Возьмём задачу типичного лизингового брокера: подготовить клиенту КП. Нужно собрать графики платежей от нескольких лизинговых компаний, посчитать удорожание и переплату, сравнить условия, выбрать лучшие варианты и упаковать всё в коммерческое предложение для клиента.
Если вы просто пользуетесь ChatGPT, то каждый шаг нужно выполнять в отдельном чате. Это уже быстрее, чем руками, но всё ещё требует постоянного вовлечения: нужно переносить данные, копировать промпты, по несколько раз отвечать на уточняющие вопросы, давать правки по каждому шагу.
Альтернативно можно автоматизировать этот процесс с помощью Claude Code или Codex. Пожалуй, это самый надёжный и масштабируемый вариант, однако порог входа в эти инструменты значительно выше. Нужно время, чтобы их освоить и настроить под себя: в сети уже миллион платных и бесплатных материалов о том, как это сделать, и сам их объём говорит, что людям сложно с этим разобраться самостоятельно.
Большинству же пользователей всё ещё привычнее общаться в стандартных интерфейсах ChatGPT, Claude и Gemini.
Хорошая новость: команду ИИ-агентов, которые могут решать комплексные бизнес-задачи, можно развернуть и так. Главное — грамотно прописать набор инструкций для каждого агента и сценарии работы.
В статье расскажу, как устроены мультигантные системы (MAS), почему для них не нужны Claude Code и Codex, и какие результаты они уже принесли бизнесу.
Общие принципы мультиагентной системы
MAS (Multi-Agent System, мультиагентная система) — это ИИ-среда, в которой над задачей работают несколько специализированных агентов. Проще всего представить её как команду. Вот из чего она собрана.
Во главе стоит агент-оркестратор, аналог руководителя проекта. Он общается с пользователем: принимает задачу, задаёт уточняющие вопросы, разбивает работу на этапы и решает, каких агентов подключить. Сам он ничего не считает и не анализирует: его работа в том, чтобы процесс шёл в правильном порядке и результат сходился в единое целое.
Дальше идут агенты-специалисты. Каждый отвечает за конкретную экспертизу: финансы, юриспруденцию, продукт и другие. Они выполняют свои участки работы последовательно, передавая результаты друг другу: исследователь собирает фактуру, аналитик её обсчитывает, стратег строит сценарии.
За ними стоит контрольный слой так называемых мета-агентов. Их задача — валидировать результат, делать факт-чек, контролировать качество, синтезировать результаты работы нескольких агентов-специалистов. Это позволяет системе регулировать саму себя и снижать количество ошибок. Между этапами система делает столько итераций, сколько нужно, и не дёргает человека на каждом шаге.
Замыкает конструкцию база знаний. В систему нужно заранее заложить рабочие методологии, которыми она будет руководствоваться: условно, SWOT-анализ или JTBD (Jobs to be Done). Также нужны шаблоны итоговых документов и контекст конкретной компании: продукты, цифры, ограничения, цели. Система должна работать в контексте конкретного бизнеса.
Как MAS устроена внутри
По сути MAS — это набор связанных текстовых инструкций, где каждый слой отвечает за свою функцию. Типовая структура файлов выглядит так.
• system хранит системные инструкции: кто такой агент, что он делает, какие у него ограничения, как он взаимодействует с другими и когда передаёт работу дальше
• Профили агентов описывают роли по единому шаблону: миссия, методологии, какие данные агент принимает на вход, по какому алгоритму работает и какой артефакт отдаёт. В библиотеке может быть от 10 до 100 агентов, под задачу оркестратор подбирает минимально достаточный набор
• В skills лежат методологии, фреймворки и чек-листы: анализ рынка, построение воронки, расчёт unit-экономики, подготовка требований
• templates задают каркасы выходных документов, чтобы результат всегда собирался в понятной структуре: executive summary, выводы, данные, риски, рекомендации, следующие шаги
• scripts запускают типовые задачи: регулярную работу не приходится каждый раз описывать заново
• В references собраны эталоны, стандарты, проверенные источники и формулировки.
• matrix knowledge служит навигационной картой базы: по ней оркестратор быстро находит нужные правила, шаблоны и методологии.
Отдельно хранится контекст: бизнес-контекст компании (продукты, цифры, ограничения, цели) и персональный контекст пользователя (роль, KPI, предпочтительный формат результата).
Где такую систему можно развернуть
Система живёт в файлах и инструкциях, поэтому переносима между инструментами.
Если вы пользуетесь агентскими инструментами вроде Claude Code или Codex, MAS разворачивается там и получает их возможности.
Но та же архитектура работает и в обычном чате ChatGPT на подписке Plus за $20 в месяц: файлы системы загружаются в проект или кастомный GPTs, и оркестратор ведёт процесс прямо в диалоге. Никакого терминала, кода и серверов.
Для совсем простых типовых задач (документы по готовым шаблонам, без глубоких рассуждений) архитектура ложится даже на бесплатные Qwen и DeepSeek. Но для более сложных задач лучше не экономить и использовать актуальные платные модели от Google, Anthropic и OpenAI.
Как это выглядит в работе: кейс call-центра
Теперь пример (компанию не могу назвать по условиям договора).
Аутсорсинговый call-центр: 200+ операторов, 18 корпоративных клиентов из e-commerce, финтеха и сервисов. Выручка росла, но прибыль стояла на месте.
Контракты были заключены по разным моделям: за минуту, за контакт, по SLA (гарантированному договором уровню сервиса). Реальная нагрузка операторов не совпадала с плановой, часть клиентов была убыточной, но выяснилось это постфактум. Руководство видело симптом «работаем много — зарабатываем мало», но не понимало, почему так происходит.
Задача из тех, с которыми обычный промпт не справится: нужно одновременно посчитать экономику, разобрать операционные данные, сравнить сценарии и оценить риски.
Мы разработали систему ИИ-агентов для решения стратегических задач. Вот, в общих чертах, как распределилась работа:
• агент-финансист пересчитал экономику каждого клиента и контракта: сколько он реально приносит и во сколько обходится компании
• агент-операционщик разобрал загрузку операторов: пики, переработки, простои
• агент-стратег сравнил модели контрактов и построил сценарии
• агент-рисковик оценил риски по SLA, штрафам и выгоранию персонала.
На выходе система выдала три просчитанных сценария: оставить портфель как есть, пересобрать SLA и тарифы или отказаться от части клиентов в пользу прибыльных сегментов. Руководство выбрало второй вариант плюс точечный отказ от трёх контрактов.
Результаты за 4 месяца: маржа по портфелю контрактов выросла на 9,6 процентного пункта, число убыточных контрактов сократилось с 6 до 1, переработки операторов снизились на 22%. В годовом пересчёте это +11,3 млн ₽ прибыли (EBITDA).
Финальное решение принимало руководство: MAS лишь подготовила расчёты и сценарии, на которые у профессиональных консультантов ушли бы недели (за очень большие деньги). Так это и задумано.
Второй кейс: производитель холодильного оборудования выходит на новый рынок
Производитель промышленных холодильных камер и витрин, завод на 250+ сотрудников.
Компания исторически росла на небольших оптовиках и разовых проектах, а хотела зайти к сетям супермаркетов и в HoReCa (отели, рестораны, кафе). Но не было ни чёткого позиционирования под эти сегменты, ни понимания, чего сети и ресторанные группы требуют от поставщика: продажи строились от текущих клиентов.
Мы адаптировали MAS стратегических консультантов под компанию: система проанализировала требования федеральных и региональных сетей, тендерную практику и стандарты сервиса в HoReCa. Затем сформировала три сценария позиционирования: «надёжность и сервис», «энергоэффективность и совокупная стоимость владения», «кастомные решения под формат». По каждому посчитала экономику, риски и требования к производству и предложила план выхода: с чем и в каком порядке заходить к сетям.
Руководство выбрало модель «стоимость владения + сервисные контракты» и переупаковало под неё коммерческие предложения и презентации.
Результаты за 4 месяца: число новых крупных клиентов выросло с 1 до 5 в квартал, средний чек вырос на 42%, доля новых сегментов в выручке выросла с 9% до 26%. Дополнительная выручка составила 27,4 млн ₽. ROI от внедрения оценили примерно в 610%: дополнительную прибыль сравнили с затратами на настройку и поддержку системы.
Оговорка: такие результаты не появляются моментально по нажатию кнопки. Систему настраивают под процессы, данные и ограничения конкретной компании: на это нужно время и несколько итераций обкатки.
Выводы агентов проверяют люди: в обоих кейсах финальный сценарий выбирало руководство, оно же отвечало за последствия. MAS просто взяла на себя недели черновой аналитики.
Когда можно оправдано внедрять MAS
Вот несколько простых критериев:
• задача повторяется регулярно: еженедельная аналитика, типовые КП, регламентные документы
• цена ошибки высокая: стратегия, финмодель, юридический документ
• нужны несколько экспертиз одновременно
• важен единый стандарт качества на всю команду.
Также её актуально применять для сложных разовых стратегических задач. Тут мне помогает опыт управления стратегическими отделами в компаниях ТОП-500 РФ: я понимаю, как такие задачи решают живые команды консультантов, какие вводные им нужны и по каким критериям принимают их работу — и закладываю это в систему.
С чего начать
Не пытайтесь оцифровать весь бизнес сразу. Лучше тестировать внедрение на одной конкретной задаче.
• Выберите одну болезненную задачу: повторяемую, дорогую по времени специалистов, с понятным результатом
• Зафиксируйте, какой именно документ нужен в финале и по какому стандарту качества вы его примете
• Соберите под эту задачу минимальный контекст и методологию: как её сейчас решают люди, по каким шаблонам, с какими данными
• Запустите пилот на одной-двух функциях и замерьте экономию времени и качество результата
• Если формула окупаемости сошлась, масштабируйте на смежные задачи и роли.
Подытожим
• MAS — цифровая команда: оркестратор, агенты-специалисты и база знаний, которые закрывают рабочий процесс целиком и выдают готовый документ.
• Вся система состоит из связанных файлов: system.md, профили агентов, методологии, шаблоны, сценарии. Никакого кода.
• Работает где угодно: в Claude Code и Codex, в ChatGPT Plus за $20, а на простых задачах даже на бесплатных Qwen или DeepSeek.
• Внедрять MAS имеет смысл на повторяемых, дорогих и сложных задачах.
• Начинать стоит с одной задачи и пилота с замером экономии и результатов, а не с «оцифровки всего бизнеса».
Для сборки MAS не нужны разработчики, достаточно грамотного промпт-инженера: описываете роли агентов, собираете контекст компании и шаблоны, обкатываете систему на тестовых задачах.