Заказчик подключил Яндекс ИИ-агента и позвал нас доделывать: где заканчивается универсальный помощник

Директор по развитию среднего производственного холдинга включил в компании универсального помощника от Яндекса — того самого, которого в сентябре подтянули к Почте, Диску, Календарю, Трекеру и внешним системам. Первые пару недель были похожи на праздник: агент писал конспекты со встреч, собирал сравнительные таблицы по коммерческим предложениям, отвечал на типовые вопросы сотрудников. А потом в чат прилетел живой запрос от закупщика: «Найди в договорах с поставщиком С. все пункты про штраф за срыв срока по поставке компонентов серии X-14 и покажи, какие из них противоречат внутреннему регламенту закупок». Универсальный Яндекс ИИ-агент такое не тянет. Не потому что плохой — просто он не про это. С этой точки, собственно, и начинается наша работа.

Что вендор делает хорошо, а мы честно не будем повторять

Когда клиент показывает список задач, которые он уже закрыл штатным Яндекс ИИ-агентом, мы первым делом ставим галочки, а не спорим. Конспекты внутренних встреч, черновики писем, поиск по документам в Диске, работа с Календарём, простые сценарии внутри корпоративных сервисов — универсальный помощник забирает эти задачи легко и без нашего участия. Разрабатывать заново то, что уже работает и оплачено по подписке, — прямой путь в кассовый разрыв. Это не гордость, это арифметика.

Тем более что за последние месяцы рынок готовых агентов ушёл сильно вперёд. OpenAI открыл Agents API с длинными сессиями и подагентами. Salesforce выкатил семерых job-ready персонажей под продажи, поддержку, HR и логистику. Яндекс параллельно доводит универсального агента и открывает Алису AI для бизнеса. Лучшие ИИ-агенты сегодня — это не один продукт, а полка, с которой можно снять готовую коробку и закрыть, по заявлениям самих вендоров, от трети до половины офисной рутины. Разработка ИИ-агентов имеет смысл там, где коробки не хватает.

Где универсальный агент упирается

Стена начинается в трёх местах, и мы видим их из проекта в проект.

Первое — глубокая доменная логика. Универсальный агент читает договор как текст, но не знает вашего внутреннего регламента закупок, кодов номенклатуры и того, что «срыв срока» у вас считается с даты фактической отгрузки, а не с даты подписания акта. Он ответит правдоподобно и вежливо, но не по сути.

Второе — устаревшие или самописные системы. У клиента, о котором я рассказываю, склад живёт в 1С, а спецификации хранятся в отдельной ERP собственной сборки. Коннекторов к этой ERP не существует ни у одного вендора и не появится, потому что ERP одна на всю страну.

Третье — регуляторика и контур. Часть документов клиент физически не может выпускать за периметр. Это не «мы боимся облака» — это 152-ФЗ, коммерческая тайна и внутренний приказ по инфобезу. Готовый агент такие данные просто не увидит.

Не заменять, а достраивать

Первый подход, который напрашивается, — забрать всё в свой контур и переписать заново на GigaChat Pro. Мы его отбросили. Клиенту нравится, как штатный помощник ведёт календарь и пишет письма, и ломать эту привычку ради архитектурной чистоты — плохой обмен.

Сработал второй подход. Оставляем универсального ИИ-агента там, где он хорош, а рядом ставим специализированного — своего, обученного на договорах и регламентах клиента, с прямым доступом к 1С и к той самой ERP через MCP-сервер. Между двумя агентами — простой роутер. Он смотрит на запрос и решает: это про календарь и почту — иди к вендорскому, это про договоры и склад — иди к нашему.

Пользователь этой границы не видит. Он пишет в один и тот же чат и «поставь встречу с закупщиком на четверг», и «сравни штрафные условия у трёх поставщиков». Разница только в том, кто под капотом отвечает.

Обучение ИИ-агентов: не курсы, а работа с фактами

Здесь стоит остановиться, потому что вокруг обучения ИИ-агентов много путаницы. Многие представляют себе это как файн-тюнинг модели — долгий, дорогой и рискованный. В реальности файн-тюнинг мы включаем редко и только там, где без него никак: узкий стиль, узкая номенклатура, огромный однотипный поток документов.

В большинстве случаев обучение агента — это работа с фактами, а не с весами модели. Кладём договоры и регламенты в pgvector, размечаем метаданные (тип документа, версия, срок действия, номер приказа-родителя), пишем к базе не «универсальный поиск», а именно те SQL- и векторные запросы, которые нужны бизнесу. Дальше настраиваем инструменты для агента через MCP-сервер: «получить условия договора», «сверить с регламентом», «найти похожие пункты в других договорах». И только потом пишем инструкцию — не длинный промпт, а внятный контракт: кто ты, что можно, что нельзя, к кому обращаться в сложных случаях.

Такое обучение делается за недели, а не за месяцы, и его можно править без переобучения модели. Менеджер продукта заходит в админку, меняет формулировку регламента — агент со следующего запроса начинает считать по-новому. Это принципиально важнее, чем красивая метрика на бенчмарке.

Как выбирали, кто из ИИ-агентов лучше под задачу

Модель под доменного агента выбирали не по хайпу, а по трём проверкам: как читает длинные договоры на русском, как ведёт себя в режиме tool use через MCP и как всё это ложится на 152-ФЗ и внутренний контур клиента. GigaChat Pro прошёл все три — с ним и остались. YandexGPT рассматривали, но у клиента уже был отдельный контракт на GigaChat, и умножать сущности не хотелось.

Универсального совета «вот лучшая LLM для агентов» не бывает. Для одного клиента лучший — тот, что можно запустить локально на его же серверах. Для другого — тот, у кого больше контекстное окно. Для третьего — тот, кого юристы согласовали месяц назад. Разработка ИИ-агентов вообще редко упирается в модель. Чаще — в данные, интеграции и в то, готов ли заказчик писать понятные регламенты для своих же людей, не то что для машины.

Что изменилось у клиента

Закупщик, с чьего вопроса всё началось, теперь получает разбор по договорам заметно быстрее, чем успевал открыть три вкладки и найти нужный пункт вручную. Раньше на подготовку сравнительной ведомости по крупному поставщику уходил рабочий день юриста и закупщика вместе — теперь справляются до обеда, и юрист подключается только на спорных пунктах. Часть согласований, которые висели по несколько дней, закрываются в тот же день.

Универсальный Яндекс ИИ-агент при этом никуда не делся: продолжает вести календарь, писать письма и делать конспекты. Мы не отбирали у него хлеб. Просто достроили ту половину, до которой у коробки руки не дотянутся ещё долго.

Мораль, если она нужна

Готовый агент от крупного вендора — это не конкурент собственной разработке, а её нижний этаж. Универсальный помощник закрывает офисную рутину. Специализированный ИИ-агент закрывает то, что делает бизнес именно вашим: свою номенклатуру, свои регламенты, свои интеграции с легаси-системами. Вопрос не «взять готовое или разрабатывать своё», а где провести между ними границу — и хватит ли у команды инженерной честности не тащить в свою разработку то, что уже сделано за вас.

Практический совет на прощание: прежде чем звать интегратора, включите универсального агента и месяц пожуйте им реальные задачи. Список вопросов, на которые он не ответил, — и есть техническое задание для настоящей разработки.