Про ИИ-агентов сейчас говорят так, будто они уже готовы заменить сотрудника: дали задачу — ушли заниматься своими делами — вернулись к готовому результату.
Частично это уже правда.
Современные агенты действительно умеют самостоятельно искать информацию, работать с файлами и таблицами, писать код, открывать сайты, использовать подключённые сервисы, выполнять задачи по расписанию и собирать отчёты. Некоторые из этих задач занимали бы у человека не минуты, а часы.
Но есть и другая сторона. В длинных реальных сценариях агенты всё ещё регулярно теряют контекст, пропускают важные условия, делают неверные предположения и забывают проверить результат. Поэтому вопрос в 2026 году уже не в том, может ли ИИ что-то сделать сам. Может.
Гораздо полезнее другой вопрос:
Что ему уже можно поручить почти полностью, где нужно подтверждение человека, а куда агента пока лучше вообще не пускать без контроля?
Эта граница сейчас важнее любого списка «20 способов использовать ИИ».
Чем ИИ-агент отличается от обычного чат-бота
Обычный чат-бот в основном работает по простой схеме:
вопрос → ответ.
Вы попросили написать письмо, получили текст и сами отправили его. Попросили сравнить сервисы — получили таблицу и сами приняли решение.
У агента цепочка длиннее:
цель → план → инструменты → действия → проверка результата → следующие действия.
Он может не только написать письмо, но и открыть почту, найти адресата, подготовить ответ и отправить его. Не только посоветовать, как обработать данные, но и подключиться к источнику, провести анализ и построить отчёт. Не только написать код, но и открыть репозиторий, внести изменения, запустить тесты и исправить ошибки.
Именно это делает агентов полезными. И именно это делает ошибки дороже.
Внутри OpenAI уже видно, как быстро меняется характер таких задач. По данным компании, к маю 2026 года 70,2% исследованных пользователей Codex хотя бы раз давали ему задачу, которая, по оценке OpenAI, заняла бы у человека больше часа. 25,6% пользователей поручали задачи, оценённые более чем в восемь часов человеческой работы. Причём Codex вышел далеко за пределы программирования: внутри OpenAI его активно используют юристы, финансисты и рекрутеры (отделы Legal, Finance, Recruiting). Источник: OpenAI
Но «может работать долго» ещё не значит «может работать без контроля».
Поэтому удобнее разделить задачи на три зоны.
Зелёная зона: что уже можно отдавать агенту почти полностью
Хорошая задача для полного или почти полного делегирования обычно обладает четырьмя свойствами:
- она ограничена понятными рамками;
- результат легко проверить;
- ошибка обратима;
- агент не принимает за человека важное решение.
В таких сценариях агент уже сегодня может экономить действительно много времени.
1. Поиск и сбор информации
Это один из самых очевидных сценариев.
Вместо запроса «расскажи мне про рынок» агенту можно поставить нормальную задачу:
Найди за последние семь дней новые продукты в этой категории, проверь сайты компаний и официальные анонсы, сравни функции, цены и ограничения, а результат занеси в таблицу со ссылками на источники.
Здесь агент выполняет уже не один поиск. Он проходит несколько источников, сопоставляет данные, удаляет дубли, структурирует результат и возвращает готовый материал.
Особенно полезны такие сценарии для:
- мониторинга конкурентов;
- отслеживания новых продуктов;
- поиска поставщиков;
- анализа тендеров;
- подготовки обзоров;
- проверки изменений на сайтах;
- регулярного мониторинга новостей по заданной теме.
Результат можно быстро просмотреть, а ошибка обычно не приводит к необратимым последствиям.
2. Регулярные отчёты и мониторинг
Это как раз тот класс задач, где агентная модель начинает заметно отличаться от обычного чат-бота.
Notion, например, позволяет создавать Custom Agents, которые работают по расписанию или запускаются по событию: появлению новой записи, изменению свойства, сообщению в Slack и другим триггерам. Компания приводит среди типовых сценариев регулярные отчёты, первичную сортировку (triage) обращений, внутренние Q&A и поддержку базы знаний. Источник: Notion
То есть вместо того чтобы каждую пятницу писать:
«Собери мне, что изменилось за неделю»
можно настроить процесс один раз.
Агент сам:
- собирает новые данные;
- сравнивает их с предыдущим периодом;
- выделяет изменения;
- формирует сводку;
- публикует её в нужном месте.
Для бизнеса это один из наиболее зрелых вариантов применения агентов, потому что сценарий повторяется и хорошо проверяется.
3. Анализ таблиц и бизнес-данных
10 сентября 2026 года OpenAI представила Data agent в ChatGPT Work. Он подключается к корпоративным данным, исследует причины изменений и способен строить интерактивные дашборды без необходимости вручную писать SQL-запросы. Источник: OpenAI
Типичная задача теперь может выглядеть так:
Продажи упали на 12%. Найди, в каких сегментах произошло основное снижение, сравни с предыдущим кварталом и покажи, какие клиенты сильнее всего повлияли на результат.
Раньше человеку пришлось бы самому получить данные, собрать запрос, проверить таблицы и построить визуализацию. Теперь значительную часть цепочки способен пройти агент.
Но здесь есть важная оговорка: агент хорошо помогает исследовать данные, но окончательное бизнес-решение всё равно должен принимать человек. Ошибка в интерпретации вполне возможна.
4. Работа с документами и файлами
Ещё одна уже вполне практичная область.
Агент может:
- прочитать несколько PDF;
- найти нужные пункты;
- сравнить версии договоров;
- собрать данные из Excel;
- превратить заметки в документ;
- подготовить презентацию;
- разложить файлы по смыслу;
- составить краткую выжимку по большому массиву документов.
Компания Notion в 2026 году расширила работу своих агентов с XLSX, PPTX, DOCX и PDF: агенты могут не только читать такие файлы, но и создавать новые документы на их основе. Источник: Notion
Для большинства таких задач риск невелик, если исходные файлы не меняются автоматически и человек видит итоговый документ перед использованием.
5. Код, автоматизация и технические задачи
Здесь агенты продвинулись особенно далеко.
Сегодня кодинг-агенту уже можно поручить не отдельную функцию, а цепочку:
Найди причину ошибки, изучи проект, исправь код, добавь тест, запусти тесты и подготовь изменения для проверки.
Это один из тех сценариев, где агент может работать действительно долго и самостоятельно.
Но есть принципиальная разница между:
«исправь код в отдельной ветке и покажи мне изменения»
и
«сам внеси изменения в production и перезапусти сервис».
Первое — зелёная или жёлтая зона. Второе — уже совсем другая история.
6. Подготовка материалов, которые всё равно проверяет человек
Сюда относятся:
- черновики писем;
- описания товаров;
- посты;
- статьи;
- коммерческие предложения;
- сводки встреч;
- инструкции;
- ответы клиентам;
- подготовка вопросов и документов.
Такие задачи отлично подходят агентам именно потому, что существует естественная точка контроля: перед публикацией или отправкой результат видит человек.
ИИ делает большую часть механической работы, но не получает право самостоятельно совершить необратимое действие.
Жёлтая зона: агент делает работу, человек подтверждает действие
Здесь начинаются сценарии, где саму работу агент уже способен выполнить хорошо, но ошибка может затронуть других сотрудников или клиентов, изменить важные данные или привести к расходам.
Поэтому разумная модель выглядит так:
агент готовит → человек проверяет → агент выполняет.
1. Электронная почта
Агент может:
- разобрать входящие;
- выделить важные письма;
- найти переписку по теме;
- подготовить ответы;
- поставить метки;
- перенести информацию в CRM или базу;
- напомнить, на что вы не ответили.
Notion уже позволяет своим агентам работать с Outlook: сортировать входящие, писать ответы и отправлять сообщения. Источник: Notion
Но автоматическую отправку любых писем я бы не включал по умолчанию.
Для внутренней сводки ошибка почти ничего не стоит. Для письма клиенту, партнёру или государственному заказчику последствия уже могут быть неприятными.
Поэтому хороший компромисс:
«Подготовь ответ и покажи мне перед отправкой».
2. Календарь и встречи
Агенту вполне можно поручить найти свободное время, предложить несколько вариантов, собрать материалы к встрече и подготовить повестку.
Notion Custom Agents уже умеют читать календарь, искать свободные слоты и создавать или изменять события. Источник: Notion
Но если агент самостоятельно отменит встречу с клиентом или пригласит не того человека, это уже будет не безобидная ошибка в тексте.
Поэтому изменение внешних встреч — хороший пример жёлтой зоны.
3. CRM и рабочие базы
Агент может прочитать переписку и обновить карточку клиента:
- добавить итог разговора;
- проставить статус;
- создать следующую задачу;
- заполнить недостающие поля;
- сформировать сводку по воронке.
Но чем важнее конкретное поле, тем осторожнее должна быть автоматизация.
Обновить внутреннюю заметку — одно. Перевести сделку в статус «закрыта», изменить сумму контракта или удалить карточку — совсем другое.
Хорошая практика здесь простая: давать агенту право изменять только те данные, изменение которых легко отменить и проверить.
4. Работа в браузере
Именно здесь агентные системы сейчас развиваются особенно быстро.
Gemini Spark, например, способен использовать Chrome для многошаговых задач: искать товары, планировать поездки, начинать бронирование и работать с сайтами, на которых пользователь уже авторизован. С разрешения пользователя Spark может использовать сохранённые данные входа. Google при этом отдельно пишет, что некоторые действия требуют подтверждения человека. Источник: Google
Это важный ориентир.
Поиск вариантов отеля можно поручить полностью.
Заполнение формы бронирования — тоже.
А вот финальную оплату разумно оставить человеку.
5. Публикация и изменение внешнего контента
Агент способен подготовить материал, загрузить его в CMS, расставить заголовки, заполнить метаописание и даже проверить отображение страницы.
Но финальная кнопка «Опубликовать» для важного корпоративного сайта — хороший кандидат на подтверждение человеком.
Причина не в том, что агент обязательно ошибётся. Причина в стоимости редкой ошибки.
Красная зона: что пока лучше не отдавать агенту полностью
Здесь критерий другой.
Если одна ошибка может привести к серьёзным финансовым, юридическим или инфраструктурным последствиям, человеческий контроль пока должен оставаться обязательным.
Деньги и платежи
Не стоит давать агенту неограниченное право самостоятельно:
- переводить деньги;
- оплачивать счета;
- оформлять крупные покупки;
- менять банковские реквизиты;
- проводить финансовые операции без лимитов.
Даже если технически система умеет это делать, разумнее использовать лимиты и подтверждение.
Удаление и необратимое изменение данных
Удалить тестовый файл и удалить базу клиентов — внешне похожие команды, но последствия несопоставимы.
Поэтому для:
- массового удаления;
- перезаписи данных;
- изменения прав доступа;
- очистки хранилищ;
- операций без простого rollback
нужен отдельный контроль.
Production, root и административные права
Агент может быть прекрасным помощником системного администратора или разработчика. Но постоянный полный доступ к инфраструктуре создаёт ненужный риск.
Гораздо безопаснее модель:
минимальные права → отдельная среда → лог действий → подтверждение критических операций.
Юридически значимые решения
Агент может разобрать документы, найти риски, сравнить пункты договора и подготовить проект ответа.
Но самостоятельно принять решение о подписании договора, отказе от претензии или другой юридически значимой операции — уже другой уровень ответственности.
Здесь ИИ может быть инструментом анализа, но не последней инстанцией.
Решения о людях
Особенно осторожно стоит относиться к сценариям, где агент самостоятельно решает:
- кого нанять;
- кого уволить;
- кому отказать;
- кого повысить;
- кому дать доступ;
- кого признать нарушителем.
ИИ может помочь собрать информацию и показать аргументы. Но решение, которое серьёзно влияет на человека, не стоит полностью передавать автоматической системе.
Почему нельзя просто включить «полную автономность»
Главная причина очень проста: современные агенты уже впечатляют на коротких и средних задачах, но на длинных цепочках ошибок всё ещё слишком много.
Хорошо это показывает benchmark OSWorld 2.0, опубликованный летом 2026 года. В него вошли 108 реалистичных компьютерных рабочих процессов. У человека такая задача в среднем занимала около 1,6 часа. Лучший протестированный агент полностью выполнил только 20,6% задач. Авторы отмечают характерные ошибки: агент теряет ограничения, пропускает информацию, появившуюся по ходу работы, делает предположения вместо уточнений и не всегда проверяет результат. Исследование OSWorld 2.0
Другой benchmark, Odysseys, проверяет длинные задачи в реальном интернете: сравнение информации на нескольких сайтах, планирование поездок, многошаговый поиск и другие сценарии. В базовой оценке лучший агент полностью справился с 44,5% задач. Исследование Odysseys
Это не значит, что агенты бесполезны. Наоборот.
Это значит, что сегодня важно правильно выбирать уровень автономности.
Если агент ошибается в черновике отчёта — вы исправите строку.
Если он ошибается при переводе денег, удалении данных или изменении production — цена той же ошибки становится совершенно другой.
Как понять, можно ли делегировать конкретную задачу
Я бы использовал простой тест из пяти вопросов.
1. Можно ли быстро проверить результат?
Если да — хороший кандидат.
Например, таблицу, отчёт, текст или список найденных закупок легко просмотреть.
2. Можно ли отменить действие?
Чем легче rollback, тем больше автономности можно дать.
Создать черновик страницы безопаснее, чем удалить существующую.
3. Насколько дорогой будет ошибка?
Если ошибка стоит десяти минут — одно.
Если она может стоить денег, клиента или доступа к системе — нужен контроль.
4. Есть ли чёткие границы задачи?
«Следи за всем бизнесом и делай, что считаешь нужным» — плохая постановка.
«Каждое утро проверь эти десять источников, найди изменения и подготовь сводку» — хорошая.
5. Принимает ли агент решение или только готовит информацию?
Это, пожалуй, главный вопрос.
Собрать данные для решения можно делегировать намного смелее, чем само решение.
С чего начать, если хочется попробовать ИИ-агента уже сегодня
Не нужно начинать с самого сложного процесса в компании.
Лучший первый сценарий обычно скучный.
Найдите задачу, которая:
- повторяется несколько раз в неделю;
- занимает 20–60 минут;
- выполняется примерно одинаково;
- использует понятные источники данных;
- легко проверяется;
- не приводит к необратимым последствиям.
Например:
Каждый день проверить новые тендеры по заданным параметрам, отсеять неподходящие, по оставшимся собрать заказчика, цену, сроки и ключевые требования и сформировать таблицу для просмотра человеком.
Или:
Каждую пятницу собрать все изменения по проектам, сообщения из нужных каналов и новые задачи, после чего подготовить недельный отчёт.
Или:
Разобрать входящие документы, определить их тип, извлечь ключевые реквизиты и подготовить таблицу, не изменяя оригиналы.
Если такой процесс несколько недель работает стабильно, агенту можно постепенно дать больше инструментов и самостоятельности.
Именно постепенно, а не наоборот.
ИИ-агент уже сотрудник?
Пока нет — по крайней мере не в том смысле, в котором обычно понимают полноценного автономного сотрудника.
Но и называть его просто чат-ботом уже неправильно.
В 2026 году ИИ-агент всё больше похож на исполнителя с очень высокой скоростью, хорошей способностью работать с информацией и всё ещё недостаточно стабильным здравым смыслом.
Ему уже можно поручать часы работы. Можно подключать инструменты. Можно ставить задачи по расписанию. Можно оставлять выполнять некоторые процессы без постоянного наблюдения.
Но уровень автономности должен зависеть не от того, насколько впечатляюще выглядит технология, а от простой вещи — что произойдёт, если она ошибётся.
Поэтому наиболее рабочая модель сегодня выглядит не как «ИИ заменил человека», а так:
агент самостоятельно выполняет большую часть работы, а человек остаётся в тех точках, где цена ошибки становится высокой.
И, похоже, именно эта граница будет постепенно двигаться в ближайшие годы.
Ссылки
Ссылки
- Статья: OpenAI — How agents are transforming work
- Статья: OpenAI — Data agent in ChatGPT Work
- Документация: Notion — Custom Agents
- Документация: Notion — External Agents and new agent capabilities
- Документация: Google — Gemini Spark
- Исследование: OSWorld 2.0
- Исследование: Odysseys