Блог · Новости
Meta покупает Stilla.ai, NY Fed показал рост внедрения ИИ и дообучение вместо увольнений, TechCrunch — про агентов в командах. Разбираем, что взять малому бизнесу.
За последние недели мировые новости сложились в одну картину: Meta покупает шведский стартап Stilla.ai, который делает ИИ-агентов для переписки компаний с клиентами; Нью-Йоркский Федрезерв выпускает отчёт о том, как бизнес на самом деле применяет ИИ; TechCrunch пишет, что «следующим сотрудником» всё чаще становится агент. ИИ-агенты в бизнесе превращаются из эксперимента в рабочий инструмент, но людей под них не увольняют — их учат ставить машине задачу.
Сначала Reuters со ссылкой на Axios сообщил, что Meta покупает шведский стартап Stilla.ai (9 сентября 2026). Затем Нью-Йоркский Федрезерв опубликовал разбор августовских опросов бизнеса (1 сентября 2026). А 16 сентября TechCrunch рассказал о сессии на Disrupt 2026, где основатели компаний обсуждали, что часть работы теперь забирают агенты.
Поставьте эти сообщения рядом, и видно общий сдвиг. Крупные игроки вкладываются в агентов для общения с клиентами. Малый и средний бизнес уже пользуется ИИ, но пока осторожно. А главный дефицит — не доступ к моделям, а умение объяснить агенту, что от него нужно.
Stilla.ai — шведская компания, которая делает ИИ-агентов для бизнеса. По сообщению Reuters (9 сентября 2026), Meta забирает команду и технологии стартапа, чтобы усилить свой продукт Meta Business Agent. Этот агент ведёт переписку с клиентами и помогает проводить сделки прямо в мессенджере.
Смысл покупки понятен. Мессенджеры давно стали основным каналом общения с покупателем: там спрашивают о цене, наличии, сроках, доставке. Отвечать вручную на поток однотипных сообщений дорого, а отвечать медленно — значит терять заказы. Корпорация покупает готовую технологию, чтобы закрыть эту рутину агентами.
У малого бизнеса нет бюджета на покупку стартапов. Но задача у него та же, что и у Meta: разгрузить переписку с клиентами. Набор вопросов повторяется изо дня в день, ответы почти всегда строятся по одной схеме, и именно такие задачи агент закрывает лучше всего.
Корпорация решает вопрос платформой, а небольшой компании достаточно правил общения, зафиксированных в готовых формулировках. Приём один: превратить удачный ответ менеджера в шаблон, который агент будет воспроизводить. Мировой кейс здесь ценен не как пример покупки, а как подтверждение направления.
Отчёт Нью-Йоркского Федрезерва (1 сентября 2026) основан на августовских опросах компаний Нью-Йорка и северного Нью-Джерси. Основные выводы такие.
Авторы отдельно разбирают, почему часть компаний не берёт ИИ. Около половины говорят, что их работа плохо подходит под инструмент. Примерно четверть считают, что модели пока не дают нужной пользы. Многие опасаются за данные и точность ответов.
Внедрение стало широким, а вложения остались осторожными: бизнес берёт ИИ там, где виден быстрый результат, и не спешит ломать процессы.
На TechCrunch Disrupt 2026 (16 сентября 2026) основатели компаний обсуждали новый порядок найма. Раньше вопрос звучал так: кого нанять следующим. Теперь его формулируют иначе: какую работу нужно сделать и точно ли человек здесь лучший вариант. Агентам всё чаще отдают поддержку клиентов, исследования, часть инженерных и операционных задач.
Там же прозвучало условие. Вместе с новыми возможностями появляются вопросы ответственности: кто проверяет работу агента, кто принимает финальное решение и что делать, если агент ошибся. Ответ всегда один — за человеком остаётся контроль.
Логика простая. Агент быстро и без устали повторяет однотипные действия: отвечает по шаблону, переписывает, собирает данные. Человек проверяет результат и берётся за то, что нельзя описать правилами.
Отчёт NY Fed добавляет важную деталь. Компании, которые обучают сотрудников работе с ИИ, чаще всего учат их проверять ответы машины: сверять факты, следить за безопасностью данных и не полагаться на модель слепо. Эта часть и делает внедрение управляемым.
Среди направлений обучения NY Fed перечисляет автоматизацию рутинных задач и формулировку запросов — то, что обычно называют промпт-инжинирингом. Программирование здесь не нужно. Нужно умение описать задачу так, чтобы исполнитель не додумывал за вас.
Сравните два задания. «Напиши ответ клиенту» — и «Ответь клиенту, который спрашивает сроки поставки, вежливо, до пяти предложений, без обещаний, которые мы не выполним». Второе понятнее и человеку, и агенту. Разница только в деталях: кто, что, в каком виде.
Шаблон, по которому удобно собирать такие задания, выглядит так.
Ты — менеджер по продажам. Задача: ответить клиенту, который спрашивает о сроках поставки. Контекст: заказ оформлен 15 сентября, срок — 10 рабочих дней. Формат: вежливый ответ до пяти предложений, без обещаний, которые мы не можем выполнить. В конце — предложение уточнить адрес доставки.
Роль, задача, контекст, формат. Такую формулировку можно отдавать и нейросети, и живому сотруднику. Результат будет предсказуемее.
Оглядываться на бюджеты корпораций незачем. Начать можно с малого.
Такой подход не требует платформ и интеграций. Он требует один раз потратить час на формулировки, а дальше экономить время на каждой однотипной задаче.
Если хочется быстрее, посмотрите разбор про почему у крупных агенты работают, а у малых буксуют и статью о структуре промпта. Там те же принципы разобраны на примерах.
Новости сентября 2026 сходятся в одном. Агенты забирают рутину, но не заменяют людей: компании дообучают сотрудников и оставляют контроль за человеком. Выигрывают те, кто умеет внятно ставить задачу. Именно этому навыку посвящён наш набор «Промты для МСБ»: 50 готовых формулировок и 10 разобранных задач, которые можно применить в тот же день.
Читай также: Нейросети для ИП: с чего начать в 2026 году и Промпты для рекламы: шаблоны объявлений, которые работают.
Мы собрали 50 готовых промптов и 10 задач в один набор «Промты для МСБ». Вставляешь данные — получаешь результат.
Читай также: все статьи блога