Как создать ИИ-агента без кода: пошаговая инструкция для продакт-менеджера

Система маркетинга: как выстроить маркетинг с нуля за 6 шагов
Каждый понедельник одно и то же: выгрузить обращения за неделю, разложить по категориям, вытащить контакты в CRM, собрать сводку для команды. Нейросеть помогает, но ровно до середины: ChatGPT разобрал текст, а дальше вы копируете результат, открываете почту, вставляете, правите и отправляете. ИИ подумал за вас, а сделал все равно не он.

Разница в том, что агент может не только готовить ответ, но и использовать подключенные инструменты: искать данные, создавать черновики и выполнять действия в сервисах. Он может работать по расписанию или запускаться по вашему запросу. Собрать такого помощника можно без кода, и в статье разобрано, как это сделать: от выбора задачи и расчета окупаемости до системного промпта, прав доступа и критериев остановки. Сравним конструкторы, чат-ассистентов и решение на собственном сервере, а затем соберем простой сценарий и проверим, не опасно ли отдавать ему доступ к рабочим сервисам.

Коротко о главном

  • ИИ-агент использует модель и подключенные инструменты, чтобы решать задачу в несколько шагов. Автономность зависит от настроек: иногда он только предлагает действие, иногда выполняет его после подтверждения.
  • Не каждую автоматизацию стоит превращать в агента. Если маршрут известен заранее, обычный сценарий в n8n или Make часто проще и надежнее.
  • Начните с одной повторяющейся задачи. Посчитайте ее текущую стоимость, затем сравните с расходами на модель, сервер, интеграции и проверку ошибок.
  • Перед подключением почты и CRM настройте минимальные права, журнал действий и подтверждение потенциально опасных операций.
  • По прогнозу Gartner, более 40% проектов агентного ИИ могут быть отменены к концу 2027 года. Это прогноз аналитиков, а не доля уже закрытых проектов.

ИИ-агент, чат-бот или скрипт: в чем разница

Три уровня автоматизации путают постоянно, а разница между ними определяет выбор инструмента.
УровеньКак работаетПример
Чат с нейросетьюПомогает по запросу; доступ к контексту и сервисам зависит от настроекПопросили переписать текст письма
Сценарий автоматизацииВыполняет жесткую последовательность шагов по триггеруНовая заявка попадает в таблицу и уходит менеджеру
ИИ-агентПолучает цель, может выбирать инструмент и следующий шаг в разрешенных пределах; память не обязательнаРазобрал обращение, нашел клиента в CRM, составил ответ, поставил задачу
Попробуйте на своей задаче: что у вас происходит?
Выберите вариант, и подсветится подходящий уровень автоматизации.
Ключевое отличие – возможность выбирать следующий шаг с учетом результата предыдущего. При этом ветвление само по себе еще не делает программу агентом: обычный сценарий тоже умеет направить письмо о возврате по одному маршруту, а технический вопрос – по другому. Агент полезен, когда последовательность действий нельзя заранее расписать полностью.

Отсюда практический вывод: большинство рабочих задач закрывается вторым уровнем, и агент там избыточен. Если шаги известны заранее и не меняются, обычный скрипт или сценарий отработает дешевле, быстрее и предсказуемее.

Как создавать AI-агентов без кода: четыре способа

Универсально лучшего инструмента не существует, выбор зависит от задачи и от того, где живут ваши данные.

AI-агент в n8n и Make: визуальный конструктор

n8n и Make – платформы, где агент собирается как блок-схема: узлы соединяются стрелками, триггеры настраиваются мышкой. Сотни готовых интеграций, n8n можно поднять на своем сервере. Подходит, когда нужно связать несколько систем и обрабатывать поток данных.

AI-агенты в ChatGPT и других чат-сервисах

Настраиваемые GPT в ChatGPT или проекты в Claude удобны для повторяющихся запросов и работы с инструкциями. Но не каждый такой помощник умеет самостоятельно запускаться, получать данные из внешней системы или выполнять действия. Возможности зависят от подключенных инструментов, тарифа и настроек.

Yandex Cloud и AI Studio: облачная инфраструктура

В Yandex Cloud можно соединить модель через AI Studio, функции и хранилище секретов Lockbox. Это уже ближе к техническому проекту: интеграции, доступы и обработку ошибок придется настраивать отдельно. Размещение в выбранном регионе само по себе не подтверждает соответствие всем требованиям к данным.

Личный ассистент на своем сервере

Например, на базе OpenClaw. Его можно подключить к почте, календарю, файлам и задачам и настроить работу через мессенджер. Плюс – больше контроля над инфраструктурой; минус – на вас остаются обновления, защита ключей и проверка интеграций. Если используется внешняя LLM по API, часть данных может передаваться ее провайдеру.

Конструкторы тоже позволяют собирать сложные агенты с памятью и несколькими инструментами. Разница скорее в способе управления: кому-то удобнее видеть каждый процесс на схеме, кому-то – общаться с одним ассистентом. Если нужен именно личный помощник, ниже разберем отдельный вариант с OpenClaw.

Шаг 1. Задача для ИИ-агента: как выбрать и рассчитать выгоду

Частая ошибка – сначала выбирать инструмент, а потом искать ему применение. Инструмент выбирается под задачу, а задача проверяется четырьмя вопросами.
КритерийПодходит агентуОставить человеку
ПовторяемостьЧаще нескольких раз в неделюРазовая задача
ДанныеЕсть текст, выгрузка или доступ по APIНужен разговор с человеком
Цена ошибкиЧерновик, который проверяютЮридический документ, платеж
ПроверяемостьРезультат виден за пару минутПроверять придется все целиком
Дальше посчитайте экономику: сколько стоит ручная обработка и сколько будет стоить тот же объем с агентом. Подробно о том, как оценивать прибыльность решения, читайте в материале Product Lab про юнит-экономику. Возьмем разбор обращений в поддержку: 420 обращений в месяц, по три минуты на ручную обработку каждого, итого 21 час. При стоимости часа 900 рублей задача обходится компании в 18 900 рублей ежемесячно.

Допустим, после внедрения 15% обращений по-прежнему обрабатывает человек (3,15 часа), еще два часа уходит на проверку. Вместо 21 часа команда тратит 5,15 часа. Экономия – 15,85 часа, или около 14 265 рублей в месяц. Если инструменты и инфраструктура стоят условные 2300 рублей, остается примерно 11 965 рублей до учета времени на настройку, поддержку, исправление ошибок и прочих расходов. Это расчетный пример, а не гарантированная окупаемость.

Если после учета всех расходов экономия невелика, лучше начать с обычного сценария автоматизации или оставить задачу человеку. Это нормальный результат первого шага, он экономит неделю работы.
Калькулятор: сколько стоит задача сейчас и с агентом
Сейчас вручную—
С агентом: время команды—
Экономия времени—
Остается после расходов на инструменты—

Значения по умолчанию взяты из примера выше. Расчет не учитывает время на настройку, поддержку и исправление ошибок. Это расчетный пример, а не гарантированная окупаемость.

Шаг 2. Как выбрать AI-модель и оценить расходы

Инструмент определился задачей, остается выбрать модель и прикинуть расход токенов. Для разбора текста и классификации хватает недорогих моделей, для анализа сложных документов могут понадобиться более сильные модели, для работы в российском контуре подключают YandexGPT через AI Studio.

Ориентировочный расход считают по количеству запросов и отдельно по входным и выходным токенам, поскольку у них могут быть разные тарифы. Также учитывают вызовы инструментов, длинный контекст и повторные попытки. В примере с поддержкой 420 обращений по 1500 токенов входа и 400 выхода дают примерно 800 тысяч токенов в месяц, и на старших моделях это ощутимо дороже, чем на младших при том же качестве классификации.

Практичный подход такой: черновую обработку отдать младшей модели, а на сложные случаи направлять запрос в старшую. Логика маршрутизации настраивается в том же конструкторе и снижает счет в несколько раз.

Шаг 3. Как агент работает с инструментами: триггер, модель, память

В рабочем сценарии удобно выделить четыре части. Не каждая из них обязательна для любого агента: например, память и запуск по расписанию нужны далеко не всегда.

Триггер запускает агента. Это может быть новое письмо, сообщение в Telegram, вебхук из amoCRM или расписание вида «каждый понедельник в 9 утра». Агент может запускаться и по команде человека – это не отменяет его способности выполнять многошаговую задачу.

Модель отвечает за рассуждение и генерацию. В n8n модель подключается к узлу AI Agent через соответствующий вход; состав и расположение узлов зависят от версии интерфейса.

Память хранит контекст: предыдущие сообщения пользователя, историю обращений, правила работы. Для сортировки отдельных заявок память может не понадобиться вообще. Для личного помощника с несколькими диалогами она полезна, но потребует правил хранения и удаления контекста.

Инструменты это то, что агент может сделать: отправить письмо, создать запись в CRM, найти документ в базе знаний, дернуть внешний API, запустить дочерний сценарий. Некоторые инструменты можно подключать через MCP (Model Context Protocol), другие – через API и готовые интеграции. Доступность зависит от выбранной платформы.

Простейший прототип иногда удается собрать за вечер. Подключение реальных систем, настройка прав и проверка ошибок могут занять заметно больше – особенно если доступы согласуются с ИТ и безопасностью.

Шаг 4. Подключение агента к системам: CRM и база знаний

Агент без доступа к вашим данным отвечает общими словами. Данные подключаются двумя способами, и выбор между ними зависит от объема.

Небольшой набор правил и шаблонов помещается прямо в системный промпт: регламент ответов, тон общения, перечень тарифов. Большую и часто обновляемую документацию лучше хранить отдельно, подключив поиск по базе знаний. Но небольшой документ вполне может уместиться в контекст модели – универсального ограничения в несколько страниц нет. Так работают ответы на частые вопросы клиентов: документация лежит отдельно, агент находит релевантный кусок и отвечает на его основе.

Расшифровка встреч: как агент создает задачи

Запись созвона превращается в текст, агент достает из расшифровки договоренности, создает задачи в трекере и отправляет сводку участникам. Качество зависит и от расшифровки, и от самой модели, и от четкости правил: кто принимает решение, как фиксируются сроки и кому назначаются задачи, поэтому проверять такие сценарии надо на нескольких реальных записях, а не на одной идеальной.

Сервисный аккаунт, API-ключ и Yandex Lockbox

Там, где сервис поддерживает сервисные аккаунты, лучше использовать их, а не личные учетные записи сотрудников. Сервисному аккаунту выдаются только те права, которые нужны конкретному сценарию, API-ключ хранится в защищенном хранилище вроде Yandex Lockbox или в переменных окружения, и ни один ключ не лежит в тексте промпта.

Шаг 5. Структура системного промпта и настройка прав

Системный промпт это должностная инструкция агента, и писать его стоит по той же логике. Нужны роль, границы, порядок действий, формат ответа и правила эскалации.

Рабочая структура выглядит так. Сначала роль и контекст: кто агент, с какими пользователями работает, что за продукт. Затем перечень доступных инструментов и условия их применения. Дальше явные запреты: не обещать сроки, не называть цены вне прайса, не отправлять письма без подтверждения. В конце формат ответа и правило эскалации с описанием случаев, когда агент обязан передать обращение человеку.

Права сервисного аккаунта: что разрешать агенту

Права даются по принципу минимально необходимых. На первом этапе агент работает в режиме чтения и черновиков: он готовит ответ, а отправляет его человек после проверки. Такой режим называют human-in-the-loop, и он помогает снизить риск неконтролируемых действий. Доступ на запись в CRM или отправку писем открывают только после тестов с заранее установленными порогами качества, проверкой прав и возможностью отката. Даже сто успешных тестов не гарантируют отсутствие ошибок в будущем.

На курсе по созданию ИИ-агента вопросы архитектуры и безопасности разбираются в первом же уроке, до сборки: как устроены инструменты, память и API и как не выдать ассистенту лишних прав. Порядок именно такой не случайно, потому что переделывать права после запуска тяжелее, чем заложить их сразу.

Шаг 6. Протестируйте ИИ-агента на реальных данных

Тест на трех придуманных примерах ничего не доказывает. Протестируйте агента на выборке из 30–50 реальных случаев, обязательно включив туда те, которые вызывали сложности у людей.

Фиксируйте результат в таблице по четырем колонкам: вход, что сделал агент, что должен был сделать, вердикт. Из этой таблицы сразу видно, где проблема в промпте, где в данных, а где задача в принципе не решается автоматически.

Отдельно проверьте поведение при сбое. Что произойдет, если внешний сервис не ответил, модель вернула мусор, а в обращении пришел текст на другом языке. Агент должен не молча проглотить ошибку, а записать ее в лог и передать человеку. Логи с момента первого запуска настраиваются обязательно: без них разобрать инцидент невозможно, а именно непрозрачность действий агента чаще всего становится причиной его отключения.

Единой планки точности нет. Для черновиков допустим один уровень ошибок, для финансовых операций или изменения данных – гораздо более строгий. Порог выбирают до теста с учетом цены ошибки; критичные действия лучше оставлять под подтверждением человека.

Шаг 7. Запуск AI-агента: показатели и критерии остановки

Запуск начинается с части потока, а не со всего объема. Для начала направьте небольшую долю обращений, например 10–20%, и сравните их с ручной обработкой. Смотрите на четыре показателя: долю обработанных без человека, точность, время обработки и полную стоимость, включая проверку ошибок. Подробнее о выборе показателей – в статье «Продуктовые метрики».

Критерии остановки записываются до запуска, иначе проект будет тянуться на энтузиазме. Примеры сигналов для остановки: нарушение правил доступа, критичная ошибка в ответе клиенту, резкий рост стоимости обработки или доли обращений, которые приходится передавать человеку. Конкретные числовые пороги задаются под задачу, а не берутся из универсального списка. Срабатывание любого из них означает паузу и разбор, а не увеличение бюджета на модель.

Через месяц работы полезно пересобрать расчет из первого шага на фактических данных. Так станет видно, сколько времени реально удалось сэкономить и не увеличились ли расходы на поддержку.

Когда нужен личный AI-агент на своем сервере

Пока задача одна, конструктор удобен. Когда сценариев становится много, иногда возникает другая потребность: не набор отдельных схем, а один помощник, который помнит ваши правила, живет в Telegram и сам запускает дела по расписанию.

Выглядит это так. В понедельник в девять утра в мессенджере уже лежит дайджест: новости рынка из ваших источников, сводка по задачам и встречи на неделю. Вы ничего не запускали. Днем вы пишете ассистенту обычным текстом с просьбой отправить клиенту письмо с итогами встречи и поставить созвон на четверг, и после проверки получаете подтверждение о созданных черновиках и задачах. Отправку письма можно оставить на ваше одобрение.

Технически это агент, развернутый на арендованном сервере и подключенный к вашим сервисам через API. Но свой сервер не означает, что данные никогда не покидают ваш контур: они могут отправляться внешнему поставщику модели, в мессенджер или подключенный сервис. Маршруты передачи данных нужно проверить отдельно.

Ровно такой ассистент собирается на мини-курсе Product Lab: за три урока участники арендуют сервер, разворачивают OpenClaw, подключают модель, Telegram с голосовыми сообщениями, веб-панель и приложение, а затем настраивают рабочие сценарии с почтой, календарем, Google Drive и таск-трекером. По описанию программы, готовые команды, промпты, инструкции и чек-листы позволяют пройти настройку без написания кода. Одна практическая часть рассчитана примерно на час, но итоговое время зависит от доступа к сервисам и возникающих ошибок.

Сколько стоит работа ИИ-агентов: сервер, модель, интеграции

Расходы на агента складываются из трех частей, и порядок цифр полезно знать до старта.
СтатьяСколько примерноКомментарий
Серверот 300 ₽ в месяцДля обучения и базовых задач хватает самого простого
Доступ к моделиоколо 2000 ₽ в месяцЗависит от модели и количества задач
Платные интеграции0 ₽ на стартеПоявляются при подключении специфических сервисов
Итого условно от 2300 рублей в месяц в таком сценарии, без учета работы специалиста и непредвиденных расходов. Это ориентир из программы курса, а не гарантированная рыночная цена. Для корпоративного сценария с сотнями обращений в день расходы на токены растут, и здесь выручает маршрутизация между моделями из второго шага.

Отдельная строка это время. Первая сборка занимает несколько вечеров, и еще несколько часов в месяц уходит на поддержку: обновить промпт, добавить сценарий, разобрать сбой. Если ответственный не назначен, сбои и устаревшие настройки накапливаются незаметно.

Почему ИИ-агенты не доходят до рабочего запуска

В июне 2025 года Gartner опубликовала прогноз: к концу 2027 года более 40% проектов агентного ИИ могут быть отменены. Среди причин аналитики называют растущие затраты, неясную ценность для бизнеса и недостаточный контроль рисков. Это прогноз, а не статистика уже состоявшихся отмен.

Поиск красивого процента не заменяет оценку собственной задачи. Если агенту не хватает доступов, исходные записи в CRM неполные, а действия не фиксируются, хорошая языковая модель проблему не исправит.

Перед запуском проверьте три вещи: откуда агент получает достоверные данные; кто вправе одобрять его действия; как команда узнает, что он ошибся. Для этого и нужны тестовая выборка, журнал действий, правила эскалации и понятная стоимость обработки обращения.

Какие задачи нельзя доверять агенту

Честный список ограничений полезнее любого восторженного кейса.

Не отдавайте агенту финальные решения с деньгами: оплату счетов, согласование скидок, возвраты. Агент готовит черновик, подтверждает человек.

Не отдавайте задачи, где цена ошибки высока, а проверка стоит дороже выполнения: юридические документы, публичные заявления, коммуникацию в кризисной ситуации.

Не отдавайте то, у чего нет входных данных. Агент не проведет за вас интервью с клиентом и не узнает, почему человек ушел, он разберет только расшифровку того разговора, который вы провели.

Не отдавайте задачи без критерия правильности. Если вы не можете объяснить, какой ответ считается верным, вы не сможете ни протестировать агента, ни понять, что он сломался.

Частые вопросы об ИИ-агентах

Как запустить агента за выходные: план действий

Выберите одну задачу, которую вы делали на прошлой неделе больше трех раз, и прогоните ее по четырем критериям из первого шага. Посчитайте, сколько часов она забирает в месяц и во что это обходится в деньгах, а затем сравните с ожидаемыми расходами на модель, инфраструктуру и поддержку.

Если экономика сходится, соберите каркас из четырех элементов и запустите агента в режиме черновиков на тридцати реальных случаях. Если хватит времени на тесты, к концу выходных у вас будет прототип и таблица его ошибок. Это более надежная основа для решения, чем впечатление от демонстрации.

Если хотите пройти настройку по готовым инструкциям, можно использовать мини-курс «Создай собственного ИИ-агента»: три урока и два бонусных модуля по методологии Product Focus 4.0 и вайб-кодингу, пошаговые инструкции, готовые команды и промпты, чек-листы проверки и доступ к материалам на три месяца. В программе предусмотрена сборка ассистента на своем сервере с подключением почты, календаря, файлов и таск-трекера; по итогам обучения выдается сертификат PL AI-Agents Practitioner.
Подписывайтесь на рассылку со статьями, которую читают лидеры рынка
Курс-акселератор
«Полное погружение в продакт-менеджмент»
Обучение по методологии Product Focus, которую уже применяют в:
Систематизируйте знания, получите реальный рост бизнес-метрик, проработайте или создайте свой продукт прямо на курсе за 3 месяца
Главный редактор Product Lab
Статью подготовила

Больше статей по теме

Получить консультацию
Заполните форму и получите ответы
на все вопросы.
Узнайте, как системно создавать продукты, которые взлетят, избегая распространенных ошибок!

Бесплатный мини-курс:
Как создавать востребованные продукты?