Мультиагентные системы: как несколько ИИ-агентов работают вместо отдела

Что такое мультиагентная система простыми словами

Начнём с одного агента. Обычный чат-бот отвечает на вопрос и ждёт следующего. ИИ-агент получает задачу и сам решает, какие шаги сделать: найти информацию, открыть таблицу, написать письмо, проверить результат. Для этого у него есть инструменты — доступ к поиску, CRM, почте, файлам. Подробно о том, чем агент отличается от чат-бота, — в статье AI-агент для бизнеса.

Мультиагентная система — следующий шаг. Вместо одного агента, который делает всё, работает команда:

1. Координатор получает задачу, делит её на части и раздаёт исполнителям.
2. Исполнители — агенты со своей специализацией: исследователь, автор, аналитик, проверяющий.
3. Инструменты — CRM, таблицы, сайт, почта, мессенджеры, к которым подключены агенты.
4. Человек задаёт цели, утверждает важные решения и получает итог.

Аналогия с отделом здесь честная. Как и в отделе, выигрыш появляется за счёт специализации и параллельной работы. И как в отделе, появляются издержки на координацию: агенты могут неправильно понять друг друга, дублировать работу или передавать по цепочке ошибку.

Чем мультиагентная система отличается от одного агента

Цифры о расходе есть у Anthropic: в разборе своей исследовательской системы компания пишет, что агенты обычно тратят примерно в 4 раза больше токенов, чем чат, а мультиагентные системы — примерно в 15 раз больше. Там же: на внутренней оценке исследовательских задач связка из ведущего агента и подагентов справилась на 90,2% лучше одиночного агента (Anthropic: how we built our multi-agent research system). И важная оговорка оттуда же: схема плохо подходит задачам, где всем агентам нужен общий контекст, и большинству задач по программированию, где мало по-настоящему параллельной работы.

Вывод: мультиагентность — не улучшение «по умолчанию». Это инструмент для определённого класса задач.

Пример 1: мультиагентная система в продажах

Возьмём условную компанию, которая продаёт и устанавливает окна. Заявки приходят с сайта, из Директа, Авито и мессенджеров. Вот как может выглядеть связка агентов.

Что даёт схема: клиент получает ответ и предварительную цену за минуты, а не на следующий день. Менеджер тратит время на звонки и замеры, а не на переписывание заявок и расчёты. Скорость ответа напрямую влияет на конверсию — почему, разобрали в статье скорость ответа на заявку.

Где здесь человек обязателен: финальная цена и скидки, нестандартные объекты, конфликтные клиенты. Агент-контролёр снижает число ошибок, но не убирает их полностью.

Пример 2: мультиагентная система для контента

Вторая типичная задача — регулярный контент: статьи в блог, посты, описания товаров.

1. Исследователь собирает материалы по теме: что спрашивают клиенты, что пишут конкуренты, какие факты и источники есть.
2. Планировщик составляет структуру материала под задачу и аудиторию.
3. Автор пишет черновик по структуре.
4. Фактчекер проверяет цифры, даты и ссылки по источникам.
5. Редактор правит стиль под голос компании и убирает штампы.
6. Публикатор готовит материал к выкладке: заголовок, описание, разметку.
7. Человек читает финал, дополняет экспертизой и утверждает.

Каждый агент получает короткую понятную инструкцию и не держит в голове всю задачу. Поэтому такая цепочка обычно даёт более ровный результат, чем один длинный запрос «напиши статью».

Но есть и обратная сторона: если исследователь притащил неверный факт, а фактчекер его пропустил, ошибка пройдёт до конца. Поэтому проверку фактов человеком мы бы не отдавали агентам целиком, особенно в темах про деньги, законы и здоровье.

Если по этим примерам вы узнаёте процессы своей компании, но не понимаете, какой из них стоит автоматизировать первым и во что это обойдётся, это удобно разобрать на конкретике.

Где мультиагентные системы дают эффект в малом бизнесе

Подходят процессы, у которых есть три признака: они повторяются, состоят из нескольких разных этапов и имеют понятный критерий «сделано хорошо».

Связанные темы с готовыми сценариями: ИИ для отдела продаж, интеграция нейросети с CRM, анализ отзывов нейросетью.

Где пока дорого и ненадёжно

Честно о том, где мультиагентная схема сегодня проигрывает.

• Простые задачи. Ответить на частый вопрос, сделать описание товара, расшифровать звонок — с этим справится один агент или даже обычный запрос к нейросети. Команда агентов будет в разы дороже без выигрыша в качестве.
• Задачи с общим контекстом. Если всем участникам нужно постоянно знать всё, что знают остальные, накладные расходы на передачу информации съедают выигрыш.
• Ошибка дорого стоит. Договоры, платежи, медицинские и юридические советы. Каждое звено цепочки может ошибиться, и ошибки накапливаются.
• Нет данных и правил. Если прайс живёт в голове директора, а процесс продаж нигде не описан, агентам не на что опираться. Сначала нужно описать процесс — и часто уже это даёт эффект без всякого ИИ.
• Маленький объём. 5 заявок в неделю не окупят настройку и поддержку системы. Для начала хватит одного агента или чат-бота с базой знаний — см. база знаний для чат-бота.

Из чего собирают мультиагентные системы

Технически систему можно собрать несколькими способами.

• Готовые агентные сервисы. Автономные агенты, которые сами планируют и выполняют задачи в браузере или облаке. Примеры и ограничения — в статьях Manus AI и ChatGPT Agent.
• Конструкторы автоматизаций. Визуальные сценарии, где каждый шаг может обращаться к нейросети, а данные передаются между сервисами. Например, n8n можно развернуть на своём сервере — см. установка n8n на сервер.
• Фреймворки для разработчиков. Библиотеки с открытым кодом для программирования агентов и их взаимодействия, вроде LangGraph, CrewAI или AutoGen. Это гибко, но требует программиста.
• Протоколы подключения инструментов. Чтобы агенты работали с CRM, таблицами и сайтом, их подключают через API или протокол MCP — что это, объясняем в статье MCP: что это.

Отдельный вопрос — какие модели использовать. Для работы с персональными данными российских клиентов удобнее модели российских провайдеров с серверами в России, например через YandexGPT API или GigaChat API.

Как внедрить мультиагентную систему: пошаговый план

1. Выберите один процесс. Тот, где больше всего ручной рутины и понятный результат. Не пытайтесь автоматизировать весь бизнес сразу.
2. Опишите процесс как для нового сотрудника. Шаги, правила, исключения, примеры хорошего и плохого результата.
3. Посчитайте текущую стоимость. Сколько часов в неделю уходит, сколько стоит час, сколько ошибок.
4. Начните с одного агента. Часто его хватает. Делите на роли, только когда один агент перестаёт справляться: путается, теряет шаги, пропускает ошибки.
5. Добавьте проверяющего. Второй агент, который проверяет работу первого по чек-листу, — самый простой и полезный шаг к мультиагентности.
6. Оставьте человека на ключевых точках. Утверждение цен, отправка клиенту, публикация.
7. Измеряйте. Время на задачу, доля ошибок, расход на модели в месяц, влияние на заявки и продажи.
8. Масштабируйте, когда цифры сходятся. Добавляйте роли и процессы постепенно.

Условный расчёт

Пример условный, не кейс студии. Компания по установке кондиционеров, 300 заявок в месяц. Менеджер тратит на первичную обработку одной заявки (ответ, уточнения, расчёт, внесение в CRM) около 12 минут — 60 часов в месяц. Час менеджера с налогами — 500 ₽, итого 30 000 ₽ в месяц только на первичку.

Связка из приёмщика, квалификатора и расчётчика забирает 70% этой работы. Остаётся 18 часов менеджера — 9 000 ₽. Расходы на модели и сервисы автоматизации при таком объёме — условно несколько тысяч рублей в месяц, плюс разовая настройка и поддержка. Экономия на зарплате скромная, главный выигрыш в другом: клиент получает ответ за минуты, а менеджер звонит уже прогретым клиентам. Сравнение «агент против менеджера» подробно разобрано в статье ИИ-агент или менеджер: что дешевле.

Частые ошибки при внедрении

Мы в студии сами работаем с ИИ-агентами: например, у нас есть агент для правок сайта голосом. Если хотите понять, какие задачи вашего бизнеса можно отдать агентам уже сейчас и сколько это будет стоить, оставьте контакты — разберём на ваших процессах.