AI-агенты для бизнеса: чем они заняты по данным Anthropic

8,7%. Столько сессий из 1,2 миллиона приходится на написание кода — если верить первому большому разбору того, чем люди реально занимают AI-агента. Три года рынок обсуждал, как нейросети заменят программистов, и почти не замечал, что AI-агенты для бизнеса пришли совсем в другое место: в отчётность, сверку таблиц и подготовку к совещаниям.

7 июля 2026 года Anthropic опубликовала статистику использования своего агента Claude Cowork. При этом крупнейшая категория — бизнес-процессы и операции, 33,4%. Таким образом, вместе с созданием контента получается почти половина всех обращений. Кроме того, сама компания называет это «the work around the work» — работой вокруг работы.

Итак, разберём полную таблицу категорий (большинство разборов обрезает её на третьей строке), посмотрим на неё глазами руководителя отдела продаж, дадим способ найти свою первую задачу под автоматизацию — и честно скажем, чего эти цифры не доказывают. В частности, ответим на главный вопрос: где AI-агенты для бизнеса действительно экономят время, а где остаются дорогой игрушкой.

Сразу о природе данных: это собственная телеметрия Anthropic по своему продукту, а не независимое исследование рынка. Поэтому корректно говорить «так делают пользователи Claude Cowork», а не «так делает весь бизнес». Наконец, ниже мы отдельно разберём, где у этой выборки границы.

Два события за одну неделю: что произошло

Первое событие — 7 июля 2026 года. Anthropic выложила в блоге разбор использования Claude Cowork. По собственным данным компании, проанализированы 1,2 млн анонимизированных и агрегированных сессий более чем из 600 000 организаций за период с 11 по 31 мая 2026 года. В тот же день Cowork вышел в веб, на iOS и Android в статусе беты — раскатка идёт несколько недель, начиная с плана Max. Причём сессии выполняются на серверах Anthropic и продолжаются, даже когда устройство закрыто.

Второе событие — 9 июля 2026 года. OpenAI представила ChatGPT Work: как сообщают Bloomberg и Forbes, это агент на базе GPT-5.6 (модель вышла в трёх вариантах — Sol, Terra и Luna). При этом он работает в фоне минуты и часы, собирает контекст из подключённых приложений и файлов и отдаёт не переписку, а готовые таблицы, слайды, документы и веб-приложения. Раскатка началась с планов Pro, Enterprise и Edu, затем добрались Plus и Business.

Однако самое интересное — не каждое событие по отдельности, а то, что они произошли с разницей в два дня. Таким образом, два крупнейших AI-вендора независимо друг от друга сделали ставку на одно и то же: не на разработку, а на офисную рутину. То есть один показал данные о том, куда уходит спрос, второй через 48 часов выпустил продукт ровно под этот спрос. Тем самым за одну неделю AI-агенты для бизнеса из побочной ветки превратились в основную продуктовую линию обеих компаний.

Чем агент отличается от чат-бота. Например, чат-бот отдаёт диалог: вы спросили — он ответил в переписке. Агент, напротив, получает цель, сам разбивает её на шаги, работает в фоне и отдаёт артефакт — файл, таблицу, отчёт, презентацию. Причём без этой развилки новость не читается: рынок перешёл от «поговорить с ИИ» к «получить от ИИ готовый результат».

Что показали данные: чем заняты AI-агенты для бизнеса

Ниже — полная разбивка по одиннадцати категориям. При этом третья колонка — наша, это перевод сухих формулировок отчёта на язык отдела продаж.

Кроме того, главный вывод считается арифметикой, а не цитатой. На software development приходится 8,7% сессий — значит, более девяти из десяти обращений к агенту не про код. К тому же такой же вывод из этих данных делают The Decoder и VentureBeat. Сама Anthropic формулировки про «90%» не давала — это интерпретация, и её честнее держать как расчёт.

Почему лидируют именно бизнес-процессы, объясняет VentureBeat: такие задачи есть в любой роли. Например, код пишет только разработчик, а собирать отчёт, сверять таблицу и готовить регламент приходится и маркетологу, и бухгалтеру, и руководителю отдела продаж. Другими словами, AI-агенты для бизнеса собрали спрос не там, где задача сложнее, а там, где она встречается чаще.

Между тем остальные категории — каждая меньше 4% от выборки, но именно в этом «хвосте» живёт всё интересное для отдела продаж. К нему вернёмся через раздел.

«Работа вокруг работы» — главный вывод отчёта

«Roughly half of all usage comprises «the work around the work» — tasks that are part of a broad swath of jobs, but are rarely a person’s core responsibility».

Перевод: примерно половина всего использования — это «работа вокруг работы»: задачи, которые встречаются во множестве должностей, но почти ни для кого не являются основной обязанностью. — Anthropic, блог Claude, 7 июля 2026

Арифметика сходится: 33,4% плюс 16,4% дают 49,8%. При этом Anthropic описывает такие задачи словом «connective» — связующие. То есть они соединяют между собой основную работу разных людей и разных систем: превращают разговор в запись в CRM, набор выгрузок — в один отчёт, устные договорённости — в понятный документ.

При этом у связующих задач есть общее свойство: их никто не считает своей работой. Более того, они не записаны в должностной инструкции, не входят в KPI, их не измеряют и по ним не отчитываются. В итоге формально их нет — а по факту они забирают часы каждую неделю.

Именно поэтому их годами не автоматизировали. Как правило, автоматизацию направляют туда, где есть владелец процесса, бюджет и метрика. Однако у «работы вокруг работы» нет ни владельца, ни метрики — она равномерно размазана по всем сотрудникам понемногу. Именно поэтому AI-агенты для бизнеса оказались первым классом инструментов, которому не нужен формализованный процесс: агенту достаточно объяснить задачу словами.

У каждой роли своя работа вокруг работы. Далее посмотрим, как она выглядит в отделе продаж.

Как «работа вокруг работы» выглядит в отделе продаж

Вернёмся к двум строкам таблицы, которые обычно не доживают до публикаций: sales and revenue operations — 4% и meeting intelligence — 1,8%. Цифры небольшие, однако это доли внутри универсального агента, который вообще-то умеет всё. То есть даже у инструмента широкого профиля заметная часть нагрузки — операционка вокруг продаж и разбор разговоров. То есть запрос «разбери мне диалог и вытащи суть» существует и измерим.

Теперь совместим это с цифрой с другой стороны. Исследование Salesforce «State of Sales» (5-е издание, опрошено более 7700 специалистов по продажам) показывает: на собственно продажи у менеджера уходит лишь 28% рабочей недели. Всё остальное, как правило, — административка, поиск информации, заполнение систем. Таким образом, один и тот же провал виден с двух сторон: продавцы говорят, что тонут в не-продажах, а пользователи агентов несут туда треть всех задач.

У руководителя отдела список связующих задач, на которые чаще всего и ставят AI-агенты для бизнеса, выглядит примерно так:

• собрать еженедельный отчёт по менеджерам из CRM, телефонии и таблицы (business process and operations);
• прослушать выборку звонков перед планёркой, чтобы понять, почему просела конверсия (meeting intelligence);
• перенести итоги разговора в карточку сделки (document processing);
• разобрать проигранную сделку и восстановить хронологию касаний (research and intelligence);
• переписать в понятный вид то, что наговорили на планёрке (content creation).

Между тем ни одну из этих задач не назовёшь управлением продажами. Напротив, это обслуживание процесса управления: подготовка данных, на основе которых руководитель потом будет принимать решения. И вот на это обслуживание уходит половина недели, а на само решение — полчаса в понедельник. Именно сюда AI-агенты для бизнеса заходят проще всего: здесь нет ни регламента, ни владельца процесса, зато есть регулярные часы, которые никто не считает.

Проверка на себе: посмотрите в свой календарь за прошлую неделю и отметьте, сколько времени ушло на подготовку к решениям, а сколько — на сами решения. Обычно соотношение неприятно удивляет.

Как найти свою «работу вокруг работы»: аудит из трёх вопросов

Пилоты с ИИ чаще всего проваливаются не из-за модели, а из-за выбора задачи. Как правило, компания берёт самое эффектное — «сделаем AI-ассистента для клиентов» — вместо самого дорогого по времени. При этом эффектная задача сложна, требует интеграций и месяцев доработки, а сэкономленных часов не приносит.

Типичная ошибка: начинать «внедрение ИИ» вместо автоматизации одной конкретной задачи. Кроме того, у проекта без измерителя нет способа доказать пользу — и через три месяца его тихо закрывают.

Итак, выпишите пять своих регулярных задач и прогоните каждую через три вопроса — так вы поймёте, где AI-агенты для бизнеса дадут эффект быстрее всего. В итоге кандидат на автоматизацию — тот, у кого три «да».

1. Повторяется регулярно? Каждый день или каждую неделю, а не раз в квартал.
2. Требует сбора данных из разных мест? CRM плюс телефония плюс таблица плюс почта.
3. Не требует принятия решения? Нужно собрать, сверить и структурировать — но не выбрать.

Прогон живой задачи. «Прослушать 15 звонков перед планёркой»: повторяется каждую неделю — да; требует данных из телефонии и CRM — да; решение принимается уже после, по результатам разбора — да. Итак, три из трёх — задача проходит.

Контрпример. «Решить, кого из менеджеров перевести на другую воронку»: не повторяется, требует именно решения и ответственности за него. Следовательно, аудит не проходит — это остаётся человеку.

В целом упражнение занимает минут двадцать. У большинства руководителей отделов продаж все три ответа сходятся на одной и той же задаче — регулярном разборе звонков менеджеров.

Но прежде чем отдавать задачу агенту, стоит понять, какому именно. Ведь универсальный инструмент подходит не для всего.

Где универсальный агент не справится

AI-агенты для бизнеса различаются не качеством модели, а характером задачи, под которую их ставят. Горизонтальный, то есть универсальный агент отлично закрывает разовую просьбу: «разбери вот эти пять звонков и собери из них сводку». В этом случае данные под рукой, результат нужен один раз, формат можно уточнить в процессе.

С другой стороны, есть класс задач с потоком и единым стандартом оценки. Когда в день приходит 50–100 разговоров, а по каждому менеджеру нужны сравнимые цифры за месяц, задача меняется: нужен не гибкий помощник, а одинаковая проверка. Этим и заняты вертикальные, специализированные инструменты анализа звонков с помощью ИИ: например, Rechka расшифровывает звонок за 5–7 минут, разделяет реплики менеджера и клиента и проверяет каждый разговор по настраиваемому чек-листу — поздоровался, выявил потребность, назвал цену, отработал возражение, договорился о следующем шаге. В итоге результат подтягивается в карточку сделки в AmoCRM или Bitrix24, а руководитель получает сводку по каждому менеджеру вместо выборочного прослушивания.

Это принципиально, так как выборочный ручной разбор даёт несравнимые результаты. Например, три звонка, разобранные в понедельник, и три звонка в четверг — это не метрика, а впечатление, зависящее от настроения и от того, какие записи попались. Метрика появляется только тогда, когда все разговоры проверены по одинаковым параметрам, а результаты можно сравнить между людьми и между месяцами.

Кроме того, второе ограничение касается любых агентных инструментов: без доступа к данным агент бесполезен. Он не залезет сам в вашу телефонию и не выгрузит воронку из CRM, если его туда не пустили. Связка «источник данных → анализ → отчёт» на практике важнее выбора модели — и именно на ней AI-агенты для бизнеса чаще всего спотыкаются при внедрении.

Мнение эксперта

Мы спросили, как это выглядит со стороны инструментов, которые работают именно с потоком разговоров.

Rechka.ai

Искусственный интеллект для анализа звонков

Задать вопрос

Данные Anthropic хорошо описывают то, что мы видим у клиентов каждый день. Руководитель редко приходит с запросом «внедрите нам ИИ» — он приходит с задачей «я трачу пять часов в неделю на прослушивание и всё равно не понимаю, что происходит в отделе». Это и есть работа вокруг работы: она не входит в KPI, её никто не измеряет, но она съедает половину управленческого времени. Разница между универсальным агентом и специализированным инструментом здесь не в качестве модели, а в постоянстве. Разово разобрать пять звонков сегодня может почти любой современный агент. Проверить 2000 звонков за месяц по одному и тому же чек-листу, чтобы цифры по менеджерам были сравнимы между собой и с прошлым кварталом, — задача другого класса. Как только вы начинаете сравнивать людей и периоды, нужен фиксированный стандарт оценки, а не гибкая импровизация. Практический совет тот же, что и в статье: не автоматизируйте всё сразу. Возьмите одну задачу, у которой понятен измеритель — например, сколько времени уходит на разбор звонков в неделю. Если через месяц эта цифра не упала, инструмент не тот или задача выбрана неверно.

Трезвая рамка: чего эти данные не доказывают

Первое ограничение — природа выборки. Прежде всего, это телеметрия вендора по собственному продукту, а не срез рынка. Выборку сформировали люди, которые уже купили подписку и уже пользуются агентом; у тех, кто ещё не начал, структура задач может быть совсем другой. Это картина того, как используют AI-агенты для бизнеса подписчики одного продукта, а не рынок целиком.

Второе — корреляция не равна результату. Из того, что треть сессий приходится на бизнес-процессы, не следует, что операционка уже автоматизирована. Следует только то, что именно туда пользователи несут агентов. При этом сколько из этих сессий закончились полезным артефактом, данные не говорят.

Третье — классификация неполна, на что указывает и The Decoder: часть сценариев не ложится в предложенные одиннадцать категорий и распределяется по ним условно.

Наконец, контр-цифра, без которой картина будет слишком радужной: AI-агенты для бизнеса внедряют далеко не так гладко, как показывает статистика спроса. По прогнозу Gartner, более 40% проектов с агентным ИИ будут свёрнуты к концу 2027 года — из-за растущих издержек, неясной бизнес-ценности и слабого контроля рисков. Более того, там же аналитики вводят термин «agent washing»: из тысяч вендоров, заявляющих агентные возможности, настоящими Gartner считает около 130.

Итог раздела простой: спрос на AI-агенты для бизнеса подтверждён данными, но превращение этого спроса в работающие внедрения пока идёт плохо. Отсюда и правило — начинать с одной задачи с измеримым эффектом, а не с абстрактного «внедрения ИИ».

Частые вопросы

Что с этим делать: выводы

Первое. AI-агенты для бизнеса пришли не за разработкой, а за операционкой: 8,7% сессий против почти половины на «работу вокруг работы». При этом за одну неделю июля это подтвердили оба крупнейших вендора — один цифрами, другой продуктом.

Второе. Таким образом, автоматизировать нужно не самое эффектное, а самое частое и самое связующее: то, что повторяется, требует сбора данных из разных мест и не требует решения. Поэтому три вопроса из аудита отвечают на это за двадцать минут.

Третье. При этом агенты не забирают решения и ответственность — они забирают подготовку к решению. То есть кого учить, кого повышать, какую воронку перестраивать, по-прежнему решает руководитель. Но приходит он к этому решению не после пяти часов прослушивания, а с готовой сводкой на руках. То есть вся экономия сейчас именно здесь.

Поэтому правильная формулировка задачи на ближайший месяц звучит не как «внедрить ИИ», а как «выбрать одну задачу и измерить эффект». В итоге AI-агенты для бизнеса окупаются там, где у задачи есть измеритель. Если у вас это разбор звонков — начать можно сегодня, на записях прошлой недели.