Предприниматель из LeadGet увеличил конверсию на 60%: как мультиагентная система помогла обрабатывать лиды

Полгода назад один предприниматель запустил первого ИИ-агента, который успешно разбирал входящие заявки и общался с клиентами. Воодушевленный результатом, он добавил второго, потом третьего. Но на четвёртом что-то сломалось: агенты начали путаться, отправлять неактуальные данные и создавать хаос. После перестройки архитектуры в мультиагентную систему, компания LeadGet смогла довести конверсию до 60%, а в недвижимости — до 2 из 3 сделок.

Когда один ИИ-агент успешно справляется с одной задачей, возникает соблазн поручить ему больше. Но у каждой языковой модели есть предел, так называемое «контекстное окно». Пытаясь объять необъятное, агент начинает путать данные, терять детали и допускать ошибки. Это как дать бухгалтеру вести зарплаты, договоры, налоги и HR одновременно — рано или поздно он начнёт ошибаться, не потому что плох, а потому что объём превысил возможность держать всё в голове. Эта боль знакома многим, но решение есть.

Как масштабирование ИИ-агентов привело к хаосу

Изначально, ИИ-агенты прекрасно справлялись со своими узкими задачами: один обрабатывал заявки и складывал данные в CRM, другой занимался документами, третий — видеоаналитикой. Проблема возникла, когда задач стало слишком много, и они перестали быть чётко ограниченными. Агенты начали «галлюцинировать», отправлять клиентам неготовую смету, анализировать документы, которые относились к другим проектам. Это был не сбой модели, а системная проблема: отсутствие архитектуры при масштабировании.

Один агент эффективно работает с одной чётко ограниченной задачей: пишет посты, обрабатывает заявки, делает резюме встреч. Но как только мы пытаемся поручить ему больше, он перегружается. Контекстное окно языковой модели не бесконечно, и при одновременном ведении нескольких несвязанных задач, контекст размывается, данные путаются, точность падает.

Почему один агент не справляется со сложными задачами

Разные задачи требуют разных инструментов и подходов. Агент, который пишет коммерческие предложения, должен глубоко знать продукт, клиентскую базу и уметь убеждать. Агент, анализирующий договоры, оперирует юридическими терминами и ищет риски. Попытка создать универсального агента приводит к компромиссам, которые не удовлетворяют ни одну из сторон. Это как пытаться одним промптом накрыть обе задачи — результат будет посредственным для обеих.

Так стало понятно, что нужно не просто добавлять больше агентов, а создавать систему, где каждый агент специализируется на своей области, а их работа координируется. Именно так предприниматель пришёл к мультиагентным системам, которые, по данным Сбера и Ассоциации ФинТех, станут главным технологическим трендом 2026 года.

Как спроектировали мультиагентную систему LeadGet

Решение заключалось в разделении задач между специализированными агентами и добавлении управляющего агента — оркестратора. Оркестратор получает общую задачу, разбивает её на шаги и распределяет между нужными субагентами. Он не выполняет работу сам, а координирует процесс.

Для LeadGet Дмитрий, один из экспертов клуба, построил команду из четырёх субагентов:

• Engagement. Отвечает за первый контакт с клиентом.
• Qualifier. Занимается квалификацией лида.
• Support. Оказывает поддержку клиентам.
• Lead Detection. Обнаруживает новые запросы.

Управляющий агент получает входящее сообщение и решает, кому из субагентов его передать. Каждый субагент имеет свой набор инструментов: одни ходят во внешнюю базу данных, другие вызывают живого менеджера, третьи отправляют вебхуки в CRM. Такая архитектура позволяет каждому агенту держать свой контекст чистым и работать со своей специализированной задачей.

Внедрение и преодоление сложностей

Процесс внедрения был не без подводных камней. На начальном этапе, при попытке быстро объединить несколько агентов, возникали «галлюцинации» — агенты выдумывали данные, путали информацию между проектами. Ошибка на первом шаге умножалась по всей цепочке. Роман из AI Practiq Club, строитель, столкнулся с похожей проблемой при автоматизации своего ПТО-отдела.

Главный урок: отлаживать каждого агента отдельно. Запустить первого, убедиться в его стабильной работе на реальных задачах, и только потом добавлять второго. Связывать агентов по одному, тестируя каждый переход.

Другие сложности:

• Зацикливание. Агент мог встретить препятствие (например, блокировку сайта или неотвечающий API) и уходить в бесконечные повторные попытки, выжигая API-лимит. Решение: явные правила в системном промпте, ограничивающие число попыток (например, не более 3 на операцию).
• Самодеятельность. Агент, получая широкую задачу, мог интерпретировать её слишком расширительно (например, добавить угрозу судебным иском в письмо поставщику). Решение: AGENTS.md или системный промпт с явным запретом на действия без подтверждения. Базовое правило: «Спроси → подтверди → сделай».
• Неэффективные затраты. Использование дорогих моделей для всех задач приводило к счетам в сотни долларов за рутинные операции. Решение: подбирать модели под задачи. Например, Sonnet или Haiku для простых задач, Opus — для сложных. Часть задач можно перевести на простые bash-скрипты без ИИ.

Роман, например, для видеоаналитики использовал модель Gemini, а для документов — Claude и Perplexity, подбирая оптимальные решения под конкретные функции.

Результаты LeadGet и строительной компании Романа

Внедрение мультиагентной системы принесло LeadGet и его клиентам впечатляющие результаты:

• Конверсия. 60% сделок у клиентов LeadGet проходят через агентов. В недвижимости — 2 из 3.

В строительной компании Романа, где поэтапно внедрялись ИИ-агенты:

Сейчас Роман строит финальный блок — систему для участия в тендерах, которая будет сама регистрироваться на площадках, анализировать требования, готовить документы и даже разбирать причины проигрышей для корректировки следующих заявок.

Как это внедрить у вас

Если у вас есть сложные процессы, которые требуют координации нескольких задач, мультиагентная система — это следующий логичный шаг. С чего начать:

• Начните с одного агента. Всегда запускайте первого агента на реальной задаче, добивайтесь стабильной работы, и только потом добавляйте следующего. Попытка сразу построить сложную систему чаще всего приводит к хаосу.
• Разделяйте задачи. Отделите входящую коммуникацию от обработки данных. Первый агент квалифицирует запросы, второй — выполняет запрошенное (пишет КП, ищет информацию, готовит документ).
• Прописывайте правила явно. Определите правила поведения агентов в файле AGENTS.md или системном промпте. Например: «Не отправлять письма без подтверждения», «Максимум 3 попытки на одно действие», «При ошибке — остановиться и сообщить».
• Подбирайте модели под функции. Не используйте одну дорогую модель для всех задач. Для простых операций подойдут более экономичные Sonnet или Haiku, для сложных — Opus. Часть рутинных задач можно вернуть на обычные скрипты.
• Используйте инструменты для оркестрации. Для визуальной оркестрации без кода подойдёт n8n, для более сложной разработки и кастомных промптов — Claude Code.

Если этот кейс похож на то, что происходит у вас, наш менеджер поможет разобраться: бесплатно проанализирует ваш бизнес и нишу и подскажет, где ИИ-агент даст реальный результат именно в вашем случае. Написать менеджеру