Большинство подборок про «лучших ИИ-агентов» на самом деле пересказывают фичи из пресс-релиза, а не то, что происходит после внедрения. Здесь — только случаи с проверяемыми цифрами: сколько построено, сколько экономит, и один случай, где не всё получилось с первого раза. Без него подборка была бы рекламой, а не разбором.
1. Iman у «Ингосстраха» — 1350 агентов за два месяца
Российский страховщик построил внутреннюю платформу для создания ИИ-агентов своими силами. За два месяца сотрудники сделали больше 1350 агентов, из них 250 уже в постоянной работе — готовят аналитику, ведут юридическую поддержку, помогают в закупках. Не пилот на одном отделе, а конвейер.
2. Klarna — честный пример с оговоркой
Шведский сервис онлайн-платежей заменил ИИ-ассистентом работу 853 операторов поддержки и сэкономил около $60 млн в год — цифра, которую разнесли все техно-медиа. Меньше писали о продолжении: качество поддержки на сложных обращениях просело, и часть живых операторов пришлось вернуть. Экономия была настоящей. Урок тоже настоящий: не всякую рутину можно закрыть агентом целиком.
3. Intercom — 42-53% обращений без участия человека
Сервис поддержки клиентов Intercom не продаёт агентов бизнесу, а просто публикует свою статистику: его агенты самостоятельно закрывают от 42 до 53% обращений. Это не цифра из рекламного буклета продавца решений — а отчёт компании о собственной практике, что делает её надёжнее для сравнения.
4. Claude для малого бизнеса — 15 готовых процессов
Anthropic выпустила набор готовых рабочих сценариев для малого бизнеса: закрытие месяца в бухгалтерии, запуск маркетинговой кампании, подбор кандидатов — с интеграциями в QuickBooks, HubSpot, DocuSign. Каждое действие требует подтверждения человека перед выполнением — агент предлагает, а не решает сам.
5. «Анализ внимания» Wildberries — предсказание за 15 секунд
Российский маркетплейс запустил сервис, который прогнозирует, куда посмотрит покупатель на фото товара — без камеры и без слежки за реальными людьми. Модель обучена на прошлых айтрекинг-исследованиях и применяет выученный паттерн к новым изображениям. Раньше такое тестирование стоило денег и недель времени, теперь — 15 секунд на карточку.
6. «Финансовый аналитик» от «Базара» — 20 тысяч запросов за три месяца
ИИ-бот для частных инвесторов собирает аналитику по бумагам с Мосбиржи, сводя данные нескольких источников в одно резюме. За три месяца теста — больше 20 тысяч запросов, треть — по голубым фишкам вроде Сбербанка и Газпрома. Не абстрактная демонстрация, а измеримый пользовательский спрос.
7. RAG-ассистент от Selectel и KTS — работа с корпоративными знаниями
Selectel — крупный российский облачный провайдер, KTS — веб-студия и разработчик цифровых продуктов. Их совместный продукт — RAG-ассистент для поиска по внутренним документам и базам знаний. В отличие от чат-бота с готовыми ответами, такой агент ищет информацию в реальных документах компании перед тем как ответить — то есть отвечает по факту, а не по общей обученности модели.
Что объединяет рабочие примеры
Ни один из семи не обещает «полной автоматизации бизнеса». Каждый закрывает конкретную, ограниченную задачу — и именно поэтому работает. Единственный случай, где взяли на себя слишком много (Klarna), стал единственным, где пришлось откатывать назад. Если из этой подборки и стоит вынести один вывод — то этот.