Время чтения: 11 минут

ИИ-агенты для бизнеса быстро переходят из экспериментальной зоны в повседневную работу. Они уже не только предлагают текст или идею, но и читают файлы, меняют данные, запускают инструменты, создают рабочие артефакты и проверяют результат. Для отдела маркетинга это означает важный сдвиг: автоматизировать можно не отдельное действие, а целый цикл работы.

Заголовок «пять агентов заменяют отдел маркетинга» звучит провокационно. И это полезная провокация, если не понимать её буквально. Речь не о том, что завтра нужно уволить команду и оставить ноутбук на совещании. Речь о замене организационной механики, в которой идея неделями ходит между постановщиком, аналитиком, интегратором, тестировщиком и специалистом поддержки.

ИИ-агенты заменяют не людей целиком. Сначала они заменяют ожидание, ручные передачи, повторяемые операции и часть функциональных ролей внутри конкретного процесса.

От чат-бота к исполнителю: в чём реальный сдвиг

Классический сценарий работы с нейросетью похож на консультацию. Человек задаёт вопрос, получает ответ и сам переносит его в рекламный кабинет, CRM, таблицу или задачу разработчику. Польза есть, но последнее действие всё равно остаётся на стороне сотрудника.

Агентный искусственный интеллект работает иначе. Он получает цель, планирует последовательность шагов, использует разрешённые инструменты, проверяет промежуточные результаты и возвращает готовый артефакт. Это может быть отчёт, настроенный workflow, обновлённая база, черновик кампании или pull request с изменениями.

Разница хорошо видна на бытовой аналогии. Чат-бот похож на умную кулинарную книгу: объяснит рецепт и подскажет замену ингредиента. Агент больше похож на помощника, который составит меню, сформирует список покупок и оформит заказ. Но даже хороший помощник не должен самостоятельно приглашать гостей, расходовать любой бюджет и менять меню человеку с аллергией без подтверждения.

Поэтому автономность — не бинарный переключатель. У каждого действия есть цена ошибки. Сформировать черновик отчёта можно автоматически. Удалить данные, отправить рассылку всей базе или изменить рекламный бюджет — только после проверки или в пределах заранее установленных лимитов.

Что показало исследование Codex — и чего оно не доказывает

В июне 2026 года исследователи OpenAI и университетов опубликовали препринт The Shift to Agentic AI: Evidence from Codex. Авторы проанализировали использование Codex тремя группами: владельцами личных аккаунтов, пользователями организаций и сотрудниками OpenAI. Данные обрабатывались через автоматизированный контур с защитой приватности.

За первую половину 2026 года количество активных пользователей Codex выросло более чем в пять раз. Быстрее всего росло использование за пределами первоначальной аудитории разработчиков. Внутри OpenAI Codex стал почти повсеместным и в значительной мере заменил ChatGPT именно в бизнес-задачах.

Исследование зафиксировало и более сложные способы работы. Более 10% пользователей хотя бы раз в неделю управляли тремя или более параллельными агентами. Skills — повторно используемые инструкции для сложных workflow — применяли 26,6% пользователей. А доля индивидуальных пользователей, которые хотя бы раз ставили задачу длительностью более восьми часов для опытного специалиста, выросла почти в десять раз с начала года.

Самые эффектные цифры связаны с объёмом генерации. В июне медианный сотрудник OpenAI в юридической роли сгенерировал через Codex и ChatGPT в 13 раз больше выходных токенов, чем в ноябре 2025 года. У медианного исследователя рост превысил 50 раз.

Тем не менее исследование показывает реальный организационный сдвиг. Пользователь перестаёт вести один диалог и начинает управлять несколькими потоками исполнения. Это уже не просто умение составить промпт. Это проектирование ролей, контекста, очередности действий и контроля.

Именно поэтому я рассматриваю AI-агентов как цифровых сотрудников, но с важной оговоркой: цифровой сотрудник не обладает здравым смыслом, ответственностью и неформальным пониманием компании. Его роль должна быть уже, а регламент — точнее, чем у человека.

Как устроена система из пяти ИИ-агентов

В моей практике Codex помогает создавать автоматизации на платформе n8n. Это не один универсальный «суперагент», которому дают огромный промпт и ждут чуда. Внутри работает система из пяти специализированных ролей. Каждая отвечает за отдельный этап и передаёт следующей структурированный результат.

Первый агент защищает систему от плохой постановки. Он уточняет источник данных, формат результата, частоту запуска, владельца процесса, допустимые действия и критерии готовности. Если этого не сделать, следующие агенты очень эффективно построят не то, что нужно.

Архитектор отделён от строителя намеренно. Его задача — сначала описать схему, зависимости и риски, не меняя рабочую среду. Строитель получает уже утверждённый план. Такое разделение снижает вероятность того, что агент начнёт импровизировать с доступами и интеграциями прямо во время сборки.

QA-агент тоже не должен быть тем же исполнителем в рамках одного рассуждения. Отдельная роль получает критерии приёмки и пытается сломать workflow: передаёт пустые поля, неверный формат даты, дубликат клиента, недоступный API или слишком большой файл. Инженер исправляет конкретные дефекты, а затем запускает повторную проверку.

Сила мультиагентной системы не в количестве агентов. Она появляется, когда между ними есть разделение ответственности, контракт передачи результата и независимая проверка.

Какие задачи отдела маркетинга можно передать системе

Лучше всего подходят процессы с повторяемой структурой, понятными входами и проверяемым результатом. Например, система может собрать данные из рекламных кабинетов, CRM и аналитики, нормализовать показатели, найти аномалии и подготовить управленческий отчёт. Человек проверяет выводы и принимает решение о бюджете.

Другой сценарий — контентный конвейер. Один агент принимает транскрибацию, второй проектирует структуру, третий пишет и верстает материал, четвёртый проверяет факты, ссылки и разметку, пятый исправляет ошибки. Подробный пример такого цикла есть в статье про автономного ИИ-агента для создания SEO-контента.

Также мультиагентная система может собирать Telegram-ботов, маршрутизировать лиды, обновлять поля CRM, готовить персонализированные сообщения, контролировать UTM-разметку и создавать задачи при отклонении KPI. Обзор конкретных зон применения собран в материале «ИИ в маркетинге: задачи для автоматизации».

При этом полезно различать ИИ-ассистента и агента. Ассистент помогает человеку выполнить задачу. Агент получает право самостоятельно выполнить часть процесса. Чем больше автономность, тем важнее журнал действий, ограничения доступа и возможность остановить выполнение.

Почему автоматизация может производить хаос на сверхскорости

Главный риск агентного ИИ — не фантастический бунт машин, а масштабирование обычной управленческой небрежности. Неправильное поле в CRM, устаревшая инструкция или неточный критерий могут быть размножены на тысячи операций раньше, чем команда заметит проблему.

Особенно опасны пять типов ошибок:

• Размытая цель. Агент оптимизирует показатель, который не связан с бизнес-результатом.
• Избыточные доступы. Для чтения отчёта ему выдают право менять или удалять данные.
• Нет проверки входа. Пустое или ошибочное значение запускает неверную ветку.
• Самопроверка без независимого критерия. Агент подтверждает собственный результат тем же способом, которым его создал.
• Нет владельца последствий. Команда видит ошибку, но не понимает, кто должен остановить процесс и восстановить данные.

Поэтому бизнесу нужна не максимальная автономность, а минимально достаточная. Агенту дают ровно те действия, которые нужны для этапа. Необратимые операции требуют подтверждения. Финансовые лимиты задаются отдельно. Все изменения логируются. А при недостатке данных система должна остановиться, а не уверенно додумывать.

Это продолжает общий принцип использования искусственного интеллекта в маркетинге: модель усиливает систему управления, но не компенсирует отсутствие процесса, данных и ответственного владельца.

Как запустить мультиагентный workflow без лишней сложности

Начинать нужно не с выбора модели и не с идеи «давайте сделаем пять агентов». Возьмите один процесс, который команда регулярно выполняет вручную. Опишите его вход, выход, участников, исключения и стоимость ошибки. Иногда после этого выясняется, что достаточно обычной автоматизации без AI.

Если задача требует интерпретации неструктурированного текста, выбора сценария или работы с меняющимся контекстом, агент действительно может быть полезен. Но число ролей зависит от риска. Для простого еженедельного отчёта хватит исполнителя и проверяющего. Пять агентов оправданы, когда система сама проектирует и собирает сложный workflow.

Главный результат такой системы — не красивый интерфейс n8n и не количество запущенных агентов. Результат — устойчивый процесс, который быстрее выполняет работу, оставляет проверяемый след и не требует от руководителя вручную переносить данные между сервисами.

Роль маркетолога при этом не исчезает. Она смещается вверх: от производства отдельных действий к постановке задач, проектированию логики и контролю качества. Конкурентное преимущество получает не компания с самым большим цифровым «штатом», а компания, которая лучше других понимает, какую работу поручить агентам и где их остановить.