ключевые тезисы обзора РБК: ``` Различие GenAI и агентного AI на практике:
GenAI (2023-2024): «умный помощник по запросу» → Пользователь формулирует запрос → получает ответ → Ценность: экономия времени на написание → Ограничение: нет памяти, нет инструментов, нет действий
Агентный AI (2025-2026): «автономный исполнитель» → Агент сам разбивает задачу на шаги → Вызывает внешние инструменты (API, DB, email, браузер) → Принимает промежуточные решения → Завершает задачу автономно или с минимальным участием → Ценность: не «помогает» — делает ```
Топ-5 задач AI-агентов в российских компаниях (РБК 2026): ```
- 1.КЛИЕНТСКИЙ СЕРВИС (42% внедрений)
→ Агент: обрабатывает запрос → ищет в БД → решает или эскалирует → уведомляет клиента → закрывает тикет → Автономность: 55-70% типовых запросов без человека → Кейс: Т-Банк — 68% чатов полностью агентные
- 1.ОПЕРАЦИИ И BACK-OFFICE (31%)
→ Сверка документов, выявление расхождений → Маршрутизация счетов, согласование по правилам → Мониторинг дедлайнов и уведомления
- 1.ПРОДАЖИ И МАРКЕТИНГ (28%)
→ Квалификация лидов: агент «звонит» (текст/голос) и оценивает → Персональные предложения: данные CRM → AI → оффер → Follow-up после встреч: авто-протокол + задачи в CRM
- 1.АНАЛИТИКА И ОТЧЁТНОСТЬ (24%)
→ Агент: получает запрос → строит SQL → запускает → форматирует → Регулярные отчёты: без участия аналитика → Аномалии: выявляет самостоятельно и сигнализирует
- 1.IT И РАЗРАБОТКА (19%)
→ Code review агент: проверяет PR, комментирует → Incident response: анализирует логи, предлагает fix → Документация: auto-doc из кода ```
Измеримые результаты первых внедрений (РБК): ``` Средние показатели по опросу 140 компаний: Экономия FTE-времени: 2.3 ч/день на сотрудника Снижение операционных ошибок: -34% Скорость обработки документов: +320% NPS клиентского сервиса: +12 п.п. (там, где внедрили)
Срок окупаемости: Для задач клиентского сервиса: 3-5 месяцев Для back-office: 6-10 месяцев Для аналитики: 4-8 месяцев ```
Главный барьер — доверие к автономным решениям: По данным РБК, 61% руководителей «не готовы полностью доверять агентам» в 2026 году. Ключевые опасения: ошибочные решения, утечки данных, непредсказуемое поведение. Лучшая практика от ранних внедрителей: запускайте агентов в «теневом» режиме (log all, execute nothing) первые 2-4 недели — это на 80% снимает страхи и доказывает работоспособность на реальных данных.
Это краткое изложение. Полный текст — на сайте источника:
Читать оригинал: РБКЕщё по теме: бизнес и стартапы
MWS AI (экс-МТС AI) запускает направление AI-трансформации крупного бизнеса: вертикальные решения и ROI-гарантии
AI в российском финтехе 2026: кредитный скоринг и антифрод — наиболее зрелые применения
Сбер продвигает GigaChat в страны Глобального Юга: БРИКС как альтернатива западному AI-суверенитету
Как это касается вашего бизнеса
Изменения на рынке важны, когда руководитель видит их в показателях своей компании. Радар управления каждый день собирает брифинг: 10 приоритизированных сигналов о главном за 24 часа.

