Анатомия ИИ-агентов от Google Cloud: Почему чат-боты умерли, а бизнес переходит на Reasoning Loops, Tools и MCP

От текстовых генераторов к системам достижения целей

В последние три года корпоративный рынок пережил болезненное разочарование: более 80% проектов внедрения чат-ботов на базе LLM не показали измеримого ROI. Компании тратили миллионы на подключение ChatGPT или Claude к корпоративным регламентам, получая на выходе «вежливого генератора текста», который галлюцинировал, пересказывал инструкции и не был способен сдвинуть ни один реальный бизнес-процесс с мертвой точки.

В новом программном курсе Google Skills (Agent Architecture Template) и актуализированном докладе Google Cloud Tech инженеры компании Ая Хаммерли (Aja Hammerly) и Джейсон Давенпорт (Jason Davenport) подвели черту под эпохой «наивных чат-ботов». Google официально сформулировал фундаментальное различие:

Языковая модель сама по себе — это пассивный статистический предиктивный движок. Она способна только предсказывать следующий токен на основе входного промпта. Но бизнесу не нужны «тексты о работе». Бизнесу нужно, чтобы счет был выставлен, клиент квалифицирован, остаток на складе зарезервирован, а встреча внесена в календарь.

Анатомический разрыв: Чистая LLM против Автономного Агента

Чтобы понять, почему архитектура агента кардинально меняет правила игры, сравним характеристики голой нейросети и полноценного агентного контура:

Reasoning Loop: Мыслительный цикл из четырех тактов

Как подчеркивают специалисты Google, Reasoning Loop — это мотор автономности. В отличие от линейного диалога с пользователем, агент работает в постоянном цикле обратной связи со средой:

Пример из жизни бизнеса: Склад и заказ

Представьте задачу: «Пополнить запасы упаковки, если на складе осталось меньше 500 коробок, и согласовать доставку с поставщиком на четверг».

• Обычная LLM: Напишет шаблон вежливого письма поставщику. На этом её работа закончится. Вы должны сами пойти в 1С, проверить остатки, скопировать письмо, вставить email и отправить.
• ИИ-Агент:
  1. Observe + Act: Вызывает инструмент get_warehouse_stock("box_size_m") → получает ответ: 320 шт.
  2. Interpret: 320 < 500 → условие триггера сработало, требуется заказ 1 000 шт.
  3. Plan + Act: Вызывает инструмент calendar_check_slots("2026-10-01") → проверяет доступность приемки на складе.
  4. Act: Формирует заказ через API поставщика и создает задачу в Битрикс24 начальнику склада на приемку.
  5. Observe: Получает подтверждение от API поставщика с номером накладной → цикл завершен, цель достигнута.

Tools и протокол MCP: Как агент взаимодействует с миром

Второй фундаментальный столп агентной системы — Tools (Инструменты). В концепции Google Tools — это любые детерминированные функции, которые позволяют агенту безопасно воздействовать на внешние системы:

• Чтение и запись в БД: прямой SQL-доступ к PostgreSQL, 1С, ClickHouse.
• Корпоративные CRM и ERP: создание лидов, перевод сделок по стадиям в Битрикс24 или amoCRM, генерация счетов.
• Системные операции: выполнение bash-скриптов, работа с файловой системой, развертывание сервисов.
• Календари и коммуникации: бронирование слотов в Google Calendar, отправка персонализированных сообщений в Telegram или email.

Что Google Cloud узнал на практике внедрения агентов (2026)

В докладе «Intro to Agents: What's new and what we've learned» спикеры Google выделили три критических урока, без понимания которых 9 из 10 агентных систем в бизнесе терпят крах:

1. Архитектура «Оркестратор + Под-агенты» (Sub-agents Pattern)

Попытка создать «одного гигантского суперагента», который умеет и кодить, и считать налоги, и общаться с клиентами — тупик. Google рекомендует паттерн иерархической оркестрации: центральный агент-дирижер декомпозирует задачу и делегирует ее узкоспециализированным суб-агентам (например, Research-агенту, SQL-агенту, Code-ревьюеру). Это предотвращает деградацию внимания контекстного окна.

2. Гибридное управление памятью (Context vs Persistent Memory)

Агенту недостаточно просто иметь длинный контекст (даже 2M токенов). В Google подчеркивают разделение на:

• Краткосрочную память (Working Context): текущий reasoning loop конкретной сессии.
• Долгосрочную память (Persistent State): база знаний (RAG) + профили клиентов и сохраненные регламенты компании в структурированном виде, обновляемые агентом по мере работы.

3. Безопасность определяется правами инструментов, а не моделью

Главный инсайт Google по безопасности: «Риск агента равен доступу его инструментов». Бессмысленно пытаться сделать модель «вежливой и безопасной» с помощью промптов. Надежность достигается инженерными контурами:

• Изоляция в Sandbox (песочницах) без прямого доступа к продакшн-серверам.
• Принцип наименьших привилегий (read-only доступ к аналитике, раздельные ключи для финансовых транзакций).
• Human-in-the-Loop (HITL): необратимые действия (списание денег, удаление данных, подписание договоров) требуют обязательного подтверждения человеком в 1 клик через Telegram-бот или веб-интерфейс.

Позиция эксперта: Как внедрять агентов в российский бизнес

Михаил Пузырёв, главный по нейросетям и автоматизации бизнес-процессов в SAGE и AiPsy:

«В 2023–2024 годах бизнес массово жег бюджеты на «чат-ботов», а в 2025–2026-м закономерно разочаровался: боты просто пересказывали регламенты и не приносили ни рубля дополнительной маржи. Прорыв Google Cloud и всего мирового AI-сообщества сегодня заключается в том, что мы перестали требовать от LLM невозможного.

Сама по себе языковая модель — это лишь «мозг в банке», предиктивный калькулятор текста. Чтобы модель начала генерировать деньги, ей необходимы две вещи: Reasoning Loop (цикл рассуждений «наблюдай — интерпретируй — планируй — действуй») и жесткие Tools через протокол MCP — прямой доступ к вашей CRM (Битрикс24, amoCRM), 1С, базам данных, телефонии и эквайрингу.

Настоящий AI-агент не развлекает клиента болтовней: он мгновенно квалифицирует заявку, проверяет складской остаток, резервирует позицию, назначает созвон в календаре и выставляет счет в банке. Это не игрушка. Это полноценный цифровой сотрудник с нулевым фондом оплаты труда, работающий без выходных и больничных».

Михаил Пузырёв
Главный по нейросетям и автоматизации бизнес-процессов в SAGE и AiPsy, архитектор платформы a-sage.ru

4 шага: Как перевести компанию на рельсы агентной автоматизации

Если вы хотите автоматизировать отдел продаж, клиентский сервис или бэк-офис с помощью автономных ИИ-агентов, следуйте проверенной дорожной карте:

1. Аудит процессов и оцифровка «ручек» (APIs & MCP): Определите рутинные операции, отнимающие более 15 часов в неделю у сотрудников. Убедитесь, что ваша CRM, склад и учетные базы имеют открытые API либо готовы к подключению через локальные MCP-шлюзы.
2. Формализация контура «Observe → Interpret → Plan → Act»: Опишите бизнес-логику не в виде расплывчатых промптов, а в виде строгих состояний: какие входные параметры обязательны, какие действия разрешено выполнять автоматически, а какие требуют санкции человека.
3. Внедрение шлюза Human-in-the-Loop (HITL): Запустите пилотный агентный контур в режиме «ассистента-черновика». Агент выполняет 90% работы (сбор данных, составление КП, заполнение полей), а менеджер лишь нажимает кнопку «Одобрить» в Telegram-боте.
4. Масштабирование в агентный рой (Multi-Agent Swarm): После отладки одиночного агента связывайте их в команду под управлением мета-оркестратора: лид-генератор передает данные скоринг-агенту, скоринг-агент ставит задачу менеджеру, а финансовый агент контролирует оплату счета.

Частые вопросы об ИИ-агентах и автоматизации