Agentic AI по-русски: кто строит автономных агентов в РФ

Осенью 2024 года и в 2025-м российские техкомпании начали переупаковывать чат-ботов в «агентов»: систем, которые не просто отвечают, а выполняют многошаговые задачи — ищут, вызывают инструменты, пишут код, оформляют заявку. Яндекс представил линейку моделей YandexGPT 5 и агентские сценарии в поиске и Alice, у Сбера развивается GigaChat с MAX и функциями вызова инструментов, а Т-Банк и другие финтех-игроки строят внутренних агентов под свои продукты. Термин agentic AI приехал из англоязычного рынка, но у нас пока чаще означает «LLM с доступом к функциям», а не полностью автономного исполнителя.

Что вообще считать agentic AI

Классическая LLM в диалоге отвечает на запрос и останавливается. Агент¹ получает цель, разбивает её на шаги, вызывает инструменты (поиск, калькулятор, API, браузер, интерпретатор кода), проверяет промежуточный результат и продолжает, пока не выполнит задачу или не упрётся в лимит.

На практике граница размыта. Функция «вызов инструментов» (function calling) есть уже у большинства моделей и сама по себе не делает продукт агентом. Настоящий агентский слой — это оркестрация: планирование шагов, память между ними, обработка ошибок и остановка. Именно этого слоя у большинства российских продуктов пока либо нет в открытом доступе, либо он работает в узких сценариях.

Пока «агент» в российских релизах чаще маркетинговый ярлык поверх function calling, чем самостоятельная система, которой можно доверить задачу без присмотра.

Кто на рынке сейчас

Речь идёт о крупных платформах и их экосистемах — независимых стартапов уровня зарубежных agent-first компаний в России пока единицы, и большинство строится вокруг чужих API.

Яндекс

Яндекс развивает семейство YandexGPT и мультимодальные модели, встраивая агентские сценарии в поиск с нейро-ответами и в ассистента Alice. Для разработчиков доступ идёт через Yandex Cloud (YandexGPT API), где заявлена поддержка вызова функций. Цены и лимиты API привязаны к тарифам Yandex Cloud и меняются — их стоит сверять на официальной странице.

Сбер

GigaChat от Сбера доступен через API и в приложении, есть версии разной мощности (включая GigaChat MAX) и функции вызова инструментов. Компания позиционирует это как основу для корпоративных агентов. Точные тарифы и квоты токенов смотрите в документации GigaChat — публичные цифры быстро устаревают.

Финтех и корпоративные агенты

Т-Банк, VK и ряд компаний строят внутренних агентов под свои задачи: поддержка клиентов, аналитика, генерация кода. Это чаще закрытые решения, чем продукт для внешнего рынка. Отдельная категория — стартапы-интеграторы, которые собирают агентов на базе open-source моделей (например, дообученных² вариантов Qwen, Llama, DeepSeek) под конкретного заказчика.

Сравнение платформ

Ниже — грубая карта того, что заявлено. Проверяйте актуальные возможности в документации: у всех идёт активная разработка.

Кому это пригодится и кому нет

Агентские сценарии на российских платформах имеют смысл, если у вас есть требование к локальной инфраструктуре, к работе с русскоязычными данными и к оплате в рублях без сложностей с зарубежными сервисами.

• Пригодится: корпоративная поддержка и обработка обращений, где агент ищет в базе знаний и оформляет действия; автоматизация внутренних отчётов; чат-помощники в сервисах, которым важен русский язык и хостинг в РФ.
• Пригодится: команды, которым нужен API без обходных путей и с оплатой в рублях, а не с попытками подключить зарубежные модели через посредников.
• Сомнительно: задачи, где нужен зрелый агентский фреймворк с проверенной оркестрацией «из коробки» — здесь зарубежные экосистемы пока опережают по инструментарию.
• Не пригодится: сценарии, где агенту доверяют необратимые действия (платежи, отправка документов) без человека в цепочке — этому уровню автономии не соответствует ни одна из платформ, которую стоит запускать без контроля.

Где границы автономии

Даже там, где вызов инструментов работает, автономность ограничена. Модель может выбрать неверный инструмент, зациклиться, придумать несуществующий результат. Для критичных задач сохраняется правило human-in-the-loop: агент готовит действие, человек подтверждает. Это не изъян конкретной платформы, а общее состояние технологии — так же осторожны и зарубежные вендоры в документации по агентам.

Второй ограничитель — данные и безопасность. Как только агент получает доступ к внутренним системам компании, вопрос «что он может сделать от вашего имени» становится вопросом прав доступа, а не только качества модели.

¹ Агент — программа на базе языковой модели, которая для достижения цели самостоятельно планирует шаги и вызывает внешние инструменты, а не ограничивается одним ответом на запрос.

² Дообучение (fine-tuning) — дополнительная тренировка готовой модели на своих данных, чтобы она лучше решала конкретную задачу или говорила в нужном стиле.