Мультиагентная оркестрация в маркетинге: когда один ИИ-агент управляет остальными
Мультиагентная оркестрация в маркетинге — это архитектура, где ведущий ИИ-агент ставит подзадачи нескольким специализированным агентам, получает от них результаты и сводит их в одно решение. Строить её стоит под конкретную задачу с параллельными ветками анализа, не ради моды на «ИИ-агентов» — и начинать всегда с одного агента, добавляя остальных только когда это доказанно улучшает результат. Дальше — как это устроено технически, где оправдано экономически и где превращается в дорогую игрушку.
Что такое мультиагентная оркестрация
Мультиагентная оркестрация — это способ организации работы ИИ-систем, при котором один ведущий агент (lead agent) распределяет задачу между несколькими субагентами, каждый работает в собственном контекстном окне, а затем ведущий агент сводит их находки в итоговый результат.
Паттерн называется «оркестратор — воркер»: лидер анализирует запрос, строит план, порождает параллельные субагенты под отдельные ветки задачи, каждый ищет своё и возвращает находку лидеру, а тот решает, копать ли дальше. У Anthropic в этой архитектуре есть и отдельный агент-цитировщик, который привязывает факты в итоговом тексте к источникам — по данным Anthropic, 2025. Это конкретная инженерная схема с конкретными ролями, не метафора про «команду роботов».
Для маркетинга перенос прямой: ведущий агент держит бриф кампании и раздаёт параллельные задачи — одному анализ аудитории, второму мониторинг конкурентов, третьему сбор данных по каналам, — а затем сводит всё в единый рекомендованный план. Подробнее о том, какие задачи вообще стоит отдавать ИИ-агентам в бизнесе, а какие — оставлять человеку.
Чем мультиагентная система отличается от одного ИИ-агента с инструментами
Отличие — в структуре контекста, не в мощности модели: один агент с набором инструментов работает в одном окне и видит всю историю задачи целиком, мультиагентная система распределяет работу по нескольким отдельным окнам, которые не видят друг друга напрямую.
Один агент с доступом к CRM, рекламным кабинетам и аналитике последовательно вызывает нужные инструменты и держит в голове весь контекст разговора — это проще в отладке и дешевле. Мультиагентная система разбивает задачу на параллельные потоки: каждый субагент получает узкую цель и собственное контекстное окно, поэтому глубоко закапывается в свою часть без риска захламить общий контекст лишними деталями.
Плата за это — координация. Субагенты не видят рассуждений друг друга, поэтому ведущему агенту нужен явный протокол: что считается завершённым результатом, в каком формате он возвращается, что делать при конфликте двух находок. Без протокола мультиагентная система превращается в несколько параллельных одиночных агентов, которые работают вразнобой.
Когда мультиагентная оркестрация оправдана, а когда это лишние расходы
Мультиагентная оркестрация оправдана, где задачу можно разбить на независимые параллельные ветки с низкой связностью между ними. Она не оправдана, где шаги жёстко зависят друг от друга или где все участники нуждаются в одном общем контексте.
Anthropic прямо называет условия, когда мультиагентность — плохое архитектурное решение: общий контекст, обязательный для всех участников, много взаимозависимостей между шагами и мало частей, которые реально можно выполнять параллельно; как пример приводится разработка программного обеспечения, где один файл зависит от решений по соседним файлам — по данным Anthropic, 2025.
Для маркетинга это разделение выглядит так:
| Тип задачи | Подходит мультиагентность | Почему |
|---|---|---|
| Параллельный анализ нескольких сегментов аудитории | Да | Сегменты независимы, можно анализировать одновременно |
| Мониторинг конкурентов по нескольким каналам | Да | Каждый канал — отдельная, не зависящая от других ветка сбора данных |
| Проверка гипотез по разным рекламным кабинетам (Яндекс.Директ, VK Реклама) | Да | Данные из разных систем собираются параллельно, сводятся в конце |
| Разработка единой творческой концепции кампании | Нет | Решение по тону, визуалу и сообщению должно быть согласованным целиком, без нарезки на куски |
| Последовательный процесс согласования бюджета | Нет | Каждый шаг зависит от решения на предыдущем, параллелить нечего |
Правило простое: если задачу легко разбить на части, которые выполняются одновременно и сводятся в конце без потери смысла, — архитектура подходит. Если результат — одно цельное решение, которое нельзя собрать из независимых кусков, добавление субагентов добавляет только расходы.
Сколько стоит мультиагентная система по сравнению с одним агентом
Мультиагентная система на порядок дороже одиночного агента по расходу токенов, и разница не сокращается пропорционально числу субагентов.
По данным Anthropic, 2025, обычный чат-агент тратит порядка 4x токенов относительно простого разового запроса, а полноценная мультиагентная система — уже порядка 15x. На внутреннем тесте BrowseComp именно суммарный объём потраченных токенов объяснил 80% разницы в качестве результата — не число задействованных субагентов. Практический вывод для бюджета маркетинга: добавление четвёртого, пятого, шестого субагента без ясной задачи для каждого не улучшает результат пропорционально — оно увеличивает счёт за API.
Для российской команды это управленческая задача: прежде чем закладывать расходы на мультиагентную архитектуру в бюджет инструментов маркетинга, нужно оценить, в какую сумму в рублях выльется рост токенов в 3–4 раза при переходе от одного агента к системе из нескольких, и сопоставить это с ценностью более широкого анализа — а не с ощущением, что «агенты — это будущее». Разбор того, сколько стоит ИИ в маркетинге целиком, помогает смотреть на эту статью расходов не изолированно.
Сколько субагентов нужно под задачу
Число субагентов нужно привязывать к сложности задачи, не выставлять произвольно по ощущению масштаба проекта.
Anthropic формулирует прямое правило масштабирования по данным Anthropic, 2025:
- простой факт-чек — один агент, 3–10 обращений к инструментам;
- прямое сравнение нескольких вариантов — 2–4 субагента, по 10–15 обращений к инструментам каждый;
- сложное исследование с широким охватом — более 10 субагентов с явно разделёнными зонами ответственности.
Для маркетинга шаблон переносится без изменений. Проверка одной гипотезы по одному каналу — задача для одного агента. Сравнение эффективности трёх каналов продвижения — задача для 2–4 субагентов. Полный аудит присутствия бренда в выдаче, соцсетях, маркетплейсах и отзывах — задача, где оправдан десяток и больше узко сфокусированных субагентов. Дисциплина здесь важнее архитектуры: решение добавить субагента принимается под конкретный объём параллельной работы, не «на всякий случай» — каждый лишний субагент — прямая статья расходов, не страховка.
Как устроена оркестрация у OpenAI: LLM-driven против code-driven
В документации OpenAI Agents SDK оркестрация агентов делится на два принципиально разных паттерна: когда маршрут между агентами решает сама модель, и когда маршрут жёстко прописан в коде.
LLM-driven оркестрация — режим, где модель сама анализирует запрос и решает, какому агенту или инструменту передать задачу; подход гибкий и адаптивный, но непредсказуемый по стоимости и скорости ответа, поскольку модель может выбрать более длинный путь, чем ожидалось. Code-driven оркестрация — режим, где последовательность вызова агентов задана заранее в коде приложения; подход предсказуем по цене и времени ответа, но хуже справляется с нетипичными запросами. Источник: OpenAI Agents SDK docs, 2025.
Внутри LLM-driven подхода OpenAI выделяет два механизма. Agents-as-tools — менеджер-агент сам ведёт диалог и вызывает специализированных агентов как инструменты, формулируя финальный результат от своего имени: подходит, когда нужен единый голос бренда (например, отчёт для руководителя). Handoffs — агент-триаж передаёт разговор целиком специализированному агенту, и дальше с пользователем общается именно он: подходит, когда специализация важнее единообразия (например, маршрутизация обращений в поддержку по типу вопроса).
В тех же документах OpenAI советует идти вразрез с маркетинговым хайпом вокруг мультиагентности: предпочитать узких специализированных агентов единому универсальному и проверять каждое добавление агента через эвалы — формализованные тесты качества, не субъективное ощущение «стало лучше», — по данным OpenAI Agents SDK docs, 2025.
Чем A2A от Google отличается от оркестрации внутри одной системы
A2A (Agent2Agent) решает другую задачу, чем оркестрация внутри компании: это открытый протокол межвендорного взаимодействия, который позволяет агентам разных платформ и разных поставщиков находить друг друга и ставить друг другу задачи, не схема распределения работы внутри одной системы.
A2A — открытый протокол, представленный в апреле 2025 года с участием более 50 партнёров, включая Salesforce, SAP, PayPal, Workday и консалтинговые компании Accenture, McKinsey, Deloitte, по данным Google Developers Blog, 2025. Агент публикует «карточку возможностей» (Agent Card) в формате JSON с описанием своих умений — чтобы агент-клиент другой компании нашёл нужного удалённого агента и поставил ему задачу с явным жизненным циклом и статусами, включая многодневные задачи с участием человека на промежуточных этапах.
Важно разграничить два протокола: MCP (Model Context Protocol) описывает связь модели с инструментами и данными, A2A — связь одного агента с другим агентом; это разные уровни одной архитектуры, не конкурирующие стандарты. Для маркетинга практический пример — агент CRM (например, Bitrix24) обращается по протоколу A2A к агенту рекламной платформы, чтобы передать сегмент аудитории для таргетинга, не интегрируясь с ней напрямую через собственное API. Пока это стандарт для корпоративных интеграций между крупными платформами, не решение «из коробки» для среднего российского маркетинга — внедрение таких протоколов на горизонте 2026–2027 годов остаётся задачей ИТ-архитектуры, не маркетинговой команды.
Почему вендорский хайп про оркестрацию расходится с техническими источниками
Между вендорским дискурсом и технической документацией первопроходцев есть прямое расхождение: вендоры говорят о мультиагентности как о решённой и массово внедрённой технологии, разработчики систем — о дорогой архитектуре с реальными ограничениями, подходящей не всем задачам.
Netcore в отчёте Agentic Predictions 2026 формулирует тезис, что единица работы маркетинга в 2026 году — непрерывный самооптимизирующийся процесс под постоянно включённым оркестратором, не отдельная кампания; роль CMO смещается от управления кампаниями к управлению такими системами — по данным Netcore, 2026. При этом Netcore приводит эффектные цифры — 90,2% прироста эффективности со ссылкой на Anthropic, 56% со ссылкой на Forrester, 50% со ссылкой на Gartner, рост числа запросов на 1445% — без собственной методологии измерения, просто ссылаясь на сторонние отчёты. Первоисточники Gartner и Forrester в открытом доступе не нашлись, поэтому эти цифры стоит воспринимать как ссылку на ссылку, не как подтверждённый факт.
Техническая сторона говорит осторожнее. Цифра 90,2% у самой Anthropic относится к узкому внутреннему research-эвалу, где мультиагентная система (Opus 4 в роли лидера, Sonnet 4 в роли субагентов) обошла одиночный Opus 4 именно на задачах широкого параллельного поиска, не на любых задачах — по данным Anthropic, 2025. Anthropic и OpenAI прямо описывают реальные ограничения: агенты плохо координируются в реальном времени, ошибки одного субагента накапливаются по цепочке к финальному результату, синхронные батчи блокируют оперативное управление процессом. Для большинства маркетинговых задач, по мнению обоих источников, одного агента с набором инструментов достаточно — мультиагентность нужна только там, где параллельная широта задачи явно превышает выгоду от простоты одного агента. Этот баланс и обсуждает статья о том, как смотреть на ИИ в маркетинге трезво, без вендорского хайпа.
Что происходит с агентной оркестрацией на российском рынке
На российском рынке инфраструктура для агентных ИИ-систем формируется параллельно западной волне, но публичных подтверждённых кейсов мультиагентной оркестрации именно в маркетинге от крупных российских игроков в открытых источниках пока нет.
Яндекс готовит универсального ИИ-агента для бизнеса с запуском в сентябре 2026 года; обещание — закрывать 30–50% задач офисных сотрудников, по данным tks.ru, 2026. Выручка Yandex B2B Tech за первое полугодие 2026 года выросла почти на треть, до 28,9 млрд рублей, — косвенное подтверждение роста спроса на агентные решения в корпоративном секторе. Готовых кейсов мультиагентной оркестрации в маркетинге от Яндекса или Сбера в открытых источниках нет: выдавать общие анонсы универсального агента за маркетинговое решение было бы некорректно.
Архитектурную логику — паттерн «оркестратор — воркер», правила масштабирования субагентов по сложности, разделение LLM-driven и code-driven маршрутизации — переносить на российский рынок можно без оговорок: это инженерные принципы, применимые через API российских провайдеров или локально развёрнутые модели, включая GigaChat. Западную статистику адопции (90,2% у Anthropic, 56% и 50% у Forrester и Gartner через Netcore, рост запросов на 1445%) напрямую переносить нельзя — это данные о западных enterprise-компаниях и платформах типа Salesforce Agentforce, у которых пока нет сопоставимых по зрелости аналогов в России.
Частые ошибки
- Плодить субагентов без привязки к сложности задачи. Пять субагентов на простой факт-чек по одной рекламной площадке — это пятикратный рост расходов без прироста качества, потому что для такой задачи достаточно одного агента с тремя-десятью обращениями к инструментам.
- Резать на параллельные куски процессы с жёсткими зависимостями. Единая творческая концепция кампании, бюджетное согласование, стратегия позиционирования — это последовательные решения, где каждый следующий шаг зависит от предыдущего; попытка распараллелить такую работу между агентами даёт разрозненный результат, который потом приходится сшивать руками.
- Запускать мультиагентную систему без протокола сведения результатов. Если не прописано явно, в каком формате субагент возвращает результат и что делать при конфликте двух находок, несколько агентов работают не как единая система, а как несколько независимых чат-ботов вразнобой.
- Принимать вендорскую статистику за подтверждённый факт без проверки первоисточника. Цифры вроде «56% по Forrester» или «50% по Gartner», процитированные через маркетинговый отчёт третьей компании, нужно воспринимать как ссылку на ссылку, не как самостоятельно проверенное исследование.
- Переносить западные показатели адопции на российский рынок без оговорки. Процент внедрения мультиагентных систем в американских enterprise-компаниях не говорит о том, насколько технология прижилась в российском маркетинге, где доступность платформ и зрелость внедрения другие.
- Добавлять агентов ради статуса «мы внедрили ИИ-оркестрацию», не под измеримую задачу. Каждое добавление субагента стоит проверять эвалами для ИИ-контента — формализованными тестами качества результата, не внутренним ощущением, что процесс выглядит технологичнее.
Источники
- How we built our multi-agent research system — Anthropic, 2025
- Orchestrating Multiple Agents — OpenAI Agents SDK docs, 2025
- A2A: A New Era of Agent Interoperability — Google Developers Blog, 2025
- Agentic Predictions 2026 Report — Netcore, 2026
- Яндекс готовит универсального ИИ-агента для бизнеса — tks.ru, 2026
FAQ
Что такое мультиагентная оркестрация в маркетинге?
Это архитектура, где ведущий ИИ-агент распределяет маркетинговую задачу между специализированными субагентами, каждый работает в своём контекстном окне над своей частью, а ведущий агент сводит результаты в единое решение — отчёт, план, рекомендацию.
Чем мультиагентная система отличается от одного агента с инструментами?
Один агент работает в одном контекстном окне и видит всю историю задачи целиком — это проще в отладке и дешевле. Мультиагентная система распределяет работу по нескольким окнам параллельно, что даёт глубину по каждой ветке, но требует протокола сведения результатов и обходится в разы дороже.
Когда мультиагентная оркестрация не нужна?
Она не нужна для задач с жёсткими зависимостями между шагами и для задач, где всем участникам требуется один и тот же общий контекст — например, для разработки единой творческой концепции кампании или для последовательного согласования бюджета. В таких случаях один агент работает быстрее и дешевле.
Сколько субагентов нужно для маркетинговой задачи?
Число привязывается к сложности: простая проверка факта по одному каналу — один агент; сравнение нескольких каналов или гипотез — 2–4 субагента; полный аудит присутствия бренда по многим источникам — десять и больше субагентов с разделёнными зонами ответственности.
Сколько стоит мультиагентная система по сравнению с одним агентом?
По данным Anthropic за 2025 год, обычный диалоговый агент расходует порядка 4x токенов относительно простого запроса, а полноценная мультиагентная система — порядка 15x. Рост расходов не пропорционален числу субагентов: он зависит от общего объёма токенов, не от количества агентов в системе.
Чем протокол A2A от Google отличается от оркестрации внутри одной компании?
A2A — протокол для взаимодействия агентов разных компаний и платформ между собой, например агента CRM одной компании с агентом рекламной платформы другой. Оркестрация внутри компании — это распределение задач между агентами одной системы под управлением одного ведущего агента. Это разные уровни архитектуры, которые дополняют друг друга.
Есть ли в России готовые маркетинговые кейсы мультиагентной оркестрации?
Публично подтверждённых кейсов именно в маркетинге от крупных российских игроков в открытых источниках на конец 2026 года нет. Яндекс анонсировал универсального ИИ-агента для бизнеса с запуском, заявленным на сентябрь 2026 года, что говорит о росте инфраструктуры в целом, но не о готовых маркетинговых решениях на базе мультиагентной архитектуры.
Разобраться, где у вас в маркетинге оправдана оркестрация нескольких ИИ-агентов, а где один агент с правильно выстроенным контекстом сделает ту же работу быстрее и втрое дешевле, — отдельная практическая задача, не решаемая по одной статье. Если хотите выстроить это системно, не по вдохновению, познакомьтесь с интенсивом Marketing OS — там это разбирается на ваших собственных процессах.