Что выбрать: ИИ-агент Claw, Hermes или кастомная разработка под бизнес

Короткий ответ

Готовые ИИ-агенты вроде Claw / OpenClaw или Hermes полезны, если нужно быстро попробовать формат личного или рабочего ассистента: подключить Telegram, дать простые задачи, проверить гипотезу и понять, есть ли польза. Это хороший первый шаг, когда риски небольшие, данные не критичные, а цель - не построить систему, а пощупать подход.

Кастомная разработка нужна в другом случае: когда ИИ должен не просто отвечать в чате, а работать внутри бизнес-процесса. Например, обрабатывать заявки, работать с CRM, анализировать переписки, готовить коммерческие предложения, искать данные в документах, запускать сценарии автоматизации и делать это с понятной логикой, безопасностью и контролем расходов.

Поэтому вопрос не в том, какой агент умнее. Вопрос в том, что именно вы хотите автоматизировать и насколько цена ошибки важна для бизнеса.

Почему вокруг ИИ-агентов столько шума

ИИ-агенты стали следующим этапом после обычных чат-ботов и ChatGPT. Если простой бот в основном отвечает на вопросы, то агент должен уметь делать действия: читать информацию, использовать инструменты, помнить контекст, запускать сценарии, работать с файлами, почтой, календарем, CRM или другими сервисами.

Из-за этого у бизнеса возникает понятное желание: подключить агента, который сам отвечает клиентам, разбирает заявки, пишет тексты, готовит документы и помогает менеджерам. Это возможно, но здесь важно не смешивать три разных уровня: готового ассистента, готовый агентный фреймворк и кастомную ИИ-систему под конкретный процесс.

В рекламе все это часто называют одинаково - ИИ-агент для бизнеса. На практике разница огромная: один вариант дает чат-оболочку, другой - серверный фреймворк, третий - полноценную архитектуру с данными, правилами, интеграциями, логами и ответственностью за результат.

Что дают Claw, OpenClaw и Hermes

Готовые агентные решения вроде Claw / OpenClaw и Hermes обычно закрывают базовую инфраструктуру для личного или рабочего ИИ-ассистента. Агент разворачивается на сервере или локальной машине, к нему подключается Telegram, Discord, Slack, WhatsApp или другой канал, указывается LLM-провайдер, добавляются ключи и настройки, после чего пользователь общается с ним в привычном чате.

Для первого знакомства с ИИ-автоматизацией это удобно. Не нужно с нуля писать интерфейс, систему памяти, обработку сообщений, базовые интеграции и механику вызова инструментов. Можно быстро запустить прототип и проверить, как команда или владелец бизнеса вообще реагирует на такой инструмент.

Но готовый агент - это не волшебный сотрудник. Это оболочка. Его качество зависит от задач, подключенных инструментов, ограничений, доступа к данным, логирования и того, кто отвечает за ошибки. Если этих слоев нет, агент легко превращается в красивый чат, за которым все равно нужно следить вручную.

Когда готового агента достаточно

Готовый ИИ-агент может быть нормальным решением, если задача простая и риск ошибки невысокий. Например, личный ассистент в Telegram, генерация черновиков текстов, пересказ документов, простые ответы по базе знаний, идеи для контента, напоминания или внутренний помощник для одного человека.

В таких сценариях бизнесу не всегда нужна кастомная разработка. Иногда разумнее подключить готовое решение, потратить несколько дней на тест и понять, есть ли вообще польза. Особенно это актуально для малого бизнеса, где нужно быстро попробовать AI без большого бюджета и долгого проекта.

Главное - не подключать такой прототип сразу к критичным данным и действиям. Пока агент помогает писать, искать, пересказывать и предлагать варианты, риски умеренные. Когда он получает доступ к клиентским данным, деньгам, CRM, почте или документам, уровень требований меняется.

Где начинаются ограничения

Проблемы начинаются там, где агент должен работать не как эксперимент, а как часть бизнеса. У готовых решений часто всплывают четыре ограничения: расход токенов, безопасность доступов, слабая привязка к реальному процессу и непредсказуемость логики там, где нужны строгие правила.

Агентные системы могут потреблять много токенов, особенно если используют память, длинный контекст, историю переписок, файлы, инструменты и многошаговые рассуждения. Для теста это почти незаметно, но в регулярной работе стоимость может расти быстрее, чем ожидалось. В кастомной архитектуре контекст можно ограничивать, часть логики выносить в код, дешевые модели отделять от дорогих, ответы кэшировать, а типовые сценарии закрывать шаблонами.

Отдельный риск - безопасность. ИИ-агент часто получает доступ к перепискам, файлам, API-ключам, CRM, почте, таблицам и внутренним документам. Для бизнеса важно заранее понимать, где хранятся данные, кто видит логи, передаются ли запросы внешним LLM-провайдерам, какие права есть у агента, можно ли отключить опасные команды и что произойдет при ошибке.

Почему бизнесу часто нужна не беседа

Готовый агент умеет общаться и иногда выполнять команды, но бизнесу чаще нужен не чат, а конкретный результат. Заявка с сайта должна попасть в CRM, лид должен получить статус, менеджер должен увидеть краткое резюме, клиент должен получить аккуратный ответ, коммерческое предложение должно собраться по шаблону, а руководитель должен видеть отчет.

Это уже не просто ИИ-агент, а автоматизация процесса. Если система не понимает структуру бизнеса, она превращается в еще один канал ручной работы. Человек продолжает переносить данные, проверять ответы, искать ошибки и держать весь процесс в голове.

Хорошая AI-система строится гибридно: модель работает с языком, смыслом и классификацией, а код отвечает за статусы, проверки, расчеты, права, запись в CRM, уведомления, логи и повторяемые действия. Так агент становится частью системы, а не отдельной игрушкой.

Когда нужна кастомная разработка

Кастомная разработка ИИ-агента нужна, когда есть конкретная бизнес-задача: обработка заявок с сайта, ассистент для менеджера по продажам, первичная квалификация лидов, анализ входящих сообщений с Авито, почты или формы, подготовка коммерческих предложений, RAG по внутренним документам, поддержка клиентов или автоматическая разметка обращений.

В этих задачах важен не сам факт наличия агента, а архитектура. Нужно определить, какие данные агент получает, какие действия может выполнять, где нужна модель, где достаточно обычного кода, как контролируется стоимость, как проверяется результат, как задача передается человеку и как система логирует ошибки.

Например, система обработки заявок должна забирать обращения из разных источников, определять тип запроса, выделять имя, телефон, город, продукт, срочность и бюджет, проверять полноту данных, создавать карточку в CRM, уведомлять менеджера, готовить черновик ответа и собирать статистику по качеству лидов. Агент здесь только один компонент, а ценность дает связка данных, логики, интерфейса и контроля.

Пример для B2B-продаж

В B2B часто мало заявок, длинный цикл сделки и сложный продукт. Поэтому бот, который отвечает всем подряд, может навредить: пообещать лишнее, перепутать технические характеристики или не понять, где вопрос нужно передать специалисту.

Нормальная ИИ-система для B2B должна работать осторожнее. Она помогает менеджеру, готовит резюме переписки, собирает данные для КП, подсказывает следующий шаг, фиксирует причины отказа, анализирует повторяющиеся вопросы клиентов и не делает критичные действия без правил и подтверждения.

Здесь кастомная разработка выигрывает у коробочного агента, потому что в нее можно заложить продуктовую экспертизу, ограничения компании, сценарии передачи человеку и понятную аналитику по результату.

Что скрывается за ИИ-агентом под ключ

На рынке под фразой ИИ-агент под ключ могут продавать совершенно разные вещи: установку open-source агента на VPS, Telegram-бота с доступом к модели, сценарий в n8n или Make, RAG по документам или полноценную fullstack-систему с backend, базой данных, интерфейсом, интеграциями, логами и ролями.

Поэтому перед заказом важнее спрашивать не сколько стоит агент, а какую задачу он должен решать. Нужно разобрать данные, действия, точки контроля, хранение истории, стоимость использования, права доступа, поведение при ошибке и возможность масштабировать систему дальше.

Кастомная разработка дороже не потому, что кто-то сложнее подключает нейросеть. В стоимость входят разбор процесса, проектирование логики, backend, база данных, интеграции, промпты и инструкции, ограничения прав, логирование, обработка ошибок, тестирование, документация и поддержка после запуска. Бизнес покупает не доступ к модели, а работающую систему.

Как выбирать подход

Если вы только хотите понять, нужен ли вам ИИ-ассистент, можно начать с готового решения. Это быстрый способ проверить гипотезу. Если вы уже знаете, где в бизнесе теряются время, заявки, деньги или качество обработки, лучше начинать с диагностики процесса.

Практичный путь такой: сначала определить задачу, описать текущий процесс, найти ручные операции, оценить риски, выбрать места, где действительно нужен ИИ, отделить AI-задачи от обычной автоматизации, собрать прототип и проверить его на реальных данных.

Иногда после диагностики оказывается, что ИИ-агент вообще не нужен. Достаточно формы, CRM-сценария, парсера, регулярного отчета или простой интеграции. Это нормальный результат: хорошая автоматизация не обязана быть модной, она должна решать задачу.

FAQ

Что лучше: Claw, Hermes или кастомный ИИ-агент? Если нужен быстрый тест или личный ассистент, можно начать с готового агента вроде Claw / OpenClaw или Hermes. Если нужна интеграция с бизнес-процессом, CRM, сайтом, почтой, документами и контролем безопасности, лучше делать кастомную разработку.

Можно ли сделать ИИ-агента для Telegram? Да, Telegram часто используют как удобный интерфейс для AI-ассистента. Но если агент работает с заявками, клиентскими данными или внутренними документами, нужно заранее продумать безопасность, хранение данных и права доступа.

Что такое RAG для бизнеса? Это подход, при котором ИИ отвечает не только из общей модели, а с опорой на вашу базу знаний: документы, инструкции, регламенты, статьи, коммерческие материалы, FAQ или техническую документацию. Это полезно, когда агент должен отвечать по данным компании, а не придумывать ответы.

Чек-лист

• Для эксперимента и личного ассистента можно начинать с готового агента
• Для CRM, заявок, документов и клиентских данных нужна архитектура безопасности
• Строгую логику, статусы, расчеты и запись данных лучше держать в коде
• Стоимость токенов нужно проектировать заранее, а не узнавать после запуска
• Перед внедрением стоит проверять прототип на реальных данных и ручных сценариях

Связанные материалы

• Автоматизация маркетинга: скрипты и AI - Как понять, какие процессы стоит отдавать коду и модели.
• Fullstack-система для маркетинга - Почему рабочий продукт - это фронт, бэк, данные и автоматизация.
• Маркетинг-дашборд - Как контролировать результат автоматизации через Метрику, CRM и логи.

Можно начать не с агента, а с процесса

Если у вас есть задача для ИИ-автоматизации, я могу разобрать процесс, отделить то, что должен делать код, от того, где реально нужна модель, и собрать прототип или fullstack-систему под бизнес-логику.