Як команда AI-агентів може підняти маржу колл-центру на 4,5 в.п. за чотири місяці — і чому для цього не потрібні розробники

July 16 •

1 follower

Влітку 2026 року дедалі більше українських компаній стикаються з однією і тією самою проблемою: ChatGPT чи Claude добре вирішують окремі задачі, але не витягують складний багатоетапний процес цілком. Розбір договору, розрахунок економіки, підготовка комерційної пропозиції — кожен крок доводиться вести окремим чатом, вручну переносячи дані між ними.

Рішенням, яке дедалі частіше використовують консультанти з автоматизації, стають мультиагентні системи (MAS, Multi-Agent System) — не один "розумний" чат, а команда спеціалізованих AI-агентів під керівництвом агента-оркестратора. Розбираємо, як влаштована така система, і на двох реальних кейсах — скільки вона реально дає бізнесу.

Що таке мультиагентна система

MAS — це AI-середовище, в якому над однією задачею послідовно працюють кілька спеціалізованих агентів, а не один універсальний асистент. Структуру найпростіше уявити як невелику команду з чітким розподілом ролей.

Агент-оркестратор виконує роль керівника проєкту: спілкується з користувачем, приймає задачу, ставить уточнювальні питання, розбиває роботу на етапи і вирішує, яких агентів підключити на кожному з них. Сам оркестратор нічого не рахує й не пише — його функція в тому, щоб процес ішов у правильній послідовності, а результати окремих агентів зійшлися в єдиний цілісний документ.

Агенти-фахівці відповідають за конкретну експертизу — фінанси, юриспруденцію, продукт, маркетинг — і виконують свої ділянки роботи послідовно, передаючи результат один одному.

Контрольний шар, або мета-агенти, валідує результат: перевіряє факти, шукає суперечності й контролює якість. Саме цей шар дозволяє системі частково регулювати саму себе, знижуючи кількість помилок без ручної перевірки кожного кроку людиною.

Замикає конструкцію база знань — заздалегідь підготовлені робочі методології (наприклад, SWOT або JTBD), шаблони документів і контекст компанії: продукти, ключові цифри, обмеження, цілі. Без цього шару агенти працюють із загальними знаннями з інтернету, а не з реальною специфікою бізнесу.

З чого технічно складається система

Ключова причина, чому MAS доступна не лише командам розробників: усередині це не код, а набір пов'язаних текстових інструкцій. Типова файлова структура виглядає так:

system — системні інструкції: хто такий агент, що він робить, які має обмеження, як взаємодіє з іншими;
профілі агентів — місія, методології, алгоритми та артефакти кожного окремого агента. У бібліотеці компанії може бути від 10 до 100 таких профілів, але під конкретну задачу оркестратор підбирає мінімально достатній набір — зазвичай 3–5 агентів;
skills — методології та чек-листи: аналіз ринку, побудова воронки продажів, розрахунок юніт-економіки;
templates — каркаси вихідних документів: структура висновків, розділ ризиків, рекомендацій, наступних кроків;
scripts — сценарії для запуску регулярних задач;
referats — зразки, стандарти, перевірені джерела;
matrix knowledge — навігаційна карта бази знань, за якою оркестратор швидко знаходить потрібне правило чи шаблон;
контекст — бізнес-контекст компанії та персональні KPI користувача.

Оскільки система живе у файлах, вона не привʼязана до конкретної платформи. Якщо компанія вже використовує агентські інструменти на кшталт Claude Code чи Cursor, MAS розгортається там і отримує додаткові можливості автоматизації. Але та сама архітектура працює і в звичайному ChatGPT Plus: файли завантажуються в Project або кастомний GPT, і оркестратор веде весь процес прямо в діалозі — без коду й без серверної інфраструктури. Для простих задач достатньо безкоштовних моделей, для складних — краще підходять платні версії від Google, Anthropic чи OpenAI.

Приклад із практики: аутсорсинговий колл-центр

Компанія обслуговувала 18 корпоративних клієнтів силами понад 200 операторів. Виручка зростала, але прибуток стояв на місці — типовий симптом того, що частина контрактів працює в збиток, а керівництво цього не бачить, бо дані розкидані по різних людях і таблицях.

Приклад узагальнений і не привʼязаний до одного названого клієнта — так впровадження зазвичай виглядає в цій галузі. Задачу розподілили між чотирма агентами: фінансист перерахував економіку по кожному клієнтському контракту окремо, операційник розібрав причини простоїв, стратег порівняв різні моделі контрактів між собою, а ризик-агент окремо оцінив рівень вигоряння персоналу — фактор, який на перший погляд не повʼязаний з фінансами напряму, але суттєво впливає на якість обслуговування і, відповідно, утримання клієнтів.

Результати за чотири місяці роботи:

маржа зросла на 4,5 відсоткового пункту;
кількість збиткових контрактів скоротилася з 6 до 1;
додатковий прибуток (EBITDA) — приблизно 150–200 тисяч гривень на рік.

Приклад із практики: виробник обладнання виходить у HoReCa

Завод із понад 250 співробітниками намагався вийти в сегмент HoReCa без чіткого позиціонування — компанія пропонувала продукт мережам, орієнтуючись здебільшого на попередній досвід у інших сегментах, без окремого аналізу вимог саме цієї аудиторії.

Система проаналізувала вимоги профільних мереж і стандарти сервісу в сегменті, після чого сформувала три альтернативні сценарії позиціонування з розрахованою економікою по кожному — щоб керівництво ухвалювало рішення на основі цифр, а не інтуїції.

Результати за чотири місяці:

кількість нових великих клієнтів зросла з 1 до 3 на квартал;
середній чек збільшився на 15%;
частка нових сегментів у виручці зросла з 9% до 18%;
ROI впровадження оцінили приблизно в 300%.

Важливе застереження щодо обох прикладів: це узагальнені описи типового впровадження в галузі, без прив'язки до одного конкретного названого клієнта. Реальні цифри залежать від масштабу компанії й повноти вихідних даних. Систему завжди налаштовують під конкретні процеси бізнесу, і на це потрібен час — це не рішення "з коробки" за один день. Фінальні управлінські рішення завжди ухвалює керівництво компанії; MAS готує аналітику й варіанти, а не замінює менеджмент.

Коли MAS має сенс, а коли — ні

Мультиагентна система виправдовує складність впровадження не в будь-якій ситуації. Вона має сенс, коли одночасно виконується кілька умов:

задача повторюється регулярно, а не вирішується один раз;
ціна помилки висока — йдеться про стратегію, фінансову модель чи юридичний ризик;
потрібно кілька експертиз одночасно, а не одна вузька навичка;
важливий єдиний стандарт якості на виході, незалежно від того, хто саме зі співробітників ставить задачу.

Якщо жодна з цих умов не виконується, компанії, найімовірніше, вистачить звичайного чату з добре складеним промптом — вибудовувати повноцінну командну архітектуру для одноразової задачі економічно не виправдано.

З чого почати впровадження

Виберіть одну болючу задачу — регулярну, дорогу за часом, із зрозумілим і вимірюваним результатом на виході.
Зафіксуйте стандарт результату — який саме документ або звіт потрібен на виході, і за якими критеріями оцінюється його якість.
Зберіть наявний контекст — методології, шаблони та дані, якими вже користуються співробітники вручну.
Запустіть пілот — налаштуйте 1–2 функції системи і виміряйте реальну економію часу, перш ніж масштабувати далі.
Масштабуйте поступово — якщо пілот підтвердив економічний ефект, додавайте суміжні задачі одну за одною.

MAS по суті — це цифрова команда, яка закриває рутинний, але складний багатоетапний процес. Для її створення не потрібна команда розробників: достатньо грамотного підходу до формування інструкцій для кожного агента, збору релевантного контексту компанії та тестування системи на реальних задачах перед повним впровадженням.