Задачи, которые сотрудники откладывают не из-за сложности, а из-за монотонности, стали первыми кандидатами на передачу ИИ-агентам. Архитектор решений Cloud.ru Сергей описал пять таких типов на примере российского и зарубежного бигтеха — и для каждого дал инструкцию, как воспроизвести результат с минимальными ресурсами.
Самый наглядный пример того, насколько «простые» задачи обманчивы: топ-менеджер Navio попросил разработчика придумать агента для постановки встреч. На следующий день тот принёс блок-схему из 125–150 шагов. Агенту нужно объяснять каждый микрошаг — проверить доступность участников, учесть часовые пояса, обработать конфликты в расписании, выбрать переговорку по вместимости, отправить инвайт в правильном формате и дождаться подтверждений. Человек делает это на автопилоте; агент требует явной инструкции на каждое действие.
Первый и самый массовый сценарий — автоматизация поддержки. Т-Банк запустил ИИ-агента Афанасия Иванова больше года назад: он открывает браузер, работает через тот же интерфейс, что и живой специалист, и самостоятельно закрывает обращения. По словам представителя банка Артёма Бондаря, воркеры уже замещают сотни людей. «АФЛТ-Системс», дочерняя структура «Аэрофлота», автоматизировала регистрацию тикетов в техподдержке, сделала процесс на 93% эффективнее и сохранила более 1 300 человеко-часов и 920 000 рублей. Для компании без корпоративного бюджета схема выглядит так: собрать 30–50 самых частых вопросов в таблицу, загрузить базу в RAG-сервис — например, Managed RAG — и дать агенту две функции: отвечать на FAQ и передавать диалог человеку при нестандартном запросе. Первый рабочий пилот поднимается за 2–3 дня.
Т-Банк запустил ИИ-агента поддержки Афанасия Иванова — он работает в браузере как живой специалист и замещает сотни сотрудников.
Второй сценарий — помощь разработчикам с легаси-кодом и тестами. «Сбер» развивает GigaCode внутри GitVerse: в агентском режиме разработчик описывает задачу текстом, агент сам находит нужные файлы, вносит изменения, запускает тесты и оформляет коммит. Google генерирует около 50% нового внутреннего кода с помощью ИИ-помощников — с обязательным ревью человека. Внутренний ассистент Goose обучен на кодовой базе и инженерной истории компании и помогает ориентироваться в монорепозиториях. Для небольших команд достаточно подключить Continue.dev или Cursor через API моделей — это занимает около часа. Если код нельзя выносить наружу, локальная модель поднимается через Ollama. Ключевое правило: любой код от модели проходит обычное ревью, как если бы его написал джун.
Третий сценарий — работа с договорами и юридическими документами. «Яндекс» в 2025 году запустил Нейроюриста: ассистент ускоряет работу с договорами в полтора раза, а поиск и анализ — в три. Воспроизвести базовую версию можно через RAG-пайплайн на LlamaIndex или LangChain с векторной базой Chroma: взять ограниченный набор документов — например, только NDA и шаблоны допсоглашений, — привести PDF в читаемый текст, загрузить в систему семантического поиска. Критическое ограничение: финальное юридическое решение остаётся за человеком, модель должна ссылаться на конкретный пункт документа, а не делать выводы самостоятельно.
Общая логика во всех трёх сценариях одинакова: ИИ-агент не раздражается, не выгорает и не откладывает задачу на завтра — именно поэтому монотонные, повторяющиеся операции передаются ему первыми. Риски тоже типовые: грязные данные приводят к неверным ответам в поддержке, правдоподобный, но нерабочий код ломает прод, а юридические выводы без цитаты из источника создают правовые риски. Все три проблемы решаются одним принципом — человек остаётся в контуре принятия финального решения.
