Готовые ИИ-агенты появляются каждую неделю: как мы выбираем — взять с полки или собрать под клиента

За последний месяц ко мне трижды приходили клиенты с одной и той же фразой: «А вы видели, что OpenAI выкатили ChatGPT Work? И у Google теперь Information Agents в поиске. Зачем нам вообще своя разработка, если готовые ИИ-агенты уже всё умеют?» Один принёс распечатанную статью про AlphaEvolve — тот самый агент от Google, который эволюционно оптимизирует код и с августа 2026 доступен в Gemini Enterprise Agent Platform. Хороший вопрос, кстати. И честный ответ на него получается длиннее, чем «мы всё равно нужны, платите».

Я разработчик ИИ-агентов уже несколько лет, вижу этот рынок изнутри и хочу разобрать честно: где готовые решения реально закрывают задачу, а где всё равно приходится писать своё. Без снобизма и без страшилок.

Что вообще считать «готовым ИИ-агентом»

Тут важно разделить две вещи, которые часто валят в одну кучу.

Первое — это end-user продукты. ChatGPT Work, который умеет вести многочасовой проект с доступом к файлам команды. Information Agents в Google Search, которые сами разбираются в сложном запросе и даже могут позвонить в бизнес от вашего имени. AlphaEvolve, который принимает baseline кода и цель, а на выходе даёт оптимизированную и читаемую версию. Это законченные сервисы: подключил, выдал доступы, работаешь.

Второе — это фреймворки и SDK для разработчиков. LangGraph, CrewAI, OpenAI Agents SDK, Google ADK. Это не «готовые ИИ-агенты», а конструкторы. Они дают орchестрацию, роли, память, tool calls — но сам агент под конкретную задачу вы всё равно собираете сами.

Клиент обычно приходит, начитавшись про первое, а нужно ему второе. Или третье — что-то поверх, чего пока в SDK нет вообще.

Где готовое работает и его надо брать

Начну с того, где мы сами советуем не изобретать велосипед.

Если задача — ускорить работу команды разработчиков с кодом, готовые ИИ-агенты в IDE делают это лучше, чем что угодно самописное. Visual Studio 2026 в августовском апдейте добавила регулировку «model thinking effort» — можно крутить баланс скорости и качества под задачу. GitHub Copilot и его аналоги решают задачу «помощник у клавиатуры» на уровне, до которого своё решение доводить не имеет смысла.

Если задача — общая офисная работа с документами, календарём, почтой в облачном контуре, ChatGPT Work и Gemini Enterprise закроют её быстрее и дешевле, чем любая своя сборка. Проверено на своей же команде: там, где данные не критичные и облако не запрещено, готовое побеждает.

Если задача — оптимизация конкретного алгоритма и код можно вынести из периметра, AlphaEvolve стоит хотя бы попробовать. Даже как второе мнение.

Общий признак: задача широкая, данные не чувствительные, интеграция с легаси не требуется. В таких сценариях применение ИИ-агентов через готовый сервис — правильное инженерное решение.

Где готовое ломается

А теперь про то, ради чего клиенты возвращаются к нам после эксперимента с готовыми ИИ-агентами.

Периметр и 152-ФЗ. Как только речь про персональные данные клиентов, договоры контрагентов, финансовые документы — облачные ИИ-агенты из большой тройки выбывают. Не потому что технически плохи, а потому что данные из периметра выпускать нельзя. И это не разговор про импортозамещение ради импортозамещения — это регуляторика, которая никуда не денется.

Легаси-системы. Информационные агенты Google умеют искать в вебе, а не в вашей 1С, в вашем корпоративном хранилище договоров, в вашей учётной системе с историей за десять лет. У готовых ИИ-агентов нет коннектора к тому монстру, который у вас крутится с 2014 года. Если задача — ИИ-агент для поиска по внутренним базам, готовое решение не поможет.

Домен, где ошибка стоит денег. Поиск по нормативной базе, где приказ отменяет приказ. Проверка спецификаций, где вложенная таблица меняет смысл всего документа. Разбор счетов и УПД. Здесь готовый агент общего назначения будет уверенно врать, потому что не знает вашей предметной области. А донастроить его нельзя — там просто нет крутилок под ваш случай.

Экономика при масштабе. Если у вас поток обращений большой, стоимость готового сервиса на пользователя быстро перегоняет стоимость своей инфраструктуры на GigaChat Pro или YandexGPT. Особенно когда речь про сотни тысяч запросов в месяц.

Как мы принимаем решение

Внутри команды у нас есть простой разговор на входе. Не чек-лист на десять страниц, а честные вопросы к самим себе и к клиенту.

Первое — где живут данные и куда их можно выпускать. Если ответ «никуда», разговор про облачные готовые ИИ-агенты закончен, идём в сторону российских моделей и своей инфраструктуры.

Второе — какая специфика домена. Если задача общая, готовое почти всегда быстрее. Если специфика жёсткая (ERP, юридические документы, отраслевая номенклатура), готовое даст поверхностный результат, за которым придётся идти в свою разработку.

Третье — где сидит боль пользователя. Иногда клиент хочет «ИИ-агента для поиска», а на самом деле ему нужен один нормальный дашборд. Иногда он хочет «автоматизацию», а на самом деле — три MCP-инструмента поверх существующего фронта. Разбираемся с этим до того, как выбирать между готовым и своим.

Четвёртое — что будет через год. Готовый сервис могут переименовать, поднять цену, изменить лимиты, закрыть API. Своё решение живёт столько, сколько вы его поддерживаете. Для одноразового пилота это не важно. Для системы, на которой висит операционка, — важно очень.

История одного клиента

Не буду называть компанию, но кейс показательный. Пришли с задачей: собрать ИИ-агента для поиска по своей нормативной базе. Внутренние регламенты, приказы, инструкции. Тысячи документов, накопленных годами, лежат в файловом хранилище и в самописной системе документооборота.

Первое, что попробовали сами до нас — загрузили часть базы в облачный сервис, который умеет отвечать по документам. Работало неплохо на демонстрации. Дальше начались проблемы. Служба безопасности сказала «нет, данные не должны покидать контур». Юристы напомнили про 152-ФЗ, потому что в некоторых регламентах фигурируют персональные данные сотрудников. И самое неприятное — готовый агент не понимал, что приказ от прошлого квартала отменил три предыдущих. Он честно находил все четыре и с одинаковой уверенностью на них ссылался.

Мы собрали своё решение: GigaChat Pro в защищённом контуре, pgvector для поиска, MCP-сервер для интеграции с системой документооборота, отдельная логика жизненного цикла документов. Разработка заняла не мгновение, но результат такой: раньше поиск нужного регламента у сотрудника занимал заметную часть рабочего дня, теперь ответ приходит быстрее, чем открывается вторая вкладка. И, что важнее, ответ ссылается на актуальную версию документа, а не на отменённую.

Готовое здесь не сработало бы никак. Не из-за плохого качества моделей — они у крупных игроков отличные. А потому что ни один готовый ИИ-агент общего назначения не знает про ваши приказы и не может жить внутри вашего периметра.

Что это значит для разработчика ИИ-агентов

Профессия не исчезает. Она смещается.

Раньше разработчик ИИ-агентов писал всё — от промпта до оркестрации. Сейчас львиная доля инфраструктуры уже есть: LangGraph держит state, Agents SDK разруливает tool calls, готовые модели умеют reasoning. Ценность разработчика теперь не в том, чтобы написать очередной цикл вызова функции, а в том, чтобы понять задачу клиента, выбрать правильный уровень готового решения и достроить сверху именно то, чего в готовом нет.

Иногда это значит «возьмите ChatGPT Work и не морочьте голову». Иногда — «нужен свой агент на GigaChat Pro с MCP-сервером к вашей 1С, потому что иначе никак». Обе рекомендации честные, и обе — часть нашей работы.

Готовые ИИ-агенты не заменяют разработку — они меняют её границу. Всё, что можно решить конфигурацией готового сервиса, разработчик и должен решать конфигурацией. А писать свой код имеет смысл там, где готовое ломается: периметр, домен, интеграции, экономика при масштабе. Именно на этой границе сейчас и живёт наша команда.