OpenAI опубликовала в OpenAI Academy материал о workspace agents — рабочих агентах в ChatGPT, которые помогают автоматизировать повторяющиеся задачи внутри команды: собирать данные из разных систем, готовить сводки, сортировать входящие заявки, создавать документы и запускаться по расписанию или вручную.
Что такое workspace agents
Workspace agents — это не «новая модель» вроде GPT-5 или GPT-4. Это скорее новый способ использовать ChatGPT в рабочей среде: не как чат для разовых вопросов, а как инструмент для регулярных процессов.
Обычный сценарий ChatGPT выглядит так: пользователь заходит в чат, объясняет задачу, прикладывает контекст, просит написать текст, сделать анализ или подготовить таблицу. Каждый раз приходится заново формулировать вводные: что нужно сделать, откуда брать данные, в каком формате отдавать результат и какие ограничения соблюдать.
Workspace agent решает другую задачу. Его заранее настраивают под конкретный повторяемый процесс. Например:
- каждое утро готовить сводку по продажам;
- раз в неделю анализировать маркетинговые кампании;
- разбирать обратную связь от пользователей;
- превращать сообщения из Slack в тикеты;
- готовить бриф перед встречей с клиентом;
- обновлять внутренний документ после получения новых данных.
То есть агент получает не просто вопрос, а роль, процесс, доступные инструменты, правила и триггер запуска.
Из чего состоит рабочий агент
OpenAI предлагает смотреть на агента как на систему из трёх частей.
Первая часть — триггер. Это событие, которое запускает агента. Триггер может быть ручным, когда человек нажимает «запустить», или автоматическим, например по расписанию: каждый будний день в 9:00, каждый понедельник в 10:00, после поступления формы или нового сообщения.
Вторая часть — процесс. Это последовательность действий, которую агент должен выполнить. Например: получить данные, проверить полноту информации, выделить важные изменения, подготовить выводы, оформить результат в нужном формате и передать его дальше.
Третья часть — инструменты и системы. Агент может работать с подключёнными приложениями: CRM, Slack, Gmail, внутренней базой знаний, трекером задач, документами, аналитикой и другими сервисами, которые разрешены в рабочем пространстве.
Главная идея: агенту не нужно каждый раз объяснять весь процесс с нуля. Он уже знает, что именно должен делать, какие источники использовать и где остановиться, если требуется подтверждение человека.
Чем это отличается от обычного ChatGPT
Обычный чат хорошо подходит для разовых задач: придумать идеи, написать черновик, объяснить концепцию, сравнить варианты, помочь с кодом или подготовить письмо. Но если задача повторяется каждую неделю, каждый день или после каждого входящего запроса, обычный чат становится неудобным.
Пользователь снова и снова пишет примерно одно и то же:
- «возьми данные отсюда»;
- «сравни с прошлой неделей»;
- «выведи в таком формате»;
- «не отправляй без согласования»;
- «если есть риск — пометь красным»;
- «сначала сделай черновик, потом покажи мне».
Workspace agent позволяет зашить эти правила один раз. После этого команда получает более стабильный результат: не идеальный, но предсказуемый и повторяемый.
Это особенно важно для командной работы. Если каждый сотрудник вручную просит ChatGPT «сделать сводку», итог будет разным: разные форматы, разный уровень детализации, разные акценты. Агент задаёт единый стандарт.
Чем агенты отличаются от классической автоматизации
На первый взгляд workspace agents похожи на автоматизации в Zapier, Make, n8n или внутренних скриптах. Но OpenAI подчёркивает важное отличие.
Классическая автоматизация обычно детерминированная. Это значит, что все шаги жёстко прописаны: если произошло событие A, выполнить действие B, затем действие C. Такая схема хорошо работает, когда данные структурированы, варианты заранее известны, а логика простая.
Агенты работают иначе. Они используют языковую модель, поэтому могут интерпретировать контекст, принимать ограниченные решения и адаптироваться к ситуации. Например, агент может понять, что отзыв пользователя относится не к багу, а к запросу новой функции; что в отчёте есть необычный скачок метрики; что письмо требует эскалации; что входных данных не хватает и нужно остановиться.
Это делает агентов полезными там, где обычная автоматизация слишком хрупкая. Но есть и обратная сторона: результат менее предсказуем, чем у классического скрипта. Поэтому OpenAI отдельно говорит о guardrails — ограничениях, согласованиях и точках контроля.
Для каких задач это подходит
Workspace agents лучше всего работают там, где задача одновременно повторяемая и достаточно структурированная.
Хорошие признаки подходящего сценария:
- задача возникает регулярно;
- есть понятный формат результата;
- используются одни и те же источники данных;
- есть правила принятия решений;
- результат нужен команде, а не одному человеку;
- часть работы можно доверить ИИ, но важные действия требуют контроля.
Например, агент для маркетинга может каждую неделю собирать показатели кампаний, находить изменения, формулировать выводы и предлагать следующие шаги. Но если нужно перераспределить рекламный бюджет, агент не должен делать это сам — лучше подготовить рекомендацию и запросить подтверждение.
Агент для поддержки может сортировать входящие сообщения: баги, фичи, вопросы по оплате, технические проблемы. Он может создать черновик тикета и назначить приоритет. Но для критичных случаев стоит предусмотреть эскалацию человеку.
Агент для продаж может утром готовить обзор по воронке: какие сделки застряли, где появились риски, кому нужно написать, какие изменения произошли в CRM. Это экономит время менеджеру и руководителю, но не заменяет их полностью.
Основные сценарии использования
OpenAI выделяет несколько типовых паттернов работы агентов.
Первый сценарий — briefing, то есть подготовка кратких сводок. Агент собирает информацию из нескольких источников, отбирает главное и превращает это в документ, который можно быстро прочитать перед решением. Например, сводка по клиенту перед звонком: данные из CRM, последние письма, заметки из встреч, новости о компании.
Второй сценарий — triage and routing. Это сортировка и маршрутизация входящих запросов. Агент смотрит на новые обращения, классифицирует их, определяет приоритет и направляет нужному человеку или в нужную систему.
Третий сценарий — analysis and recommendation. Агент не просто собирает данные, а делает первичный анализ: ищет закономерности, сравнивает варианты, формулирует выводы и готовит черновик рекомендации.
Четвёртый сценарий — content creation. Агент создаёт или обновляет контент: письма, отчёты, инструкции, посты, материалы для кампаний, обучающие документы. Важно, что речь не о случайной генерации текста, а о процессе с заданным тоном, структурой и источниками.
Пятый сценарий — planning and coordination. Агент помогает превращать цель в план: проверяет зависимости, готовит расписание, обновляет трекеры, отправляет уведомления или создаёт черновики действий.
Что нового и для кого это важно
Главная новость не в том, что ChatGPT научился «делать задачи». Пользователи и раньше применяли его для отчётов, писем и анализа. Новое здесь — попытка OpenAI перевести ChatGPT из режима персонального помощника в режим командной операционной системы для повторяемых процессов.
Это важно для нескольких групп.
Для руководителей — потому что можно стандартизировать часть операционной рутины. Не просто попросить сотрудника «сделай отчёт через ChatGPT», а создать общий агент, который всегда делает отчёт по одной логике.
Для отделов продаж и маркетинга — потому что много задач завязано на регулярные обзоры, статусы, анализ кампаний, подготовку follow-up и работу с CRM.
Для поддержки и продуктовых команд — потому что агент может помогать разбирать поток обратной связи, выделять темы, находить повторяющиеся проблемы и готовить тикеты.
Для HR, админов и операционных команд — потому что у них много процессов с формами, согласованиями, расписаниями, документами и уведомлениями.
Для ИТ и безопасников — потому что появляется новая зона контроля: кто может создавать агентов, к каким приложениям они подключены, что могут читать, что могут записывать и где обязательно нужно подтверждение человека.
Почему нужны ограничения и согласования
Рабочий агент потенциально получает доступ к корпоративным системам. Это может быть удобно, но рискованно. Если агент умеет читать Slack, CRM, Gmail или документы, нужно чётко понимать, какие данные ему доступны и какие действия он может выполнять.
OpenAI советует заранее прописывать governance — правила управления агентом. Например:
- агент может готовить рекомендации, но не менять бюджет;
- агент может создать черновик тикета, но не отправлять его без проверки;
- агент может уведомить ответственного, но не писать клиенту напрямую;
- агент должен остановиться, если данных недостаточно;
- агент должен эскалировать критичные случаи человеку.
Это правильный подход. Чем ближе агент к реальным рабочим системам, тем важнее не превращать его в «автопилот без тормозов». Лучший формат — не полная замена человека, а автоматизация подготовки, сортировки и черновой работы.
Как создать workspace agent
OpenAI описывает процесс довольно просто.
Сначала нужно сформулировать задачу обычным языком. Не в виде кода, а как инструкцию для человека: что агент должен делать, какой результат считается хорошим, какие источники использовать и какие ограничения соблюдать.
Затем нужно выбрать инструменты и коннекторы. Это приложения, к которым агенту разрешено обращаться. В корпоративной среде такие подключения обычно контролируются администраторами.
После этого выбирается триггер. Агент может запускаться вручную или по расписанию. Например: «каждый понедельник в 10 утра подготовь отчёт по кампаниям» или «каждый рабочий день в 8 утра проверь изменения в воронке продаж».
Дальше добавляются guardrails: правила остановки, согласования и ограничения. Это особенно важно для действий, которые могут повлиять на клиентов, бюджет, публичные коммуникации или внутренние данные.
После настройки агент нужно тестировать. OpenAI отдельно подчёркивает, что первая версия почти наверняка будет неидеальной. Это нормально. Агента нужно улучшать итерациями: давать реальные примеры, смотреть на ошибки, уточнять инструкции, менять формат ответа, добавлять исключения.
Как правильно тестировать агента
Хороший тест — это не один идеальный пример, где всё понятно. Нужно проверять агента на реальных и немного «грязных» сценариях.
Например:
- входные данные неполные;
- в источниках есть противоречия;
- задача похожа на обычную, но имеет исключение;
- есть рискованное действие, требующее подтверждения;
- результат нужно оформить для разных аудиторий.
Если агент ошибается, не обязательно полностью переписывать инструкцию. Иногда достаточно уточнить один шаг: «если данных по прошлой неделе нет, не делай вывод о росте, а напиши, что сравнение невозможно». Или: «не создавай тикет сразу, сначала покажи черновик».
Это похоже на обучение сотрудника: сначала даётся общий процесс, потом появляются уточнения по мере практики.
Как попробовать
Workspace agents доступны внутри ChatGPT для рабочих пространств, где включена соответствующая функциональность. В первую очередь это актуально для командных и корпоративных тарифов ChatGPT, особенно ChatGPT Enterprise. OpenAI отдельно отмечает, что в Enterprise доступ к созданию агентов контролируется администраторами workspace.
Чтобы попробовать:
- Откройте ChatGPT в рабочем пространстве.
- Проверьте, доступны ли agents или agent builder.
- Выберите простой повторяемый сценарий: например, еженедельный отчёт, сортировка заявок или подготовка брифа.
- Опишите задачу обычным языком.
- Подключите нужные приложения, если они разрешены администратором.
- Укажите триггер: вручную или по расписанию.
- Добавьте ограничения: где агент должен остановиться, что нельзя делать без подтверждения.
- Протестируйте на нескольких реальных примерах.
Если ChatGPT недоступен напрямую в вашей стране или нужен доступ к подписке, его часто покупают через маркетплейсы цифровых товаров. Один из вариантов — поискать предложения на plati.market: https://plati.market/search/ChatGPT. Перед покупкой стоит внимательно проверять продавца, отзывы и условия доступа.
Что это значит для рынка
Workspace agents показывают, куда движется OpenAI: от чат-бота к рабочей платформе. Раньше ChatGPT был в основном интерфейсом для общения с моделью. Теперь OpenAI всё активнее строит слой автоматизации поверх рабочих процессов.
Это логичный шаг. Большая ценность ИИ в бизнесе не в том, чтобы один раз написать красивый текст, а в том, чтобы каждый день снимать с людей повторяемую умственную рутину: собрать, проверить, сравнить, отсортировать, оформить, передать дальше.
Но успех таких агентов будет зависеть не только от качества модели. Важнее окажутся интеграции, права доступа, контроль действий, понятные интерфейсы для настройки и культура использования внутри компаний.
Плохо настроенный агент будет просто генерировать лишний шум. Хорошо настроенный — станет тихим рабочим механизмом, который экономит часы каждую неделю.
Итог
Workspace agents — это не очередной чат и не новая языковая модель. Это подход к автоматизации повторяемых рабочих процессов внутри ChatGPT. Агент получает задачу, триггер, инструкции, доступные инструменты и ограничения, а затем выполняет работу по заданному сценарию.
Самые полезные сценарии — регулярные сводки, сортировка входящих запросов, анализ данных, подготовка контента и координация задач. Особенно интересно это для команд, где одни и те же процессы повторяются постоянно, но полностью жёсткой автоматизацией их закрыть сложно.
Ключевой вывод: агенты не отменяют человеческий контроль. Они берут на себя подготовку и рутину, а человек остаётся там, где нужны контекст, ответственность и решение.
Источник
OpenAI Academy: Workspace agents