Российские AI-агенты: что реально работает, а что на слайдах

За последние полтора года на российском рынке слово «агент» стало маркетинговым штампом: его вешают и на голосовых ботов в контакт-центрах, и на RAG-надстройки над корпоративным поиском, и на реальные системы, которые сами планируют цепочку действий и вызывают внешние инструменты. Когда зарубежные вендоры вроде OpenAI и Anthropic ограничили доступ российским юрлицам, спрос на локальные аналоги вырос, а вслед за ним — и число решений, которые называют себя агентами, не будучи ими по сути.

Разберёмся, что стоит за фразой «импортозамещение AI-агентов»: какие базовые модели доступны в России, кто строит на них агентные надстройки и где проходит граница между рабочим продуктом и презентацией для инвестора.

Что вообще считать AI-агентом

Чат-бот отвечает на вопрос. Агент^* получает цель, сам разбивает её на шаги, вызывает внешние инструменты (поиск, базу данных, API, код-интерпретатор), проверяет промежуточный результат и при неудаче меняет план. Разница принципиальная: агент действует в цикле «подумал — сделал — посмотрел на результат — исправился», а не выдаёт один ответ на один запрос.

Большинство российских продуктов, которые продаются как «агенты», на деле ближе к второму типу: это оркестрация из промптов и жёстко прописанных сценариев поверх языковой модели. Это не упрёк — для колл-центра или поддержки такой конструкции часто достаточно. Но автономности, которую подразумевают под словом agent за рубежом, там нет.

Автономный агент — это не модель, которая больше знает, а обвязка вокруг модели, которая умеет ошибаться и переделывать. Именно эту обвязку, а не саму нейросеть, сложнее всего воспроизвести.

На чём это строится: доступные в России модели

Агент опирается на базовую языковую модель. Здесь у российских разработчиков есть свои и открытые варианты:

• GigaChat (Сбер) — доступен через API, есть версии разной размерности, поддержка вызова функций (function calling), на которой и строится агентная логика.
• YandexGPT (Яндекс) — доступен в Yandex Cloud, с инструментами для RAG^** и вызова функций.
• Открытые модели — Qwen, DeepSeek, Llama и другие, которые можно развернуть у себя. Их дообучают под русский язык и конкретную задачу; юридический статус использования и лицензии стоит проверять отдельно для каждой модели.

Ключевой момент: сама возможность строить агентов упирается не в наличие модели, а в качество function calling и длину контекстного окна^***. Чем надёжнее модель вызывает нужный инструмент с правильными аргументами, тем меньше сценарий приходится подпирать костылями.

Сравнение подходов

Прямое сравнение конкретных коммерческих продуктов по цифрам затруднено: публичных бенчмарков агентных способностей русскоязычных систем на общей методике почти нет, а вендоры приводят собственные тесты, которые нельзя сопоставить между собой. Поэтому сравнивать честнее по типу решения и уровню автономности, а не по спорным процентам.

Главная оговорка: доступность и цены меняются. Тарифы GigaChat и YandexGPT считаются по токенам и зависят от версии модели — актуальные цифры смотрите на страницах вендоров, а не в обзорах полугодовой давности.

Кому это пригодится, а кому нет

Пригодится

• Компаниям с требованием хранить данные в России. Если по 152-ФЗ или внутренней политике данные не могут уходить за периметр, локальная модель с on-premise развёртыванием — единственный рабочий путь, даже если автономность ниже зарубежной.
• Поддержке и внутренним help-desk. Сценарный бот с RAG над базой знаний закрывает типовые запросы без большой автономности — и здесь российские решения уже вполне применимы.
• Госсектору и регулируемым отраслям, где требования к реестру отечественного ПО и суверенности инфраструктуры перевешивают разницу в качестве.

Не пригодится (пока)

• Тем, кому нужна сложная многошаговая автономия — вроде агента, который сам ведёт исследование, пишет и отлаживает код в несколько итераций. Здесь разрыв с ведущими зарубежными системами ощутим, и его не закрыть маркетингом.
• Проектам с жёсткой экономикой на объёме, где стоимость токенов и латентность критичны: считать TCO придётся под конкретную нагрузку, потому что цена за токен и скорость ответа сильно различаются между вендорами.

Как оценить решение перед покупкой

1. Спросите, что именно система делает сама, а что зашито сценарием. Если весь «интеллект» — в дереве веток, это не агент.
2. Проверьте поддержку function calling у базовой модели и надёжность вызовов на ваших данных — просите пилот, а не демо на подготовленных примерах.
3. Уточните, где физически хранятся и обрабатываются данные, и попадает ли это под ваши требования по 152-ФЗ.
4. Запросите методику любых приведённых цифр качества. Бенчмарк без названия теста и условий — это не измерение.
5. Посчитайте стоимость на реальном объёме запросов по актуальным тарифам, а не по цене из презентации.

Импортозамещение в этом сегменте — не единый готовый продукт, а набор строительных блоков разной зрелости. Базовые модели и сценарная автоматизация уже работают в проде. Настоящая агентная автономность — область, где локальные решения догоняют, но говорить о паритете по фактам пока не приходится.

^* Агент — программа на основе языковой модели, которая для достижения цели самостоятельно планирует шаги и вызывает внешние инструменты в цикле, а не выдаёт единичный ответ.

^** RAG (retrieval-augmented generation) — подход, при котором модель перед ответом ищет релевантные фрагменты в базе знаний и опирается на них, снижая долю выдумок.

^*** Контекстное окно — максимальный объём текста (в токенах), который модель удерживает за один запрос: и инструкцию, и историю, и найденные данные.