Суть урока
Представь строительный рынок, где раньше каждый застройщик сам клал кирпичи — медленно, дорого, ограниченно. А теперь появились строительные бригады, которым просто говоришь «хочу вот такой дом» — и они строят. Агентный AI — это именно такой сдвиг для автоматизации бизнеса.
Что такое AI-агент простыми словами? Это AI, который не просто отвечает, а сам выполняет задачу в несколько шагов: ищет данные, по ходу принимает решения, обращается к другим программам и сервисам, справляется с ошибками. Чат-бот — лишь окно, через которое с ним разговаривают.
Ключевые концепции
- Рынок агентного AI: где мы сейчас и куда движемся
- Почему середина 2020-х — точка входа, а не «слишком рано» и не «слишком поздно»
- Что позволило агентам работать в настоящем бизнесе (в «продакшене»), а не только в демонстрациях
- Роль Claude Code как инструмента, которым можно пользоваться, не будучи программистом
Теория
Цифры рынка: от нишевого к массовому
Оценки размера рынка агентного AI у разных аналитических компаний сильно расходятся, поэтому конкретные суммы в этом уроке не приводятся. Если встретишь цифру в статье — проверь, чей это отчёт и на какой год он рассчитан. Свежие обзоры ищи у Gartner и McKinsey (подсказки в конце урока).
Ориентир по направлению: в августе 2025 года аналитическая компания Gartner прогнозировала, что к концу 2026 года до 40% корпоративных приложений получат встроенных AI-агентов для конкретных задач, тогда как в 2025 году таких было меньше 5% (пресс-релиз Gartner от 26 августа 2025). Это прогноз, а не факт. Но он показывает масштаб: технология уже внутри продуктов, которыми люди пользуются каждый день.
Что происходит прямо сейчас:
- Агентные функции встроены в обычные продукты: у Claude есть Claude Code и Cowork, у ChatGPT есть режим Work для задач, у большинства крупных ассистентов появились «агентные» режимы. Что именно доступно на каком тарифе — на странице Актуальное сейчас.
- Компании от банков до розничной торговли, логистики и медиа запускают агентов. Результаты разные: где-то выигрыш заметен сразу, а где-то системы приходится возвращать под присмотр человека (пример с Klarna ниже).
Вывод осторожный: агентов пробуют внедрять многие, получается не у всех. Тот, кто умеет строить агентные системы и проверять их работу, получает преимущество, особенно там, где рядом нет своего технического специалиста.
Почему именно сейчас — три фактора совпали
Фактор 1: LLM (эл-эл-эм, Large Language Model — большая языковая модель, AI внутри ассистентов вроде Claude и ChatGPT) стали достаточно надёжными
Ещё в 2023 году языковые модели часто «галлюцинировали» (галлюцинация — выдуманный AI факт) — выдавали уверенные, но ложные ответы. Для рабочей системы это серьёзная проблема: если система сама отправляет клиентам письма на основе ложных данных, это не автоматизация, а беда.
С середины 2024 года флагманы — Claude 3.5 Sonnet, GPT-4o и Gemini 1.5 Pro (с тех пор линейки моделей несколько раз сменились, актуальный список — в разделе Актуальное сейчас) — достигли уровня надёжности, при котором их можно применять в повторяющихся рабочих задачах. Не идеально, но достаточно хорошо, чтобы строить рабочие системы, где результат проверяет человек.
Фактор 2: Инфраструктура появилась
Раньше, чтобы построить агентную систему, нужно было самому решать десятки технических вопросов: как запускать задачи по расписанию, как хранить промежуточные результаты между шагами, как обрабатывать ошибки, как выложить систему в сеть, чтобы она работала постоянно.
Сейчас эти проблемы решены готовыми инструментами:
- trigger.dev — фоновые задачи и цепочки шагов, обработка ошибок уже встроена
- Modal — запуск кода на Python (Питон — язык программирования) в облаке без настройки своих серверов
- Vercel — публикация в один клик
- MCP (эм-си-пи, Model Context Protocol — протокол контекста модели) — стандартный способ подключать инструменты к LLM
- Skills (навыки) в Claude Code — готовые инструкции для типовых задач, которые можно использовать снова
Фактор 3: Claude Code сделал это доступным без навыков разработчика
Исторически автоматизацию мог настраивать только разработчик. Теперь Claude Code позволяет описывать задачу на русском языке — и агент (автономная программа-исполнитель) сам пишет код, создаёт файлы, настраивает структуру.
Это не значит, что разработчики стали не нужны — они нужны для сложных систем. Но собрать работающую автоматизацию теперь заметно проще.
Образ: строительная бригада или ты с кирпичами
Традиционная автоматизация (без агентного AI): Ты сам кладёшь каждый кирпич. Настраиваешь каждый шаг вручную в Zapier или n8n. Если встречается нестандартная ситуация — автоматизация ломается, ты возвращаешься вручную.
Это как строить дом в одиночку: результат возможен, но медленно, дорого, ограниченно по масштабу.
Рабочие процессы с агентом (с Claude Code): Ты нанимаешь строительную бригаду. Объясняешь что хочешь получить. Бригада сама разбирается как это построить, адаптируется к неожиданностям в процессе, задаёт уточняющие вопросы только когда действительно не знает.
Ты переходишь от роли «строителя» к роли «архитектора».
Кто уже это делает — реальные примеры
Morgan Stanley — с 2023 года банк даёт финансовым консультантам AI-помощника на моделях OpenAI. Он ищет нужное в большой внутренней базе исследований и документов и помогает отвечать клиентам быстрее. Отдельный инструмент (с согласия клиента) ведёт записи встреч и готовит черновики писем, которые консультант правит перед отправкой.
Klarna (компания онлайн-платежей) — в феврале 2024 года компания сообщила, что её AI-ассистент в поддержке выполняет работу, сопоставимую с работой 700 сотрудников (пресс-релиз Klarna). В мае 2025 года глава компании в интервью Bloomberg признал, что погоня за экономией снизила качество поддержки, и пообещал клиентам, что у них всегда будет возможность поговорить с живым человеком. Урок: агент берёт типовые запросы, а сложные случаи должны доходить до человека.
Notion — встроили AI-агента в свой продукт. По команде пользователя он создаёт страницы, заполняет базы данных, собирает отчёты (набор возможностей смотри в документации Notion).
Это не футуристические примеры — это уже запущено и работает, вместе с ограничениями.
Где точка входа для тебя
Ты не Morgan Stanley. У тебя нет команды из 50 разработчиков. Но у тебя есть Claude Code — и именно это меняет уравнение.
Небольшие агентные автоматизации для малого и среднего бизнеса — понятная точка входа. Небольшая компания не может нанять свою AI-команду, но может заказать готовое решение у того, кто умеет его строить.
Это одна из дорог, которые показывает курс: научиться строить, упаковать как услугу, предложить клиентам. Курс бесплатный, а доход от такой работы зависит от ниши, рынка и твоих усилий, никто его не гарантирует.
Практика
Задание: Найти 3 компании, которые уже используют AI-агентов в настоящей работе.
- Найди три примера из разных отраслей (поиск по запросу «AI-агенты в бизнесе кейсы 2026» или «AI agents case study 2026»)
- Для каждого примера запиши:
- Какую задачу решает агент
- Какой результат получила компания (в цифрах, если есть) и кто это сообщает: сама компания, продавец решения или независимый источник
- Что было до (как делали без агента)
- Напиши одно предложение: «В моём бизнесе или для моих клиентов агентная автоматизация могла бы помочь с ___»
Ориентир по времени: 20 минут.
Частые ошибки
❌ Ошибка: Думать что агентный AI — это только чат-боты типа ChatGPT. ✅ Правильно: Агентный AI — это системы, которые сами выполняют многошаговые задачи: ищут данные, принимают решения, обращаются к другим программам через API (эй-пи-ай, Application Programming Interface — способ, которым программы обмениваются данными), справляются с ошибками. Чат-бот — лишь окно для разговора.
❌ Ошибка: Ждать пока технология «созреет» и станет массовой. ✅ Правильно: Агентные функции уже встроены в продукты, которыми пользуются массово. Проще всего понять, что они умеют и чего не умеют, — попробовать их на небольшой задаче уже сейчас.
❌ Ошибка: Пытаться сразу строить сложные решения для крупной компании, как у Morgan Stanley. ✅ Правильно: Начни с малого — автоматизации для малого бизнеса. Простые цепочки из 3–5 шагов, которые решают одну конкретную проблему клиента.
Инструменты и ресурсы
- Claude.ai — для поиска примеров и их разбора
- Claude Code — официальная документация агента
- Anthropic Blog — примеры использования Claude в работе (на английском)
- Gartner: Agentic AI — прогнозы рынка от аналитической компании Gartner (поиск: «Gartner Agentic AI forecast 2030», на английском)
- McKinsey: The state of AI — ежегодное исследование McKinsey о том, как компании используют AI (поиск: «McKinsey Global Survey AI», на английском)
- a16z AI Canon — подборка материалов о современном AI от инвестфонда Andreessen Horowitz, 2023 год (на английском)
→ В библиотеке, по желанию: урок Агентные воркфлоу vs традиционная автоматизация — подробное сравнение с Zapier и n8n → См. урок Первые клиенты — как предложить агентные навыки клиентам
Ключевые выводы
Агентный AI уже встроен в массовые продукты. Оценки рынка расходятся, поэтому смотри на направление, а не на одну красивую цифру.
Крупные компании внедряют агентов; малому бизнесу они тоже могут пригодиться, и кому-то придётся это строить. Но результат зависит от выбранной задачи и контроля качества.
Три фактора совпали прямо сейчас: надёжные LLM + готовая инфраструктура + Claude Code как способ начать без навыков разработчика.
Следующий урок
→ Сайты и приложения без кода: v0, Webflow и Framer — первая сборка с AI-инструментами без кода
Отметка хранится только в этом браузере и никуда не отправляется. Мой прогресс