ИИ-агент: что это и чем отличается от чат-бота

TL;DR. Чат-бот — древо сценариев «если-то» без ИИ. ChatGPT/Claude — нейросеть, которая отвечает в чате, но ничего не делает во внешних системах. ИИ-агент — LLM + инструменты (MCP-серверы, API, память, триггеры), который сам действует: заходит в Директ, правит сайт, отвечает клиентам, ведёт CRM. Для бизнеса в 2026 году актуален третий уровень.

«ИИ-агент», «чат-бот», «нейросеть», «ChatGPT» — слова смешались в одну кучу. Маркетологи продают «AI-агентов» под видом сценарных конструкторов, Salebot-боты называются «нейроассистентами», а ChatGPT считают «искусственным интеллектом, который всё умеет». На самом деле это три совершенно разных продукта с разной архитектурой и стоимостью. Разбираемся.

Чат-бот: сценарии «если-то»

Классический чат-бот (Salebot, BotHelp, Aimylogic, конструкторы на n8n) — это древо сценариев. «Пользователь нажал кнопку А — отправить сообщение Б». «Написал слово „цена“ — показать прайс». Никакого ИИ внутри: набор правил, которые прописывает разработчик или маркетолог.

Что умеет: квалифицировать лиды по типовым вопросам, собирать заявки в форму, продавать через триггерные цепочки (например, «через 24 часа после подписки — прислать бонус»), автоответы FAQ.

Чего не умеет: понимать произвольный текст, рассуждать, действовать за пределами сценария. Если клиент написал «а можно оплатить криптой» — сценарного бота в 90% случаев ждёт тупик или «оставьте контакты, менеджер свяжется».

ChatGPT (и Claude, Алиса AI, GigaChat, YandexGPT): нейросеть в чате

Большая языковая модель (LLM) в формате диалога. Понимает любой ввод, отвечает связно, может писать код, переводить, объяснять, генерировать идеи. Обучена на терабайтах текста и знает почти всё, что попадало в интернет до её даты знаний.

Что умеет: писать тексты, переводить, объяснять, генерировать идеи, помогать с расчётами, отвечать на вопросы по любой теме. Хорошо подходит как личный ассистент-консультант.

Чего не умеет: действовать самостоятельно за пределами чата. ChatGPT не пойдёт в твою CRM, не отправит email, не сделает правку на сайте, не поднимет ставку в Директе. Каждый раз ты сам копируешь его ответ туда, где нужно. Плагины и GPT-Actions это отчасти закрывают, но требуют настройки и работают только для типовых сервисов из витрины OpenAI.

ИИ-агент: LLM плюс инструменты плюс память плюс триггеры

ИИ-агент — это связка из четырёх слоёв: нейросеть (мозг), набор инструментов (руки), долгосрочная память (опыт) и триггеры (внимание). Он не просто отвечает — он действует и помнит контекст.

Пример. Ты пишешь в Telegram голосом: «Глянь Директ за вчера и подними ставки на топ-3 кампании». Агент идёт в API Яндекс.Директа, читает статистику за 24 часа, ранжирует кампании по ROI, аналитическим выводом определяет топ-3, поднимает ставки на +15%, сохраняет решение в дневник, присылает отчёт с графиком. Без копипасты, без интерфейса, без открытия ноутбука.

Второй пример. В 3 часа ночи приходит заявка через форму на сайте. Агент видит trigger «новый лид» в amoCRM, читает данные, идёт в базу знаний по продукту, пишет квалифицированный ответ клиенту в Telegram и заводит карточку в CRM с тегами. Утром ты видишь готовую сделку в статусе «первый контакт».

Когда какой инструмент использовать

Кейс из практики: три инструмента, одна задача

Клиент с интернет-магазином пытался решить проблему «терялись заявки по выходным». Сначала внедрил чат-бота: работал 2 недели, не справился — требовалась реакция на нестандартные сообщения («а можно доставку в субботу вечером?»). Потом попробовал ChatGPT с сотрудником-оператором — оператор писал ChatGPT, тот генерировал ответ, оператор копировал в CRM. Мимо: узкое горло в человеке, ночью никого нет.

С ИИ-агентом: входящие лиды в течение минуты квалифицируются, попадают в amoCRM с тегами и первичной оценкой, нестандартные вопросы — алерт в Telegram владельца с рекомендованным ответом. Время реакции упало с 14 часов до 5 минут. Конверсия из заявки в оплату выросла на 22%, при этом штат остался прежним.

Эволюция от чат-бота до агента

Историческая последовательность примерно такая:

• 2018–2020. Чат-боты в Telegram и на сайтах (Salebot, BotHelp) — сценарные конструкторы для лидогенерации
• 2022–2023. ChatGPT публично, GPT-3.5, широкое распространение LLM в формате диалога
• 2024. First-generation агентов через LangChain, AutoGPT — экспериментально, нестабильно, требуют много кода
• 2025. Anthropic выпускает MCP-протокол (Model Context Protocol) — стандарт связи LLM с внешними сервисами
• 2026. Стабильные агенты на Claude/GPT-4o с MCP, готовые для бизнеса. Персональные подписки ($100–500/мес), готовые интеграции с Директом, CRM, Метрикой, WordPress

Сейчас мы на этапе, когда технология действительно работает. Ещё год назад это была лотерея. Сегодня — рабочий инструмент, который окупается за 3–6 недель.

Технический стек современного ИИ-агента

• LLM-ядро: Claude Opus/Sonnet, GPT-4o или локальная Qwen — отвечает за рассуждения и генерацию
• MCP-серверы: стандартизированные интерфейсы для доступа к внешним системам (открытый протокол Anthropic, десятки готовых серверов)
• Память: SQLite или векторная БД для долгосрочных фактов, файловая система для ежедневного дневника
• UI-канал: Telegram (голос, файлы, push), Slack, веб, голосовые телефоны через Voximplant/Exolve
• Голос: Deepgram для распознавания речи, ElevenLabs для синтеза
• Оркестратор: цикл «запрос → план → действия через MCP → проверка → ответ»
• Инфраструктура: персональный VPS (Digital Ocean, Timeweb), не общий cloud

Как понять, что нужен именно агент, а не бот или GPT

Простые критерии:

1. Задача требует действия в CRM, рекламе, сайте, а не только ответа — нужен агент
2. Задача возникает регулярно и требует памяти контекста между запусками — нужен агент
3. Задача возникает редко и требует только консультации — хватит ChatGPT/Claude
4. Задача типовая с фиксированным сценарием — хватит чат-бота

Подробнее про архитектуру Двоя — в статье «Почему ИИ-агент должен жить в Telegram», а сравнение с корпоративными платформами — в обзоре Lindy, Cognition, Cassidy и Двоя.

Частые вопросы