Чат-бот на кнопках против AI-агента: где проходит граница

В 2016–2020 годах компании массово ставили на сайты и в мессенджеры сценарных чат-ботов: дерево кнопок, набор шаблонных фраз, распознавание пары десятков ключевых слов. Такой бот отвечал на «где мой заказ» и «как вернуть товар», но спотыкался на любой формулировке за пределами сценария. С появлением больших языковых моделей и функции вызова инструментов (function calling) в GPT-4, Claude и других появился второй класс систем — AI-агенты, которые не выбирают ветку из готового дерева, а формируют ответ и действия на лету. Разница между ними не косметическая: это разные архитектуры, разные бюджеты и разные риски.

Что такое legacy-чат-бот

Классический (legacy) чат-бот — это конечный автомат. Разработчик заранее прописывает состояния, переходы между ними и набор интентов¹. Пользователь пишет фразу, движок сопоставляет её с одним из известных интентов по ключевым словам или простой ML-классификации, и бот выдаёт заранее заготовленный ответ или предлагает кнопки.

Такие системы строили на платформах вроде Dialogflow, Rasa (в его классической NLU-конфигурации), Microsoft Bot Framework. Их сильные стороны — предсказуемость и дешёвая эксплуатация: каждый ответ прописан человеком, бот не скажет ничего лишнего и не потратит деньги на внешние API за каждый запрос.

Слабое место одно, но критичное: всё, что не заложено в сценарий, для такого бота не существует. Переформулировали вопрос — не понял. Задали два вопроса в одном сообщении — обработал в лучшем случае первый. Хотите поменять логику — зовите разработчика переписывать граф.

Что такое современный AI-агент

AI-агент строится вокруг языковой модели, которая выступает не генератором текста, а «мозгом», принимающим решения. Агенту дают цель, доступ к инструментам (поиск по базе, вызов API, запрос в CRM, отправка письма) и он сам решает, какие шаги и в каком порядке выполнить.

Ключевые составляющие агентной архитектуры:

• LLM-ядро — модель, которая понимает запрос в свободной форме и планирует действия.
• Инструменты (tools) — функции, которые агент может вызвать: получить статус заказа, найти документ, посчитать сумму.
• Память — контекст диалога и, часто, долговременное хранилище (векторная база) для поиска по знаниям компании — паттерн RAG².
• Оркестрация — цикл «подумал — сделал — посмотрел результат — подумал дальше», пока задача не решена.

В отличие от сценарного бота, агент не падает на незнакомой формулировке — он пытается понять смысл. И он может решать составные задачи: «сравни мой прошлый заказ с текущим и скажи, почему стало дороже» для legacy-бота недостижимо, для агента — типовой сценарий.

Сценарный бот отвечает на вопросы, которые вы предугадали. Агент отвечает на вопросы, которых вы не предвидели — и в этом главный источник как его пользы, так и его рисков.

Сравнение по параметрам

Ни один из подходов не «лучше» вообще — они закрывают разные задачи. Ниже — где проходят границы.

Где дешевле сценарный бот

Если у вас три-четыре типовых обращения («режим работы», «как оплатить», «где офис»), сценарный бот закроет их дешевле и надёжнее агента. Он не сгенерирует выдуманный факт, потому что генерировать ему нечем — он выдаёт заготовку. За обработку одного диалога вы не платите провайдеру модели.

Где оправдан агент

Агент окупается там, где вопросы разнообразны и требуют работы с данными: поддержка сложного продукта, разбор личного кабинета клиента, подбор по каталогу, ответы по базе документов. Цена вопроса здесь — токены. Стоимость складывается из размера запроса и ответа, плюс промпта с инструкциями и подгруженного контекста. Точные цены за миллион токенов сверяйте в актуальных прайсах OpenAI, Anthropic или того провайдера, которого используете, — они меняются несколько раз в год и зависят от модели.

Риски, о которых молчат в презентациях

Переход на агента — не бесплатный апгрейд. Что закладывать в план:

1. Галлюцинации. Модель может уверенно сообщить факт, которого нет. Для поддержки это репутационный и юридический риск. Лечится ограничением через RAG и явным запретом отвечать без источника.
2. Непредсказуемая стоимость. Всплеск обращений — всплеск счёта от провайдера. Нужны лимиты и кэширование частых ответов.
3. Данные пользователей. Отправляя запрос во внешнюю модель, вы передаёте туда данные клиента. Проверяйте, что попадает в облако, и условия обработки в договоре с провайдером.
4. Действия агента. Если агент умеет менять данные (отменить заказ, оформить возврат), ошибка становится дорогой. Опасные операции держите за подтверждением человека.

Гибридный подход

На практике всё чаще встречается не «или-или», а связка: сценарный слой ловит частые типовые запросы дёшево и предсказуемо, а всё, что выходит за рамки, передаётся агенту. Так вы не платите за токены на вопросе «где вы находитесь» и одновременно не теряете клиента с нестандартной проблемой. Такой маршрутизатор — разумная стартовая архитектура для большинства команд, которые уже имеют старого бота и думают, что делать дальше.

¹ Интент — распознанное намерение пользователя, к которому привязан ответ бота. Например, интент «отмена_заказа» объединяет фразы «хочу отменить», «уберите заказ», «не нужен товар».

² RAG (Retrieval-Augmented Generation) — подход, при котором модель перед ответом ищет нужные фрагменты в базе знаний и отвечает, опираясь на них, а не только на память из обучения. Снижает риск выдуманных фактов.