ИИ-агенты для бизнеса: как Авито строит ассистента

Я часто вижу, как рекламные агентства или видеопродакшены пытаются автоматизировать рутину с помощью простых чат-ботов. Но написать бриф или найти подрядчика по шаблону – это одно, а довести сложный процесс до результата – совсем другое. Статистика сурова: до реального внедрения доходит лишь 5% пилотных ИИ-проектов. Кейс Авито по созданию корпоративного помощника «Виталик» наглядно показывает, как правильно разрабатывать и внедрять ИИ-агенты для бизнеса, чтобы они приносили реальную пользу, а не оставались красивой игрушкой.

От хаоса в чатах к управляемым проектам

Процессы в продакшене или агентстве устроены сложно. Например, чтобы подготовить тендерное предложение, аккаунт-менеджер должен изучить бриф, поднять архивы прошлых смет, проверить занятость режиссеров, найти контакты операторов и согласовать условия с юристами. Обычный ChatGPT здесь не поможет – он быстро запутается в контексте и начнет галлюцинировать.

Я считаю, что разработчики Авито нашли отличное решение этой проблемы через постепенную эволюцию задач. В их системе пользователь проходит путь от простого диалога к созданию полноценного агента:

1. Обычный чат – для простых вопросов, где хватает базовых знаний модели.

2. Подгрузка артефактов – добавление в диалог конкретных документов, смет или презентаций для разовой работы.

3. Проекты – закрытые рабочие пространства. В них хранят базы знаний, настраивают права доступа и подключают внешние инструменты.

4. Агенты – финальная стадия. Если какой-то проект работает успешно, у него появляется владелец, система тестирования и набор инструментов. Он становится полноценным ИИ-помощником.

Для креативного бизнеса это готовый сценарий. Вместо бесконечного написания промптов продюсер может создать проект под конкретного клиента или тип съемок. В него загружают шаблоны договоров, базы актеров и контакты локаций. Со временем этот проект превращается в автономного агента, который сам готовит черновики смет и договоров.

Четыре слоя надежного цифрового сотрудника

Чтобы система работала стабильно и не выдавала бред, разработчики Авито разделили архитектуру на четыре уровня. Это позволяет контролировать каждый шаг нейросети и не давать ей лишней свободы.

Наверху находится пользовательский интерфейс, через который продюсер общается с ассистентом. Ниже работает бэкенд – он собирает данные о пользователе и проекте, а затем передает их оркестратору. Оркестратор – это мозг всей системы. Разработчики построили его на базе готового конструктора ADK (Agent Development Kit). Он строит дерево задач и решает, какую модель запустить для конкретного шага. Для простых задач подходят быстрые и дешевые модели, а для сложного планирования разработчики используют тяжелые LLM.

За поиск информации отвечает RAG-система – сердце ассистента. Она работает как конвейер: парсит документы, режет их на части, рассчитывает векторные представления и выдает модели только самый важный контекст. Языковая модель вступает в работу только на финальном этапе, чтобы сформулировать понятный ответ. Это критически важно: нейросеть не ищет информацию сама, она получает строго отобранные факты.

Все внешние инструменты – базы данных, CRM-системы, мессенджеры – разработчики вынесли в отдельный хаб через протокол MCP (Model Context Protocol). Агент не знает, как устроена ваша CRM, он просто отправляет туда стандартный запрос. Для продакшена это означает, что ИИ-ассистент сможет сам отправить заявку в бухгалтерию на оплату гонорара актеру или забронировать студию через календарь без риска сломать общую систему.

Как измерить пользу и качество работы ИИ

Главная проблема самодельных ИИ-инструментов в агентствах – невозможность оценить их надежность. Бот может хорошо ответить сегодня, но выдать ошибку завтра, когда клиент изменит формат брифа.

Разработчики Авито автоматизировали оценку качества и разбили ее на четыре направления. Сначала они тестируют способность модели правильно выбирать и вызывать инструменты. Затем проверяют точность поиска информации в документах. На третьем этапе оценивают скорость и корректность работы внешних интеграций. В конце используют экспертную оценку – владельцы процессов собирают базу эталонных вопросов и ответов, по которым ИИ-судья сверяет работу агента.

Для продюсеров это означает конец эпохи слепого доверия нейросетям. Если мы хотим автоматизировать составление смет или юридическую проверку договоров, нам нужна своя база тестов. Только так можно гарантировать, что ИИ не забудет заложить в смету налоги или технический транспорт.

Внедрение полноценных ИИ-агентов требует серьезного инженерного подхода, одной подписки на Claude или ChatGPT тут не хватит. Но готовая платформа дает агентству цифровых сотрудников. Они за секунды выполняют рутину и освобождают время продюсеров для креатива и работы с клиентами.