Рынок AI-агентов достиг $7,84 млрд в 2025 году и, по оценкам аналитиков, вырастет до $52,62 млрд к 2030 году при среднегодовом темпе роста 46,3%. При этом реальные цифры из бизнес-практики уже сегодня говорят сами за себя: компании, внедрившие AI-автоматизацию, сообщают о сокращении операционных издержек в среднем на 35%, а 67% малых и средних предприятий, использующих AI-агентов, зафиксировали рост выручки более чем на 20% за последний год. В бухгалтерии стоимость обработки одного счёта у лучших команд упала с $13,54 до $2,98 — то есть на 78%. Это уже не прогнозы: это отраслевая реальность первой половины 2026 года.
Мы в West Star Ltd наблюдаем похожую картину в проектах для компаний Казахстана. AI-агент как инструмент автоматизации всё чаще ставится на конкретные рабочие позиции — не в качестве чат-бота для клиентов, а как операционный участник внутренних процессов. В этой статье разберём три направления: продажи, склад и бухгалтерия. Посмотрим, что работает на практике, где возникают сложности и с чего стоит начинать.
ЧТО ТАКОЕ AI-АГЕНТ И ЧЕМ ОН ОТЛИЧАЕТСЯ ОТ ЧАТ-БОТА
Принципиальное отличие AI-агента от обычного чат-бота в том, что агент не просто отвечает на вопрос — он самостоятельно выполняет цепочки действий. Получив задачу, агент сам обращается к нужным системам, собирает данные, принимает решение по заданной логике, выполняет действие и при необходимости передаёт задачу дальше. Он работает не в режиме диалога, а в режиме процесса.
По прогнозу аналитиков, к концу 2026 года 40% корпоративных приложений будут интегрированы с AI-агентами — тогда как ещё в 2025 году этот показатель не превышал 5%. Это означает, что большинство компаний либо уже внедряют агентов, либо делают это прямо сейчас.
КАК AI-АГЕНТ РАБОТАЕТ В ПРОДАЖАХ
Продажи — наиболее зрелое направление для AI-агентов. Основная причина: здесь хорошо структурированные данные (CRM, история сделок, активность клиента) и чёткие цели (квалифицированный лид, закрытая сделка, повторная покупка).
На практике AI-агент в отделе продаж выполняет следующие задачи.
Первичная квалификация входящих заявок. Агент анализирует источник, историю клиента в CRM, отраслевой профиль и заполненность заявки. Он автоматически присваивает приоритет и либо передаёт задачу менеджеру с готовым контекстом, либо сам запускает follow-up последовательность. Компании, внедрившие такие системы, фиксируют ускорение конвейера продаж в 2–3 раза.
Автоматизация рутинных касаний. Агент сам отправляет письма, напоминания, коммерческие предложения по шаблонам, обновляет статусы сделок в CRM без участия менеджера. Менеджер подключается только на этапах, требующих живого диалога.
Подготовка к встрече. Перед звонком или встречей агент собирает по клиенту данные из CRM, открытых источников, предыдущей переписки — и формирует краткий дайджест для менеджера.
Что не работает: агент плохо справляется с нестандартными переговорами, с клиентами, где важен личный контакт и доверие, и с ситуациями, где нет чёткой логики принятия решения. Также агент не заменяет живого переговорщика на сложных b2b-сделках с длинным циклом. Он усиливает операционную эффективность, а не заменяет ключевые навыки продавца.
Важный нюанс для рынка Казахстана: в сегменте b2b-продаж, особенно в государственных закупках и тендерах, многие решения по-прежнему принимаются через личные отношения. Агент может помочь с подготовкой тендерной документации, мониторингом площадок типа gosreestr.kz и напоминаниями о сроках, но не с самим процессом переговоров.
КАК AI-АГЕНТ РАБОТАЕТ НА СКЛАДЕ
Склад — одно из наиболее выигрышных мест для AI-агентов, потому что здесь высокий объём повторяющихся операций с чёткими правилами: приёмка, перемещение, списание, инвентаризация, формирование заказов поставщикам.
AI-агент на складе работает в связке с учётной системой (чаще всего 1С) и, при наличии интеграций, с системой управления складом (WMS). Ключевые сценарии:
Прогнозирование остатков и автоматические заказы. Агент анализирует исторические данные продаж, текущие остатки, сезонность и сроки поставки. На основе этого анализа он формирует проект заявки поставщику или сразу отправляет её по согласованным каналам. Компании, внедрившие такую систему, сокращают задержки в логистике до 40%.
Обработка документов при приёмке. Агент считывает накладную поставщика, сверяет с заказом, проверяет наличие расхождений и оформляет приходный документ в 1С. Ошибки при ручном вводе уходят, скорость приёмки растёт.
Управление перемещениями внутри склада. Агент отслеживает, какие товары где лежат, подсказывает оптимальные ячейки хранения и помогает планировать сборку заказов. В крупных складах с роботизированной техникой агент координирует её работу в режиме реального времени.
Оповещения по отклонениям. Агент мониторит остатки и автоматически сигнализирует, если товар выходит за пределы нормы — слишком мало или, наоборот, излишки. Это снижает замороженный капитал.
Важно понимать: качество работы агента напрямую зависит от качества данных в учётной системе. Если в 1С грязные остатки, пересортица или задержки ввода — агент будет принимать решения на основе неверных данных. Внедрение агента на складе всегда начинается с ревизии базы данных.
Отдельная тема — уведомления. В отличие от агента в продажах, складской агент должен работать преимущественно в фоновом режиме, без постоянных запросов подтверждений. Иначе он просто добавляет ещё один источник уведомлений к уже перегруженному кладовщику. Правильная настройка — это реакция только на аномалии: критически низкий остаток, расхождение при приёмке, просроченная заявка поставщику.
КАК AI-АГЕНТ РАБОТАЕТ В БУХГАЛТЕРИИ
Бухгалтерия — тема, которую мы подробно разбирали отдельно. Здесь кратко обозначим ключевые точки приложения AI-агентов.
Обработка входящих счетов и актов. Лучшие команды достигли 70% автоматической обработки счетов без участия человека. Стоимость одного счёта — $2,98 против $13,54 при ручной обработке. Агент распознаёт документ, проверяет соответствие договору, проводит в системе.
Закрытие периода. Агент отслеживает незакрытые операции, напоминает ответственным, собирает документы по чек-листу. Компании, применяющие AI в закрытии месяца, сокращают этот процесс в среднем на 30%.
Работа с ЭСФ и e-Tamga в Казахстане. Агент может проверять статусы электронных счетов-фактур, сигнализировать об ошибках и формировать регламентированные отчёты. В контексте введённого с 2026 года НДС 16% (новый Налоговый кодекс, подписан 18 июля 2025 года) это особенно актуально для контроля корректности ставок в обрабатываемых документах.
Налоговый мониторинг. Агент следит за сроками подачи деклараций, остатками по счетам и правильностью ставок — и уведомляет бухгалтера о потенциальных несоответствиях заранее, а не постфактум.
ОГРАНИЧЕНИЯ И СЛАБЫЕ МЕСТА
Было бы нечестно описывать AI-агентов только в позитивном свете. Вот что реально ограничивает их применение.
— Зависимость от качества данных. Агент работает ровно настолько хорошо, насколько хороши данные в системе. Если в 1С или CRM есть дубли, ошибки, устаревшие записи — агент будет воспроизводить и умножать эти ошибки. Внедрение без предварительной чистки базы даёт плохой результат.
— Галлюцинации и уверенные ошибки. Языковые модели, лежащие в основе многих агентов, могут генерировать правдоподобно звучащие, но фактически неверные ответы. В бухгалтерии или закупках такая ошибка стоит денег. Поэтому критические действия (подтверждение платежа, подпись документа) должны оставаться за человеком.
— Плохая работа с исключениями. Агент хорошо справляется с типовыми ситуациями. При нетипичном запросе — редком товаре, нестандартном договоре, спорной ситуации с клиентом — агент либо даёт некорректный ответ, либо зависает. Обязательно нужен путь передачи задачи живому сотруднику.
— Сложность интеграции с устаревшими системами. Если учётная система не имеет нормального API (многие конфигурации 1С не публикуют OData или HTTP-сервисы без доработки), подключение агента требует серьёзных затрат. Это добавляет время и стоимость на старте.
— Непрозрачность решений. Бывает сложно понять, почему агент принял то или иное решение. Для задач, требующих аудита (налоговая проверка, спор с контрагентом), это проблема: нужна трассируемость всех действий.
— Необходимость постоянной поддержки. Агент — это не продукт «поставил и забыл». Он требует мониторинга, обновлений при изменении процессов и регулярной проверки точности. Многие компании недооценивают этот ресурс на старте.
ПРАКТИЧЕСКИЙ ВЫВОД
Специалисту (бухгалтеру, менеджеру по продажам, кладовщику). Начните с одного узкого места, которое отнимает больше всего времени на повторяющиеся действия: обработка входящих заявок, оформление прихода на складе, сверка счетов. Именно там агент даёт быстрый и измеримый результат. Не пытайтесь автоматизировать сразу весь процесс.
Руководителю отдела. Определите метрику до старта: сколько времени уходит на задачу сейчас, какой результат вы ждёте через три месяца. Без базовой метрики невозможно понять, работает ли внедрение. Оптимальный подход — пилот на одном потоке данных, затем масштаб.
Собственнику или директору. Реальная стоимость пилота на одном бизнес-процессе — от 10 до 25 тысяч долларов с учётом интеграции и отладки. Средний ROI по рынку — 250% за 18 месяцев. Но это средняя температура по больнице: в конкретном бизнесе результат зависит от зрелости данных и готовности команды работать с новым инструментом. Самый частый провал — не технический, а управленческий: внедрили агента, но не изменили процесс вокруг него.
ЧАСТЫЕ ВОПРОСЫ
Нужно ли менять учётную систему перед внедрением AI-агента?
Не обязательно менять систему, но обязательно обеспечить доступ к данным через API. Если вы работаете на 1С, во многих конфигурациях уже есть OData-интерфейс или HTTP-сервисы — этого достаточно для подключения агента. Если нет — потребуется доработка. Саму систему менять не нужно: агент встраивается поверх неё.
Как не потерять контроль над тем, что делает агент?
Хорошо выстроенный агент оставляет трассу действий: что запросил, что получил, что сделал. Важно изначально заложить логирование всех решений и настроить уведомления при нетипичных ситуациях. Критические действия — платежи, подписание документов, удаление данных — должны требовать подтверждения человека.
Сколько занимает внедрение в малом бизнесе?
Пилот на одном процессе (например, обработка входящих заявок в продажах или автозаказ на склад) занимает от 4 до 8 недель: сбор требований, интеграция с системой, тестирование, запуск. Попытки охватить несколько процессов сразу на старте, как правило, затягивают проект и снижают результат.
Какой отдел лучше всего подходит для первого внедрения?
По нашей практике, оптимальная точка входа — склад или первичная обработка входящих запросов в продажах. Там чёткие правила, высокий объём повторяющихся операций и быстро измеримый результат. Бухгалтерия даёт хороший ROI, но требует более тщательной проверки данных и большей осторожности при автоматизации действий с финансовыми документами.