Суть
Обзор прикладных сценариев по отраслям: производство, телеком, маркетинг — там, где агенты уже приносят пользу; медицина, материаловедение, legal — где идут эксперименты.
Зачем это нужно
Помогает выбирать реалистичную тему проекта и формулировать ценность на языке бизнеса (downtime, SLA, ROI), а не технологий. Показывает, что «агент» в проде — это система поддержки принятия решений, обвязанная инструментами и базой знаний.
Как работает (production)
- Производство / индустрия: паттерн Diagnose → Recommend → Log/Ticket — читает алерты SCADA/MES и логи оборудования, предлагает план оператору, создаёт заявку в maintenance. ROI — через снижение downtime. Плюс: анализ отклонений (сравнение с историческими инцидентами), оптимизация энергопотребления (тарифы/нагрузка).
- Телеком: поддержка L1/L2 по жёстким runbooks с соблюдением SLA; агент для NOC агрегирует алерты и убирает дубли → меньше alert fatigue.
- Маркетинг / e-commerce: аналитика кампаний (сбор из рекламных систем через API/SQL, отчёты); генерация контента с проверкой на бренд-бук и публикацией по расписанию.
Как работает (PoC / pilot)
- Медицина: агент учится назначать анализы минимальной стоимости для диагноза — бюджет как параметр оптимизации.
- Материаловедение (IBM): агент-химик ищет молекулы, запрашивает данные из научных баз, решает «оставить/отбросить».
- Legal Tech (Сбер): NLP-анализ юридических документов.
- Многие сценарии — многоагентные системы: каждый уровень (диагностика, рекомендация) заворачивается в своего агента со своей базой нормативки.
Как считать до внедрения и почему часть доменов не взлетает
Метод расчёта разобран в Unit Economics AI: ценность действия считается через альтернативу — что было бы сделано без агента и сколько стоила бы разница, — а стоимость складывается из четырёх слагаемых, а не из одной цены вызова. До внедрения главная ошибка не в модели расчёта, а в выборе величины: считают экономию часов там, где агент меняет качество решения, а не заменяет процесс, и получают цифру, в которую никто не верит.
Почему часть доменов не взлетает — здесь работает общий признак, а не список. Агент приживается там, где результат проверяется дешевле, чем производится: код проверяется тестами, извлечение данных — сверкой с источником, ответ поддержки — фидбэком пользователя. Где проверка стоит столько же, сколько сама работа, — экономии не возникает, потому что человек всё равно перечитывает всё целиком, и добавляется лишь риск правдоподобной ошибки.
Отсюда практический тест перед выбором домена: назовите способ, которым вы отличите хороший результат от плохого, не делая работу заново. Если способа нет — домен не взлетит независимо от качества модели, и это же объясняет, почему пилоты в таких областях застревают на стадии демонстрации (Agent Evals, про объективную проверку).
Связано с
- Agent Roles — какие роли применяются в этих кейсах
- AI Agent — кейсы как иллюстрация «агент vs чат-бот»
- RAG — почти везде агенту нужна доменная база знаний