Классификация ИИ-решений: от чат-бота до harness. Что выбирать в B2B.

Для кого эта статья

COO, операционные директора, руководители ИТ и цифровой трансформации в B2B (РФ, компании от ~100 сотрудников, в первую очередь торговля и IT).

Если на совещании звучат чат-бот, агент и RAG вперемешку - вы не обязаны разбираться в каждом фреймворке. Достаточно понимать класс системы, что она умеет, из чего состоит и какую задачу закрывает. Тогда проще выбрать пилот, задать вопросы интегратору и не платить за уровень сложности, который вам пока не нужен.

Зачем операционке вообще различать типы систем

ИТ часто смотрит на модель и API. Операционке важнее другое, предсказуемость. Например детерминированный FAQ на документах ведёт себя иначе, чем агент, который сам перепланирует задачу. Ответственность, кто отвечает, если система ушла во внешний API или отправила письмо от имени компании. Стоимость владения harness и агенты требуют обвязки, логов, лимитов. Чат с LLM в основном лицензии и политики данных, срок пилота RAG на Confluence за неделю и агент с доступом к прод-среде - это разные вселенные по согласованиям.

Шесть типов ИИ-решений

Это Веб или мобильный интерфейс с языковыми моделями. Пользователь пишет, а модель отвечает. История сессии даёт краткосрочную память, системный промпт задаёт тон и роль ассистента.

Из чего состоит: LLM + инструкция + контекст диалога. Инструментов нет или они спрятаны внутри продукта.

Какие задачи закрывает: черновики текстов, объяснения, мозговой штурм, обучение сотрудников, быстрые ответы без привязки к корпоративным данным.

Примеры: ChatGPT, Claude, GigaChat, Алиса в браузере, локальный Open WebUI, LibreChat.

Ограничение для бизнеса: без подключения к вашим системам и документам это не корпоративная память компании и не автоматизация процесса end-to-end.

По сути тот же чат с LLM, но оркестратор по запросу вызывает инструменты, например погода, калькулятор, поиск, отправка письма и подставляет результат в контекст модели.

Решение, какой инструмент дернуть, часто одношаговое, без явного многошагового плана и переоценки плана по ходу работы.

Отличие от агента: мало рефлексии и пересборки плана. Система не спрашивает себя час спустя, цель достигнута или нужен другой путь.

Система исследует открытый мир, например веб, индекс, API новостей в несколько шагов: уточнить запрос, составить план подзапросов, в цикле искать и читать источники, собрать отчёт и проверить полноту.

Задачи: рыночная аналитика, обзор регуляторики, конкуренты, due diligence по открытым источникам.

Для B2B: полезно на этапе разведки, слабее как замена внутреннего RAG по закрытым данным без отдельной настройки границ доступа.

Ответы опираются на базу знаний, векторное хранилище, Confluence, PDF, тикеты. Ретривер вытаскивает релевантные фрагменты, LLM синтезирует ответ с опорой на контекст.

Задачи: FAQ, онбордининг, поиск по внутренней документации, поддержка первой линии по регламентам.

Почему не путать с агентом, даже продвинутый RAG обычно детерминированнее, один-два прохода retrieve + generate.

Риски: качество ответа = качество индекса и прав доступа. Устаревшие регламенты дают уверенные, но неверные ответы.

Недетерминированная система сама ставит подзадачи, вызывает тулы, оценивает результат. В инструкции зашиты планирование, циклы plan-act-observe и критерии успеха.

Задачи: многошаговая работа с неполной постановкой: разработка, анализ пакета файлов, сценарии, где путь к результату заранее не расписан.

Для B2B: высокий потенциал и высокий операционный риск, нужны владелец процесса, политика данных и обвязка.

Не ещё более умная модель, а инфраструктура вокруг агента: песочница, лимиты, ретраи, очередь задач, логи, верификация артефактов, долгосрочная память, MCP/skills, human-in-the-loop.

Задачи: промышленная эксплуатация, когда агентов не один, а поток задач, и нужны аудит, откат и согласование человеком.

Про harness engineering: в 2025-2026 вендоры всё чаще отделяют инженерию обвязки от выбора модели. Цифры из чужих кейсов в ваш пилот не переносим, смотрим на свой контур.

Сводная таблица: шесть типов ИИ-систем

Сравнение по памяти, инструментам, типичной логике и сложности внедрения - наглядно на схеме ниже.

Увеличить

Иерархия сложности (рабочая, не догма)

Упрощённо, снизу вверх по возможностям и требованиям к зрелости процессов: Harness > Агент > RAG | Deep Research > LLM с тулами > Чат с LLM.

Вертикально каждый уровень обычно включает элементы нижних. Горизонтально RAG и Deep Research не строго сравнимы, одно про ваши документы, другое про открытый мир.

Границы размыты. ChatGPT сегодня умеет и поиск, и файлы, и режим исследования в переговорах с подрядчиком спрашивайте не бренд, а какой уровень из таблицы вы покупаете и что входит в SLA.

Что спросить на закупке или пилоте

• •Какой тип из шести вы внедряете и можно ли отключить лишние уровни на старте?
• •Где хранятся данные и какие API уходят наружу?
• •Кто владелец эффекта в операции, не только в ИТ?
• •Как измерим успех пилота - один показатель, не десять демо-метрик?
• •Что после пилота - поддержка, интеграции, human-in-the-loop?

Частые ошибки (без стыда, по делу)

• •Назвать чат агентом и ждать автоматизации процесса закупки.
• •Взять RAG без актуализации базы знаний, получите уверенные галлюцинации в корпоративном тоне.
• •Запустить агента без лимитов и логов, получите сюрприз в проде.
• •Смешать Deep Research и внутренний комплаенс, открытый веб не заменяет согласованный контур данных.