Когда мы начинали делать НейроСотрудников, идея казалась довольно прямолинейной.
Есть LLM, есть агентный фреймворк, есть набор корпоративных инструментов — CRM, документы, чаты, задачи, API. Значит, можно собрать универсального ИИ-агента для бизнеса.
Технически все выглядело вполне знакомо: агент работает в изолированной среде, хранит контекст, использует системные инструкции, умеет вызывать инструменты и выполнять действия от имени пользователя.
В качестве основы мы использовали OpenClaw, а поверх начали строить уже бизнесовый слой: серверы, доступы к моделям, резервирование, роли, базовые навыки, подключение корпоративных систем и сопровождение.
На старте это выглядело как вполне понятный продукт: “Универсальный агент для компании”.
Но в процессе эксплуатации внутри собственной команды мы довольно быстро поняли, что главный эффект возникает вообще не там, где мы ожидали.
И проблема, которую начинают решать такие системы, на самом деле старше, чем сами ИИ-агенты.
Речь про устаревание автоматизации.
Главная проблема классической автоматизации
Любая автоматизация в компании начинается одинаково.
Есть некоторый процесс:
- обработка лидов;
- согласование скидок;
- контроль просроченных задач;
- управленческая отчетность;
- маршрутизация заявок;
- эскалация проблемных клиентов;
- передача информации между отделами.
Дальше процесс формализуется.
Появляется ТЗ.
После этого начинается типичный пайплан внедрения, подключается команда, обирается логика, настраиваются статусы, роли, уведомления, правила.
И какое‑то время все действительно работает хорошо.
А потом бизнес меняется. Меняется воронка продаж. Появляются новые каналы. Руководителю нужен другой отчет. Отдел начинает работать иначе. Возникают исключения, которых раньше не было.
И это нормально, бизнес обязан постоянно меняться, чтобы жить (а российских реальностях часто выживать). Но любая сделанная автоматизация начинает постепенно расходиться с реальностью. Обычно это происходит не катастрофически.
Система продолжает работать, но появляются десятки мелких несовпадений:
- отчет уже не отражает актуальную картину;
- правила эскалации устарели;
- вокрфлоу не учитывает новый процесс;
- сотрудники начинают обходить систему руками;
- часть логики снова уезжает в чаты и Excel .
На практике именно это чаще всего и убивает автоматизацию. Не инфраструктура. Не баги. Не интеграции. А накопление разницы между реальным процессом и тем процессом, который когда‑то был описан в момент внедрения.
После этого начинается знакомый цикл: новое ТЗ, новые доработки, ожидание разработки, повторное внедрение.
И чем быстрее меняется бизнес, тем быстрее устаревает автоматизация.
Почему low-code и RPA не решают проблему полностью
На первый взгляд может показаться, что эту проблему уже решили low-code платформы, BPM-системы и RPA. Но у них есть общая особенность — даже если сборка стала визуальной, сама логика по-прежнему остается жестко описанной.
Условно:
ЕСЛИ статус = X
И сумма > Y
ТО выполнить действие Z
Такие системы действительно ускоряют изменения и мы знаем это на своем опыте, ведь одно из направлений Нейро42 — это low-code платформа и заказная разработка решений для клиентов на ней.
Но эффективный low-code все еще предполагает, что:
- процесс можно заранее формализовать;
- логика остается относительно стабильной;
- изменения происходят через конфигурирование системы.
Для части задач бизнеса это работает прекрасно — бухгалтерия, финансы, юристы. Но в реальном бизнесе очень много процессов, которые плохо укладываются в фиксированную схему. Особенно там, где много контекста, есть исключения, решения принимаются по совокупности факторов и особенно где правила постоянно эволюционируют.
Именно здесь мы увидели принципиальное отличие агентной модели.
Что изменилось, когда мы начали использовать агента внутри компании
Внутри команды мы развернули собственного НейроСотрудника — Джуди.
Сначала задачи были вполне ожидаемыми: работа с Bitrix, документы, подготовка ответов, контроль задач, сбор информации из разных источников.
Первые впечатления тоже были типичными для агентных систем. Агент умеет пользоваться инструментами. Понимает контекст. Может выполнять действия. Работает с памятью.
Но потом произошло более интересное. Мы начали менять поведение системы не через разработку, а через обычные объяснения. Например: «Если сделка выглядит проблемной, но данных недостаточно, не помечай ее как риск, а вынеси в отдельный блок для проверки». Или: «После 19:00 не отправляй уведомления в общий чат — просто создай задачу ответственному». Или: «Для этого сегмента клиентов проверяй историю предыдущих коммуникаций перед эскалацией».
С технической точки зрения за этим стояли:
- обновление системных инструкций;
- изменение воркфлоу;
- уточнение правил принятия решений;
- корректировка памяти и контекстного слоя;
- ограничения на вызов инструментов.
Но с точки зрения пользователя это выглядело как обучение сотрудника. Без отдельного проекта внедрения. Без нового ТЗ. Без постоянной пересборки логики под каждое изменение процесса.
Именно здесь для нас начала меняться сама модель автоматизации.
Агентная система как адаптивный слой
В какой‑то момент мы начали смотреть на агентную систему не как на очередную автоматизацию, а как на адаптивный слой поверх бизнес-процессов.
Классическая автоматизация пытается зафиксировать процесс.
Агентная система работает немного иначе: она позволяет менять поведение без полного переписывания логики каждый раз, когда меняется сам процесс.
Это не означает, что разработка больше не нужна. Обязательно нужна. Нужны интеграции, права доступа, логирование, тестирование, контроль галлюцинаций, нормальная логика оркестрации, а еще часть задач просто быстрее и удобнее сделать в консоли.
Но меняется точка приложения изменений.
Вместо того чтобы каждый раз пересобирать систему снаружи, часть изменений начинает происходить через:
- инструкции;
- правила;
- контекст;
- feedback loop;
- накопление навыков.
И это принципиально отличается от обычного воркфлоу автоматизации. Потому что система начинает работать не только с заранее описанными ветками, но и с интерпретацией контекста.
Пример на CRM-контроле
Возьмем относительно простой кейс — контроль сделок.
В классической автоматизации это обычно выглядит так:
- если сделка без задачи → отправить уведомление;
- если статус не менялся 7 дней → эскалировать;
- если сумма выше порога → уведомить руководителя.
Пока процесс стабилен, схема работает нормально. Но дальше появляются реальные ограничения бизнеса.
Например:
- разные правила для разных отделов;
- отдельная логика для VIP-клиентов;
- ограничения по времени коммуникации;
- исключения для повторных продаж;
- необходимость учитывать историю предыдущих взаимодействий.
В итоге дерево правил начинает разрастаться.
В агентной модели значительная часть этих изменений переносится на уровень инструкций и контекста. Например: «Не включай сделки до 100 000 рублей в отчет, если это не повторная продажа». Или: «Если уверенность низкая, не эскалируй автоматически».
Это не отменяет необходимость контроля, но снижает стоимость изменения процесса. Именно это для нас оказалось самым важным эффектом.
Где проходит граница реальности
При этом здесь очень важно не уйти в ИИ-хайп. У агентных систем хватает ограничений.
- Они плохо работают без качественного контекста.
Если данные в компании хаотичны, доступы настроены плохо, процессы противоречат друг другу, а знания разбросаны по чатам, агент начинает деградировать довольно быстро.
- Агент не заменяет архитектуру.
Нельзя просто дать системе доступ к CRM и надеяться, что дальше все заработает само.
Нужны роли, ограничения действий, аудит, механики контроля человека, откаты и нормальный контроль безопасности. Особенно если агент умеет выполнять реальные действия в системах.
- Большинство процессов нельзя полностью автономизировать.
Во многих сценариях агент приносит максимальную пользу не как полностью самостоятельный исполнитель, а как система, которая:
- готовит действия;
- анализирует данные;
- помогает контролировать процессы;
- собирает контекст;
- снижает количество ручной рутины.
На практике частичная автоматизация часто оказывается полезнее полной автономии.
Что мы в итоге начали продавать
Изначально нам казалось, что мы продаем ИИ-агента, инфраструктуру, интеграции и доступ к моделям.
Но со временем стало понятно, что для бизнеса это вторично.
Главная ценность — снижение стоимости изменения процессов.
Не в смысле стоимости серверов. А в смысле организационного трения.
Когда изменение процесса перестает означать отдельный проект, новое ТЗ и цикл разработки.
И начинает означать обновление правил, уточнение инструкций и корректировку поведения системы.
Именно поэтому мы начали смотреть на НейроСотрудников не как на ботов, а как на адаптивный слой между бизнесом и инфраструктурой.
Почему первый полезный навык важнее большой платформы
Еще один вывод оказался довольно практическим.
Агентные системы почти невозможно нормально объяснить через презентации про цифровых сотрудников и мультиагентные воркфлоу. До первого рабочего сценария это звучит как очередное что-то там с ИИ, которое будет дорогим и бесполезным.
Работать начинает только конкретная польза. Поэтому лучший сценарий внедрения — не “цифровая трансформация компании”, а один небольшой, но конкретный процесс.
Например:
- контроль просроченных сделок;
- подготовка еженедельных отчетов;
- проверка заявок;
- сбор информации по проектам.
И очень важно, чтобы первый полезный результат появился быстро и его ощутили все сотрудники, которые работают с агентом. Особенно если ранее компания уже пробовала внедрять автоматизации. Потому что именно тогда команда начинает понимать разницу между статическим воркфлоу и системой, которая способна адаптироваться.
Что изменилось в нашем понимании
Сейчас я бы уже не описывал НейроСотрудников как «универсальных ИИ-агентов» — это слишком размытая категория. И точно не называл бы их просто автоматизацией.
Скорее речь идет о попытке построить слой, который работает поверх существующих систем, использует LLM как механизм интерпретации контекста и способен менять поведение без полного переписывания логики.
При этом это не отменяет инженерных проблем:
- надежность;
- безопасность;
- задержки;
- наблюдаемость;
- стоимость выводов;
- контроль ошибок.
Но сама модель взаимодействия бизнеса с автоматизацией начинает меняться. Раньше автоматизация фиксировала процесс, теперь появляется возможность постепенно обучать систему вместе с изменением самого процесса. И, возможно, именно это окажется более важным эффектом агентных систем, чем вся история про замену сотрудников.
Вместо вывода
За последний год мы протестировали десятки сценариев внутри собственной команды: от CRM и отчетности до внутренних воркфлоу, контроля задач и работы с контекстом клиентов.
Часть вещей не взлетела вообще. Часть оказалась слишком дорогой в поддержке. Часть — неожиданно полезной.
Именно из этих экспериментов постепенно и сформировался подход к НейроСотрудникам, который мы сейчас внедряем у клиентов. Не как “волшебный ИИ”, который заменяет людей. А как адаптивный слой автоматизации, который может развиваться вместе с процессами компании, а не ломаться каждый раз после очередного изменения бизнеса.
Если вам интересно посмотреть, как это выглядит на практике — с реальными сценариями, архитектурой, ограничениями и примерами внедрения, можно посмотреть подробнее на лендинге Нейро42.
Там мы постепенно собираем кейсы, подходы и рабочие сценарии, которые появились у нас за время настройки НейроСотрудников внутри компании и у клиентов.
Потому что главная проблема бизнеса часто не в отсутствии автоматизации, а в том, что автоматизация перестает успевать за бизнесом.
