Решения
Кто использует Directual и почему?
Что можно сделать на платформе?
Какие отрасли подходят для Directual?
🇷🇺
До
60% скидки
до 30-го ноября
Исследование Anthropic (март 2026) показало: ИИ уже покрывает до 75% задач в ряде профессий, но реальное использование — лишь треть от потенциала. Найм молодёжи в «затронутые» профессии замедлился на 14% — первый сигнал перестройки рынка. Кто первым выстроит инфраструктуру для ИИ-агентов, тот получит преимущество. Directual даёт всё необходимое без кода, а бесплатный курс позволяет начать за час.
Каждый день выходят десятки статей про искусственный интеллект. Большинство из них — либо восторженные прогнозы в духе «роботы заменят всех», либо скептические отмахивания «это просто чат-бот». Правда, как обычно, сложнее и интереснее.
5 марта 2026 года компания Anthropic — один из ведущих мировых разработчиков больших языковых моделей (LLM) и создатель Claude — опубликовала масштабное исследование о влиянии ИИ на рынок труда. Это не прогноз футуролога и не маркетинговый буклет. Это академическая работа с реальными данными: анализ сотен профессий, миллионов разговоров с ИИ и сопоставление с государственной статистикой занятости в США.
Главный вывод исследования можно сформулировать так: ИИ уже сегодня покрывает значительную долю задач в десятках профессий, и этот показатель будет только расти. При этом массовой безработицы пока нет — но сигналы замедления найма молодых специалистов в наиболее «затронутых» профессиях уже зафиксированы.
Что это значит для бизнеса? Это значит, что окно возможностей открыто прямо сейчас. Те компании, которые уже строят ИИ-агентов для своих процессов, получают конкурентное преимущество. Те, кто ждёт — рискуют оказаться в положении компаний, проигноривших интернет в конце 90-х.
В этой статье мы разберём ключевые находки исследования Anthropic, объясним, почему именно ИИ-агенты (а не просто «чат с нейросетью») — это то, что нужно бизнесу, и покажем, как платформа Directual позволяет создавать таких агентов без написания кода — быстро, надёжно и масштабируемо.
Исследователи Anthropic предложили принципиально новый подход к измерению влияния ИИ на рынок труда. Предыдущие модели оценивали теоретическую возможность: «может ли ИИ в принципе ускорить эту задачу?». Новая метрика — observed exposure — учитывает реальное использование ИИ в рабочих контекстах.
Метрика комбинирует три источника данных. Во-первых, базу O*NET, которая описывает задачи для примерно 800 профессий в США. Во-вторых, собственные данные Anthropic о том, как люди реально используют модель Claude. В-третьих, теоретические оценки того, какие задачи LLM в принципе способны ускорить минимум вдвое.
Ключевое отличие: новая метрика даёт больший вес автоматизированному использованию (через API, без участия человека) по сравнению с «дополняющим» использованием (когда человек общается с ИИ в режиме диалога). Это логично: если задача полностью автоматизирована через API, она ближе к реальному замещению рабочей функции.
Одна из самых важных находок исследования: ИИ далёк от реализации своего теоретического потенциала. Например, для категории «компьютерные и математические профессии» теоретически можно автоматизировать до 94% задач. В реальности Claude покрывает лишь 33%.
Это не означает, что ИИ слаб. Это означает, что существует огромный неосвоенный потенциал. И именно здесь кроется возможность для бизнеса. Кто первым закроет этот разрыв в своей отрасли — тот получит решающее преимущество.
Причины разрыва между теорией и практикой разнообразны: юридические ограничения, необходимость специализированного ПО, требования верификации человеком, инерция бизнес-процессов. Но технологически барьеры падают с каждым месяцем.
Исследование выделило десять профессий с наибольшим уровнем «наблюдаемого воздействия». На первом месте — программисты (75% покрытия задач). На втором — представители клиентского сервиса. На третьем — операторы ввода данных (67%). Далее идут финансовые аналитики, бухгалтеры, технические писатели и другие специалисты «белых воротничков».
При этом 30% работников имеют нулевое покрытие — их задачи практически не встречаются в данных об использовании ИИ. Это повара, механики, спасатели, бармены и другие профессии с преимущественно физическим трудом.
Обратите внимание на паттерн: наиболее подвержены воздействию ИИ высокооплачиваемые, образованные специалисты. Люди со степенью магистра и выше представлены в «затронутой» группе в четыре раза чаще, чем в «незатронутой». Средняя зарплата в группе риска на 47% выше.
Хорошая новость: массовой безработицы из-за ИИ пока не зафиксировано. Уровень безработицы среди наиболее «затронутых» профессий остаётся примерно на том же уровне, что и до появления ChatGPT.
Однако есть тревожный сигнал. Среди молодых работников (22–25 лет) наблюдается снижение темпов найма в «затронутые» профессии примерно на 14%. При этом в профессиях с низким воздействием ИИ найм молодёжи стабилен. Для работников старше 25 лет такого эффекта нет.
Что это значит? Компании пока не увольняют действующих сотрудников из-за ИИ, но уже начинают медленнее нанимать новых на позиции, где ИИ может выполнять существенную часть работы. Это классический «канарейка в шахте» — ранний предвестник более масштабных изменений.
Когда большинство людей думают об ИИ в бизнесе, они представляют чат-бота на сайте или помощника вроде ChatGPT. Это полезные инструменты, но они работают в режиме «вопрос-ответ»: человек спрашивает — ИИ отвечает. Инициатива всегда за человеком.
ИИ-агент — это принципиально другой уровень. Агент способен самостоятельно выполнять последовательность действий для достижения цели. Он может обращаться к базам данных, вызывать API внешних сервисов, принимать решения на основе промежуточных результатов, обрабатывать входящие события и даже эскалировать нестандартные ситуации человеку.
Простой пример: чат-бот может ответить на вопрос клиента о статусе заказа, если клиент сам напишет. Агент же может мониторить все заказы, сам обнаруживать проблемы с доставкой, проактивно информировать клиентов, генерировать обращения к логистическим партнёрам и отслеживать их исполнение — без какого-либо участия человека.
Исследование Anthropic разделяет два типа использования ИИ: дополнение (augmentation) и автоматизация (automation). При дополнении человек работает вместе с ИИ — редактирует текст, задаёт вопросы, использует как помощника. При автоматизации ИИ выполняет задачу самостоятельно, обычно через API.
Метрика observed exposure намеренно даёт полный вес автоматизированному использованию и половинный — дополняющему. Исследователи объясняют это тем, что именно автоматизация ближе всего к реальному замещению рабочих функций. И именно автоматизация — это то, что делают ИИ-агенты.
Тенденция очевидна: бизнес движется от «давайте дадим сотрудникам доступ к ChatGPT» к «давайте автоматизируем целые рабочие процессы с помощью ИИ-агентов». И данные Anthropic подтверждают, что это именно та траектория, по которой развивается рынок.
Помните тот самый разрыв между теоретическими возможностями ИИ (94% задач в IT) и реальным покрытием (33%)? Значительная часть этого разрыва объясняется не ограничениями самих моделей, а отсутствием инфраструктуры для их применения.
LLM сам по себе — это мозг без тела. Он может думать, анализировать, генерировать текст. Но он не может зайти в вашу CRM, проверить статус заказа в 1С, отправить письмо клиенту, обновить запись в базе данных или вызвать вебхук стороннего сервиса. Для всего этого нужна инфраструктура — тело, руки и ноги для ИИ-мозга.
Именно это и есть ИИ-агент: LLM плюс инструменты (tools), через которые модель взаимодействует с реальным миром. И именно построение такой инфраструктуры — ключевая задача для бизнеса, который хочет использовать ИИ не как игрушку, а как конкурентное преимущество.
Исследование Anthropic сопоставило свою метрику observed exposure с прогнозами Бюро трудовой статистики США (BLS) на 2024–2034 годы. Результат: профессии с более высоким «наблюдаемым воздействием» ИИ демонстрируют более слабые прогнозы роста занятости.
Конкретные цифры: каждые дополнительные 10 процентных пунктов покрытия задач ИИ соответствуют снижению прогноза роста занятости на 0,6 процентных пункта. Может показаться немного, но в масштабах целых отраслей это миллионы рабочих мест.
Важная деталь: корреляция обнаружена именно с метрикой observed exposure, основанной на реальных данных использования. Чисто теоретическая метрика (может ли ИИ в принципе ускорить задачу) такой корреляции не показала. Это говорит о том, что именно реальное внедрение ИИ, а не его потенциальные возможности, влияет на рынок труда.
Для бизнеса вывод однозначен: рынок уже перестраивается. Компании, использующие ИИ-агентов, оптимизируют свои процессы и потребности в персонале. Те, кто не внедряет ИИ-автоматизацию, будут конкурировать с теми, кто уже это сделал — и проигрывать по издержкам, скорости и качеству.
Данные Anthropic рисуют чёткую картину: мы находимся в начале S-кривой внедрения. Теоретический потенциал огромен, реальное покрытие пока невелико, но растёт с каждым кварталом. Anthropic Economic Index, публикуемый регулярно, фиксирует постоянное расширение спектра задач, выполняемых ИИ в рабочих контекстах.
Сейчас — идеальный момент для входа. Порог входа снижается: no-code и low-code платформы делают создание ИИ-агентов доступным для неразработчиков. Модели становятся дешевле и мощнее с каждым обновлением. API-экосистемы развиваются. Стандарты интеграции (MCP, tool use) становятся зрелыми.
Но окно не будет открыто вечно. Как только «наблюдаемое воздействие» достигнет критической массы в вашей отрасли, преимущество первопроходца исчезнет. Вместо «мы внедрили ИИ-агентов и получили конкурентное преимущество» будет «мы вынуждены внедрить ИИ-агентов, чтобы не отстать». Как показывает история технологических волн — от электричества до интернета и мобильных приложений — опоздавшие платят гораздо больше.
Снижение найма молодёжи в «затронутые» ИИ-профессии на 14% — это не просто статистика. Это означает, что компании уже пересматривают свои потребности в джуниорах. Если раньше отдел из 10 человек нанимал 2-3 стажёра в год для обработки рутинных задач, то теперь часть этих задач выполняет ИИ.
Это создаёт парадокс: с одной стороны, потребность в людях, которые умеют управлять ИИ-агентами, растёт. С другой — потребность в людях, которые выполняют задачи, доступные ИИ, снижается. Бизнесу нужно осознать этот сдвиг и перестроить свои процессы: не просто «дать людям ИИ-инструменты», а выстроить полноценную ИИ-инфраструктуру с агентами, пайплайнами обработки данных и системами мониторинга.
Исследования вроде работы Anthropic привлекают внимание регуляторов во всём мире. Европейский AI Act уже вступает в силу, российское законодательство в области ИИ тоже развивается. Чем раньше бизнес начнёт строить свою ИИ-инфраструктуру на прозрачных, аудируемых платформах, тем проще будет соответствовать требованиям регуляторов.
Кустарные интеграции через скрипты и самописные обёртки над API крайне сложно аудировать. Платформенные решения, напротив, обеспечивают логирование, версионирование, контроль доступа и другие необходимые элементы compliance «из коробки».
Исследование Anthropic неявно, но убедительно показывает: для перехода от теоретического потенциала ИИ к реальному использованию нужна инфраструктура. Не просто доступ к API языковой модели, а полноценная среда для создания, развёртывания и управления ИИ-агентами. Давайте разберём, из чего она состоит.
Агент должен уметь обращаться к языковым моделям: OpenAI, Anthropic Claude, Google Gemini, Mistral, отечественные модели вроде GigaChat или YandexGPT. В идеале — с возможностью переключения между провайдерами без переписывания логики.
LLM без инструментов — мозг без рук. Агенту нужны инструменты для работы с базой данных, вызова внешних API, отправки уведомлений, обработки файлов, работы с вебхуками и так далее. Именно инструменты превращают языковую модель из «умного чат-бота» в полноценного автономного работника.
Агент — это не один вызов API. Это цепочка действий: получить входные данные, обработать их, обратиться к LLM, вызвать инструмент, обработать результат, при необходимости вызвать LLM ещё раз с новым контекстом, принять решение, выполнить действие. Нужна система оркестрации, которая управляет этим циклом.
У агента должна быть «память»: база данных для хранения промежуточных результатов, истории взаимодействий, пользовательских данных. Для RAG-систем (Retrieval-Augmented Generation) необходимы векторные хранилища для семантического поиска по документам.
Когда ИИ-агент работает автономно, критически важно видеть, что он делает: какие запросы отправляет к LLM, какие ответы получает, какие инструменты вызывает, какие ошибки возникают. Без системы логирования и мониторинга агент — чёрный ящик, которому нельзя доверять.
Один агент, обслуживающий 10 запросов в день, — простая задача. Десятки агентов, обрабатывающих тысячи запросов в час, — инженерный вызов. Нужна облачная инфраструктура с автоматическим масштабированием, очередями задач, обработкой ошибок и переповторами.
Агент работает с данными компании и клиентов. Контроль доступа, шифрование, аудит действий, защита от prompt injection — всё это не «nice to have», а обязательные требования для production-решения.
Собрать всё это из отдельных компонентов — реально, но дорого: нужна команда разработчиков, месяцы работы, постоянная поддержка. Именно поэтому платформенный подход — единственный разумный выбор для 90% компаний.
Directual — это облачная no-code/low-code платформа, которая изначально проектировалась для создания сложных бэкенд-приложений. Сегодня она предоставляет всё необходимое для построения полноценных ИИ-агентов — от подключения к LLM до оркестрации сценариев и хранения данных.
Рынок наводнён инструментами для создания чат-ботов и простых ИИ-автоматизаций. Большинство из них работают по принципу «если пользователь сказал X — ответь Y». Это не агенты. Это деревья решений с LLM-обёрткой.
Directual предлагает принципиально другой подход. Платформа предоставляет полноценную среду для создания бэкенд-логики: базы данных, API-эндпоинты, сценарии обработки данных, интеграции с внешними сервисами, систему прав доступа. Всё это — строительные блоки, из которых можно собрать агента любой сложности.
Directual позволяет интегрироваться с любым LLM-провайдером через HTTP-запросы: OpenAI, Anthropic Claude, Google Gemini, Mistral, GigaChat, YandexGPT и любые другие модели, доступные через API. Вы не привязаны к одному провайдеру и можете переключаться между моделями в зависимости от задачи и бюджета.
Бэкенд-сценарии Directual — это визуальный конструктор бизнес-логики. Вы строите цепочки: триггер (вебхук, расписание, изменение в базе) → обработка данных → вызов LLM → анализ ответа → вызов инструментов → повторный вызов LLM при необходимости → выполнение действия. Это и есть агентный цикл (agentic loop), реализованный визуально.
Каждый проект на Directual имеет встроенную базу данных. Агент может хранить историю диалогов, результаты анализа, данные клиентов, промежуточные состояния — всё в одном месте. Для RAG-систем можно подключить векторные хранилища.
Directual автоматически генерирует REST API для каждой структуры данных. Это значит, что ваш агент может не только обрабатывать входящие запросы, но и предоставлять API для внешних систем. Вы можете встроить агента в любой существующий бизнес-процесс через стандартные API-вызовы.
Directual поддерживает интеграции с сотнями сервисов: CRM-системы, мессенджеры (Telegram, WhatsApp), платёжные системы, маркетплейсы, почтовые сервисы. Агент может взаимодействовать с внешним миром через HTTP-запросы и вебхуки, реагируя на события в реальном времени.
Directual работает в облаке — вам не нужно думать о серверах, масштабировании и отказоустойчивости. Платформа обеспечивает автоматическое масштабирование, мониторинг и логирование. Вы фокусируетесь на бизнес-логике агента, а не на DevOps.
Встроенная система ролей и прав доступа позволяет контролировать, какие данные доступны агенту и каким пользователям. Все действия логируются. Это критически важно для enterprise-применений и соответствия регуляторным требованиям.
Помните, что представители клиентского сервиса — вторая по уровню «наблюдаемого воздействия» профессия в исследовании Anthropic? На Directual вы можете создать агента, который обрабатывает входящие обращения клиентов: классифицирует запрос, ищет ответ в базе знаний (RAG), формулирует персонализированный ответ, при необходимости эскалирует человеку. И всё это — без единой строчки кода.
Для продавцов на Ozon, Wildberries, Яндекс Маркете и Avito — агент может мониторить новые отзывы, анализировать их тональность, генерировать ответы с учётом контекста товара и политик площадки, классифицировать отзывы на подлежащие удалению, оспариванию или стандартному ответу. Всё в автоматическом режиме.
Финансовые аналитики — в топе по воздействию ИИ. На Directual можно построить агента, который собирает данные из множества источников, готовит аналитические сводки, выявляет аномалии и формирует отчёты. Человеку остаётся принятие стратегических решений — рутинная обработка данных на агенте.
Агент может предварительно анализировать резюме, проводить первичный скрининг кандидатов, формировать персонализированные письма, планировать интервью. С учётом того, что наём уже замедляется в «затронутых» профессиях, оптимизация HR-процессов через ИИ-агентов становится критической необходимостью.
Обработка документов, подготовка отчётов, согласование заявок, мониторинг KPI — всё это задачи, которые может выполнять ИИ-агент на Directual. Каждый автоматизированный процесс — это высвобожденные часы ваших сотрудников для задач, требующих творческого мышления и экспертизы.
Мы понимаем, что переход от «интересно, но непонятно» к «строю своего первого агента» — это серьёзный шаг. Именно поэтому Directual предлагает бесплатный курс по созданию ИИ-агентов и RAG-систем.
Курс состоит из трёх видеоуроков общей продолжительностью около 60 минут. Первый урок посвящён основам: что такое LLM, как они работают, какие у них сильные и слабые стороны, и как добавить ИИ в ваш продукт без написания кода.
Второй урок погружает в RAG — Retrieval-Augmented Generation. Вы узнаете, как создать ИИ-ассистента, который отвечает на основе ваших собственных данных, а не «галлюцинирует» из общих знаний модели. Векторные эмбеддинги, семантический поиск, подключение базы знаний — всё это на практике внутри Directual.
Третий урок — продвинутые техники: структурированный вывод (JSON), цепочки рассуждений (chain-of-thought), проверка галлюцинаций через logprobs, запуск open-source моделей на собственном оборудовании.
Записаться на курс можно по ссылке: Бесплатный курс по ИИ-агентам на Directual.
Курс подходит для предпринимателей, продуктовых менеджеров, маркетологов, аналитиков — всех, кто хочет понять, как строить ИИ-агентов, но не имеет глубоких знаний в программировании. Требуется лишь базовое понимание Directual (для чего есть отдельные вводные курсы в академии).
После прохождения курса вы будете способны самостоятельно создать работающего ИИ-агента: от проектирования RAG-системы до развёртывания агента в продакшн.
Данные Anthropic подсказывают разумную стратегию: начинать с задач, которые уже демонстрируют высокое «наблюдаемое воздействие», и постепенно расширять покрытие.
Составьте карту задач вашей компании. Определите, какие из них соответствуют категориям с высоким observed exposure: обработка текстов, анализ данных, клиентский сервис, генерация отчётов, работа с документами. Именно здесь ИИ-агенты дадут максимальный эффект.
Выберите одну конкретную задачу и постройте прототип агента на Directual. Это может быть автоматический ответ на типовые обращения, генерация аналитических сводок или обработка входящих документов. Ключевое требование: задача должна быть достаточно рутинной, чтобы автоматизация была заметна, но не критической, чтобы ошибки агента не вызывали серьёзных последствий.
На основе результатов пилота доработайте агента: улучшите промпты, расширьте базу знаний, добавьте обработку крайних случаев. Затем — переходите к следующей задаче. Directual позволяет строить агентов инкрементально: каждый новый сценарий добавляется как отдельный модуль, не затрагивая существующую логику.
Когда пилотные агенты докажут свою эффективность, масштабируйте решение: подключайте новые каналы (мессенджеры, email, маркетплейсы), расширяйте количество обрабатываемых сценариев, интегрируйте агентов с основными бизнес-системами. Облачная инфраструктура Directual обеспечивает масштабирование без привлечения DevOps-команды.
Регулярно анализируйте эффективность агентов: какой процент запросов обработан без участия человека, какова точность ответов, где возникают ошибки. Используйте эти данные для непрерывного улучшения. Anthropic Economic Index обновляется регулярно — следите за тем, как меняется ландшафт ИИ-автоматизации в вашей отрасли.
При всей убедительности данных Anthropic, вокруг ИИ-агентов по-прежнему существует множество мифов и заблуждений. Давайте разберём самые распространённые — и объясним, почему они не соответствуют действительности.
Этот аргумент звучал и про интернет в 1998-м, и про смартфоны в 2008-м, и про облачные технологии в 2010-м. Каждый раз скептики оказывались неправы — не потому, что технологии были идеальными с самого начала, а потому, что они решали реальные проблемы бизнеса.
Исследование Anthropic показывает, что ИИ уже покрывает измеримую долю задач в реальных профессиях. Это не прогноз — это факт, подтверждённый данными использования. 97% задач, которые люди реально выполняют с помощью Claude, попадают в категории, которые ещё в 2023 году были оценены как теоретически доступные для ИИ. Теория превращается в практику — и этот процесс ускоряется.
Кроме того, за ИИ-агентами стоят триллионы долларов инвестиций: от Microsoft и Google до Anthropic и десятков стартапов. Инфраструктура развивается стремительно. Модели становятся дешевле и лучше каждый квартал. Отказ от этого тренда — всё равно что решить в 2005 году, что «интернет — это пузырь» и продолжить работать без сайта.
Как раз наоборот. Исследование Anthropic показывает, что ИИ в первую очередь автоматизирует задачи, характерные для «белых воротничков»: обработку текстов, клиентский сервис, анализ данных, подготовку отчётов. Это задачи, которые есть в компании любого размера.
Более того, для малого бизнеса эффект может быть даже более значительным. Если у вас 5 сотрудников и один из них тратит 60% времени на ответы на типовые вопросы клиентов — ИИ-агент может высвободить почти целую ставку. Для компании в 1000 человек аналогичный эффект будет размыт по десяткам отделов.
No-code платформы вроде Directual делают создание агентов доступным без найма ИИ-инженера с зарплатой 300-500 тысяч рублей в месяц. Вы можете построить работающего агента за дни, а не за месяцы, и начать получать отдачу практически сразу.
Это справедливое опасение — но не аргумент против ИИ-агентов. Это аргумент за правильную архитектуру. Грамотно спроектированный ИИ-агент — это не «голая» языковая модель, отпущенная в свободное плавание. Это система с чёткими правилами, ограничениями и механизмами контроля.
Во-первых, технология RAG (Retrieval-Augmented Generation) позволяет агенту отвечать на основе ваших конкретных данных, а не «галлюцинировать» из общих знаний модели. Во-вторых, агент может быть настроен на эскалацию: при любом сомнении он передаёт задачу человеку. В-третьих, все действия агента логируются, и вы в любой момент можете проверить, что он делал и почему.
Directual обеспечивает все эти механизмы: встроенная база данных для RAG, сценарии с условиями эскалации, полное логирование действий. Вы контролируете агента, а не он вас.
Это было верно ещё два года назад. Сегодня — нет. No-code и low-code платформы радикально снизили порог входа. На Directual вы строите агентов визуально: перетаскиваете блоки, настраиваете связи, указываете промпты и условия. Всё, что нужно — понимание своего бизнес-процесса и базовая логика.
Бесплатный курс Directual по ИИ-агентам занимает всего 60 минут — и после него вы будете способны создать работающего агента с RAG-системой. Это не маркетинговое преувеличение — это реальная продолжительность обучения, доступная любому человеку с техническим кругозором уровня «умею пользоваться Excel».
Данные Anthropic развеивают этот миф напрямую. Замедление найма молодёжи в «затронутых» профессиях — это уже реальность. Компании, которые внедрили ИИ, уже оптимизируют свои процессы. Каждый месяц ожидания — это месяц, в который ваши конкуренты наращивают преимущество.
Кроме того, раннее внедрение имеет кумулятивный эффект. Агент, работающий сегодня, накапливает данные: паттерны вопросов клиентов, типичные проблемы, эффективные формулировки ответов. Эти данные становятся конкурентным преимуществом сами по себе. Чем раньше начнёте — тем больше данных соберёте.
Технологию не нужно ждать: она уже здесь. Модели Claude, GPT, Gemini достаточно хороши для подавляющего большинства бизнес-задач. Платформы вроде Directual — достаточно зрелые. Единственное, чего не хватает, — вашего решения начать.
Давайте честно сравним три подхода к созданию ИИ-агента — по стоимости, срокам и результату.
Вам понадобится бэкенд-разработчик, фронтенд-разработчик (если нужен интерфейс), DevOps-инженер для развёртывания и поддержки, и ML-инженер или промпт-инженер для настройки ИИ-части. Минимальная команда — 2-3 человека. Реалистичные сроки от идеи до production — 3-6 месяцев. Стоимость: от 1,5 до 5 миллионов рублей, не считая ongoing-поддержки.
При этом вы получаете кастомное решение, которое нужно поддерживать и развивать самостоятельно. Если ключевой разработчик уйдёт — вы рискуете остаться с undocumented codebase, который невозможно быстро передать.
Платформы автоматизации позволяют быстро собрать простые цепочки: триггер → вызов LLM → действие. Это работает для примитивных сценариев, но разваливается при попытке создать полноценного агента. Нет встроенной базы данных (или она примитивная), нет нормального API, нет механизмов для реализации агентного цикла с tool use.
Automation-платформы отлично подходят для линейных workflow: «если пришло письмо — отправь в Slack». Но ИИ-агент — это не линейный workflow. Это цикл: модель думает, вызывает инструменты, анализирует результат, думает снова, принимает решение. Для этого нужна другая архитектура.
Directual объединяет преимущества обоих подходов. Как платформа — он даёт скорость и доступность no-code. Как бэкенд-фреймворк — обеспечивает полноценную базу данных, API, сценарии с произвольной логикой, интеграции через HTTP. Создание агента от идеи до MVP — дни, не месяцы. Стоимость — на порядок ниже кастомной разработки.
Важно: Directual — это не игрушечный конструктор. На нём работают production-системы с тысячами пользователей. Облачная инфраструктура обеспечивает масштабируемость, а визуальный интерфейс — прозрачность логики для всех членов команды, не только для разработчиков.
Возьмём типичный сценарий: компания-продавец на маркетплейсе получает 100 отзывов в день. Сотрудник тратит в среднем 5 минут на каждый ответ: прочитать отзыв, понять контекст, сформулировать ответ, отправить. Это 500 минут — больше 8 часов, то есть полная ставка.
ИИ-агент на Directual может обрабатывать 80-90% этих отзывов автоматически: типовые благодарности, стандартные жалобы, запросы информации. Остаётся 10-20% для ручной обработки — нестандартные ситуации, требующие человеческого участия. Экономия — 6-7 часов в день, то есть 130-150 рабочих часов в месяц.
При стоимости часа работы сотрудника в 500-800 рублей (с учётом налогов и overhead) экономия составляет 65 000 — 120 000 рублей в месяц. Стоимость ИИ-инференса при использовании эффективных моделей (Claude Haiku, GPT-4o-mini) — 2 000 — 5 000 рублей в месяц на 100 отзывов в день. Маржинальность — более 90%.
И это лишь один сценарий. Когда агент берёт на себя ответы на вопросы покупателей, общение в чатах маркетплейса, генерацию аналитики по отзывам — экономический эффект умножается.
Помимо прямой экономии на FTE, ИИ-агенты дают ряд неочевидных преимуществ. Скорость реакции: агент отвечает за секунды, а не за часы. На маркетплейсах быстрый ответ на отзыв — это фактор ранжирования и лояльности. Круглосуточная работа: агент не уходит на обед, не болеет, не берёт отпуск.
Консистентность качества: человек в пятницу вечером пишет ответы хуже, чем в понедельник утром. Агент работает с одинаковым качеством 24/7. Масштабируемость: если завтра у вас вместо 100 отзывов будет 1000 — агент справится, нужно лишь увеличить бюджет на инференс на несколько тысяч рублей.
Данные: каждое взаимодействие агента с клиентом — это структурированные данные, которые можно анализировать. Какие вопросы задают чаще всего? Какие товары вызывают больше жалоб? Какие формулировки ответов повышают оценку? Эта аналитика — бесценна для бизнеса, и она появляется как побочный продукт работы агента.
Это одна из самых «созревших» отраслей для ИИ-агентов. Автоматизация ответов на отзывы и вопросы, генерация контента для карточек товаров, мониторинг цен конкурентов, управление рекламными кампаниями, аналитика продаж — всё это задачи, которые ИИ-агенты выполняют уже сегодня.
По данным Anthropic, клиентский сервис — одна из профессий с наивысшим наблюдаемым воздействием ИИ. Для маркетплейс-селлеров это означает, что автоматизация взаимодействия с покупателями — не вопрос «а стоит ли», а вопрос «когда». И ответ: лучше сейчас.
Финансовые аналитики входят в топ-10 профессий по observed exposure. Обработка первичных документов, сверка данных, подготовка отчётности, мониторинг отклонений от бюджета — всё это рутинные задачи, которые отнимают у специалистов время, необходимое для стратегического анализа.
ИИ-агент может обрабатывать входящие счета, классифицировать расходы, готовить сводные отчёты и сигнализировать о аномалиях. На Directual такой агент подключается к вашей учётной системе через API и работает в автоматическом режиме.
Предварительный скрининг резюме, составление описаний вакансий, ответы на типовые вопросы кандидатов, формирование отчётов по воронке подбора — задачи, которые идеально ложатся на ИИ-агента. С учётом того, что исследование Anthropic фиксирует изменения именно в найме, оптимизация HR-процессов через агентов — стратегически важное направление.
Анализ договоров, поиск прецедентов, подготовка типовых документов, мониторинг изменений в законодательстве — задачи, где ИИ-агент с RAG-системой даёт колоссальную экономию времени. При этом финальное решение всегда остаётся за юристом — агент выполняет подготовительную работу, которая раньше занимала часы.
Персонализированные обучающие программы, автоматическая проверка заданий, генерация тестов, ответы на вопросы студентов по материалам курса — ИИ-агент может стать персональным тьютором для каждого учащегося. RAG-система позволяет агенту отвечать строго на основе материалов конкретного курса, а не фантазировать.
Классификация обращений, поиск решений в базе знаний, пошаговые инструкции для пользователей, автоматическая эскалация сложных кейсов — это хлеб ИИ-агентов. Исследование Anthropic подтверждает: задачи технической поддержки уже сейчас активно покрываются ИИ. Компании, внедрившие агентов в техподдержку, фиксируют снижение нагрузки на первую линию на 40-60%.
Исследование Anthropic однозначно указывает на вектор: покрытие задач ИИ будет расти. Модели становятся мощнее, интеграции — проще, стоимость инференса — ниже. Красная зона на графиках Anthropic (реальное использование) будет неуклонно приближаться к синей (теоретический потенциал).
Но это не история про «роботы заберут все рабочие места». Это история про трансформацию. Рабочие места не исчезнут — они изменятся. Люди, которые умеют работать с ИИ-агентами, управлять ими, проектировать их — будут на вес золота. Компании, которые выстроили ИИ-инфраструктуру — будут доминировать в своих нишах.
Данные о замедлении найма молодёжи — первый звоночек. Через 2-3 года, когда модели станут ещё лучше, а привычка к автоматизации укоренится, изменения станут гораздо заметнее. И те, кто начал строить инфраструктуру сегодня, будут к ним готовы.
Anthropic прямо указывает, что намерена регулярно обновлять своё исследование по мере появления новых данных. Это значит, что observed exposure будет расти — и каждое обновление будет напоминать о том, что бездействие становится всё дороже.
Мультимодальность: современные модели уже понимают не только текст, но и изображения, аудио, видео. Это открывает новые сценарии для бизнеса: агенты смогут обрабатывать фотографии дефектов от клиентов, анализировать скриншоты ошибок, проводить визуальный контроль качества. Directual уже поддерживает работу с мультимодальными запросами к LLM через стандартные HTTP-интеграции.
Мультиагентные системы: вместо одного универсального агента бизнес будет использовать несколько специализированных агентов, работающих совместно. Один агент классифицирует запрос, второй ищет информацию в базе знаний, третий формулирует ответ, четвёртый контролирует качество. Directual с его гибкой системой сценариев и внутренних API идеально подходит для оркестрации таких архитектур.
Стандартизация интеграций: протокол MCP от Anthropic, function calling от OpenAI, tool use как общепринятый паттерн — ИИ-индустрия движется к стандартным способам подключения инструментов к языковым моделям. Это означает, что экосистема готовых интеграций будет расти экспоненциально, и платформы с открытой API-архитектурой получат максимальную выгоду от этого тренда.
Удешевление инференса: стоимость обработки одного запроса к LLM падает в разы каждый год. Задачи, которые ещё год назад были экономически нецелесообразны для автоматизации, сегодня становятся выгодными. Это расширяет спектр задач, которые имеет смысл передать ИИ-агентам, и делает эту технологию доступной для бизнеса любого масштаба — от фрилансера до корпорации.
Рост доверия и регуляторная ясность: по мере накопления опыта успешного использования ИИ-агентов, барьер доверия снижается. Компании видят результаты пилотных проектов у конкурентов и партнёров. Регуляторы формируют понятные правила игры. Всё это создаёт среду, в которой внедрение ИИ-агентов становится не рискованным экспериментом, а разумной бизнес-практикой.
Давайте подведём итоги.
Исследование Anthropic научно подтвердило то, что многие интуитивно чувствовали: ИИ уже реально влияет на рынок труда. Не в теории, не «когда-нибудь потом», а прямо сейчас. 75% задач программистов, значительная доля задач клиентского сервиса, финансового анализа, ввода данных — уже покрываются ИИ в рабочих контекстах.
При этом мы находимся в самом начале. Разрыв между потенциалом и реальностью огромен. Это означает, что перед бизнесом открыто окно возможностей: тот, кто строит ИИ-инфраструктуру сейчас, получает фору перед конкурентами.
ИИ-агенты — это не хайп и не модное словечко. Это рабочий инструмент для автоматизации бизнес-процессов, подтверждённый данными крупнейшего ИИ-разработчика в мире. И для их создания не нужна команда программистов — нужна правильная платформа.
Directual — это инфраструктура для создания ИИ-агентов. База данных, API, сценарии обработки, интеграции, облако, безопасность — всё в одном месте, без кода. Начните сегодня — пройдите бесплатный курс и постройте своего первого агента.
Мы возвращаемся с главным предложением года. После отличной реакции в прошлом году мы удваиваем ставку — те же мощные условия, больше дат, больше возможностей. С 17 по 30 ноября — это не «может быть», это ваш момент.
Пока одни компании заливают миллионы в ChatGPT-демки и получают ноль пользы, другие уже зарабатывают миллионы с ИИ-агентов. Почему 95% корпоративных проектов проваливаются — и как попасть в успешные 5%? Разбираем цифры MIT, реальные кейсы и то, как агентные системы с памятью и обучением меняют правила игры.
На арене — два подхода: стремительный vibe-coding, где правит поток и генерация, и выверенный low-coding, где всё под контролем. Эта статья — о том, как найти баланс между ними.
Сентябрьский апдейт принес модальные окна, карту связей сценариев, трассировку объектов с шарингом ссылок, таблицы ArrayLink, редиректы через сокеты, быстрый переключатель приложений и апгрейд чата — плюс множество фиксов и ускорений.
Мы выкатили апдейт, который меняет повседневную работу на платформе. Поддержка восьми языков, долгожданная ночная тема, умное копирование шагов и секций, новые иконки, улучшенный SQL и ещё несколько удобных штук.
Представь, что теперь ты можешь в одиночку запустить и раскрутить стартап без огромной команды и инвестиций. Это стало реальностью в 2025 году благодаря мощному сочетанию искусственного интеллекта (ИИ) и платформ без кода (no-code). Это не просто тренд, это настоящая революция в предпринимательстве, и ты можешь стать её частью прямо сейчас.
Присоединяйтесь к 22 000+ разработчикам на Directual и создавайте проекты быстрее и дешевле. Визуальный интерфейс упрощает разработку, а мощные базы данных и бэкенд делают масштабирование легким и эффективным.
