Новость, которая на первый взгляд выглядит «про большие корпорации», на деле важна и для обычного бизнеса. L’Oréal, Mars и Nestlé начинают внедрять ИИ-агентов для рутинной работы, а Mars уже дошёл до масштаба примерно 4 тыс. таких помощников в маркетинге и продажах.
Смысл не в громких брендах, а в самом сдвиге: нейросети переходят из режима эксперимента в режим повседневной работы. Для владельца бизнеса это сигнал посмотреть не на модный хайп, а на повторяющиеся задачи, которые можно разгрузить уже сейчас.
Что произошло и почему это важно
Речь идёт об agentic AI — подходе, где цифровой помощник получает роль и делает кусок работы по сценарию. В новости важнее всего то, что бренды переходят от экспериментов к практике и начинают с понятных, повторяющихся задач.
Самый показательный пример — Mars. По данным из новости, сотрудники компании создали около 4 тыс. ИИ-агентов, связанных с маркетингом и продажами. Это уже не единичный пилот, а признак того, что инструментом начинают пользоваться на уровне процессов.
| Компания | Что известно из новости | Что это показывает рынку |
|---|---|---|
| L’Oréal | Начинает внедрение ИИ-агентов для рутинной работы | Технология выходит из стадии эксперимента |
| Mars | Около 4 тыс. ИИ-агентов, связанных с маркетингом и продажами | Автоматизация уже идёт на уровне коммерческих функций |
| Nestlé | Начинает практическое использование agentic AI | Крупные бренды массово переходят к прикладным сценариям |
Для малого и среднего бизнеса вывод здесь простой: когда большие компании начинают массово автоматизировать рутину, это обычно означает, что технология стала достаточно понятной для прикладного использования. Не в масштабе «тысячи агентов», а в логике внедрения: брать не весь бизнес целиком, а конкретные участки, где много повторов.
Почему начали именно с рутины
Потому что рутина лучше всего подходит для автоматизации: у неё есть повторяемость, типовые вопросы и понятный результат. Там, где сотрудник по десятку раз в день делает одно и то же, агент приносит пользу быстрее всего.
Рутинные задачи не требуют от системы «гениальности». Ей нужна дисциплина: быстро ответить, правильно классифицировать обращение, найти нужный шаблон, собрать базовую информацию и передать диалог человеку, если ситуация вышла за рамки.
- разбор типовых обращений клиентов;
- первичный ответ в мессенджерах и на площадках объявлений;
- подготовка черновиков описаний, объявлений и рекламных текстов;
- сбор входящих лидов и передача их по правилам менеджеру;
- поиск информации внутри базы знаний, скриптов и внутренних инструкций.
Главный сигнал новости не в том, что у корпораций больше денег. Главное — они поручают нейросетям не «всё подряд», а повторяющуюся работу, где скорость и стабильность важнее красивой презентации.
Это важная мысль для SMB. Пока цена ошибки контролируема, а сценарий легко описать, внедрение обычно идёт спокойнее и понятнее, чем попытка сразу автоматизировать весь отдел продаж или поддержки.
Где это применимо в малом и среднем бизнесе
Если перевести кейс больших брендов на язык малого бизнеса, всё становится очень земным. Чаще всего первые точки применения — это коммуникации, где команда теряет время на одинаковых вопросах и первичную обработку входящих.
На практике полезнее всего смотреть на такие сценарии:
- Первая линия в продажах. Агент встречает входящее сообщение, задаёт базовые уточнения, отправляет нужную информацию и передаёт заинтересованный диалог менеджеру.
- Поддержка клиентов. Ответы на типовые вопросы по срокам, доставке, оплате, наличию, условиям и другим повторяющимся темам.
- Маркетинговая рутина. Черновики объявлений, описаний товаров, вариантов офферов и текстов под разные площадки.
- Внутренние операции. Краткие сводки по диалогам, разметка лидов, сортировка обращений и поиск нужной информации по базе знаний.
Особенно заметен эффект там, где заявки идут сразу из нескольких каналов: сайт, мессенджеры, соцсети, классифайды. В такой ситуации полезен не «ещё один кабинет», а единая логика обработки входящих, чтобы люди подключались только там, где действительно нужен их опыт.
Как зайти в тему без большого ИТ-проекта
Типичная ошибка — пытаться построить сразу «умного помощника на все случаи жизни». Намного практичнее выбрать один узкий процесс, описать его шаги, ограничить рамки и только после этого расширять сценарий.
Здесь важен не только сам агент, но и его доступ к контексту. MCP помогает связывать модели с данными и сервисами, чтобы помощник работал не в вакууме, а в реальном процессе: знал актуальную информацию, следовал правилам и выполнял понятную роль.
Для российского бизнеса это особенно актуально, потому что далеко не у всех есть своя команда разработки. Поэтому спрос растёт на решения без программиста и с оплатой в рублях. Например, BotB2B (botb2b.ru) — российская платформа, где ИИ-сотрудники для первой линии в Авито, Telegram, MAX и виджете на сайте, а также нейросети и MCP-серверы доступны без сложной разработки и с оплатой в рублях.
- выберите один поток обращений, а не весь бизнес сразу;
- соберите 20–30 типовых вопросов и ответов;
- заранее пропишите, когда диалог обязательно переводится человеку;
- смотрите не на «вау-эффект», а на скорость обработки и нагрузку команды.
Что это значит для вашего бизнеса
Эта новость важна не потому, что у Mars тысячи агентов, а потому что логика внедрения одинаковая для всех. Не нужно повторять масштаб корпорации — нужно найти участок, где много повторов, понятные правила и достаточно входящего потока.
- Начинать с одного сценария. Например, с первой линии продаж или типовой поддержки.
- Считать эффект по процессу. Смотрите, сколько времени уходит на одинаковые действия до и после запуска.
- Оставлять человеку сложные случаи. Это снижает риск и делает автоматизацию управляемой.
- Расширять только после рабочего пилота. Сначала один канал, потом соседние задачи и интеграции.
Проще говоря, кейс L’Oréal, Mars и Nestlé показывает: рынок взрослеет. И если крупные бренды начинают с рутины, то для малого и среднего бизнеса это, пожалуй, самый здравый способ войти в тему без лишних затрат, хаоса и завышенных ожиданий.