«Хочу ИИ-агента прямо на ноутбук, как у Perplexity»: разбираемся, какие есть ИИ-агенты для ПК и что реально стоит покупать
Разговор начался классически. Директор среднего производственного холдинга посмотрел с сыном ролик про Perplexity Portable Computer, увидел, что это работает локально на его же ноутбуке с RTX, и на следующий день позвонил нам: «Хочу такого же для своих начальников цехов. Что купить?» Через неделю к нему же на демо пришли ребята с Amazon Quick — и вопрос стал ещё горячее: если такие штуки уже продают коробками, зачем ему платить нам за разработку?
Пришлось садиться и разбирать по-взрослому. Как работает ИИ-агент на ПК, чем один отличается от другого, и в каком случае честно сказать заказчику: купи готовое, мы тебе тут не нужны. А в каком, наоборот, — коробка развалится через месяц, и лучше строить своё.
Что вообще такое ИИ-агент на ПК и как он работает
Штука в том, что «ИИ-агент на пк» в 2026 году — это уже не один класс инструментов, а три разных подхода, которые снаружи выглядят похоже. Заказчик, который посмотрел красивый ролик, обычно не различает, что именно ему показали.
Первый тип — локальный агент, где модель крутится прямо на машине. Perplexity Portable Computer из сентябрьского релиза — как раз про это: нужна RTX-карта с 24+ ГБ VRAM, дальше модель отвечает без облачных запросов. Никаких токенов на счётчике, данные не улетают наружу. Плата — железо и то, что маленькая локальная модель по мозгам сильно уступает облачной.
Второй — desktop-агент, у которого фронт живёт на компьютере, а тяжёлая часть уходит в облако провайдера. Amazon Quick, которого выкатили в GA почти одновременно с Perplexity, работает именно так: always-on-агенты продолжают задачу в фоне, даже если ты закрыл окно и пошёл на совещание. У Meta Muse на маке — тот же принцип: он видит твои файлы, календарь, почту, но думает не сам.
Третий — computer-use-агент, который управляет чужим ПО через клавиатуру и мышь. Cua только что открыл open-source toolkit для Computer-Use 2.0: cross-OS-драйвер под macOS/Windows/Linux, свои specialist-модели, песочницы. Смысл в том, чтобы агент кликал по интерфейсам вместо человека — там, где нет нормального API.
Первое, что мы объяснили заказчику: если он хочет, чтобы начальник цеха задавал вопросы по инструкциям и приказам — это первый тип. Если ему нужно, чтобы агент сам собирал отчёты по нескольким системам — второй. Если чтобы кликал по старой 1С без API — третий. И это три разных проекта.
Какие есть ИИ-агенты на рынке прямо сейчас
Сентябрь получился насыщенным, и заказчик это чувствовал — каждую неделю новый релиз. Давайте пройдёмся по тому, что реально можно взять сегодня, а не «скоро появится».
Perplexity Portable Computer — локальный агент под Windows RTX. Хорош для инженерных и финансовых multistep-задач. Приватно, без облачных кредитов. Проблема одна: он ничего не знает про внутренние системы клиента и не станет знать без интеграции.
Amazon Quick — always-on-агенты, которые ходят между десктопом и мобилкой. Хорошо для маркетологов, аналитиков, тех, у кого много инструментов и мало желания жонглировать вкладками. Данные, правда, у Amazon.
Meta Muse на Mac — нативно смотрит в почту, файлы, календарь, заметки. Личный помощник директора уровня «найди мне то письмо от юристов и подготовь ответ». Внутри контура компании — нет.
Salesforce Agentforce — портфель long-horizon-агентов под sales, service, HR, back-office. Casey, Hunter, Marshall, Paige — шесть уже GA, один в пилоте. Отдельный runtime с памятью и durable execution. Мощно, если ты и так живёшь в Salesforce. Для российского заказчика — мимо.
UiPath с сентябрьскими обновлениями — Maestro Flow с голосовыми агентами, Coding Agents в GA, LLM-as-Judge для проверки. Классика для тех, у кого уже RPA-контур.
Google ADK for Kotlin 1.0 — если делаешь мобильных агентов под Android, теперь есть паритет с Python и Java, on-device и гибридные сценарии.
Cua — open-source, для тех, кто готов собирать сам, а не покупать коробку.
Плюс отдельная история — российская. Сбер в сентябре показал GigaChat 3.5 Reasoning с режимом рассуждений; MIT-лицензия для разработчиков, API для бизнеса обещают. Huawei открыл Ascend agent stack с ThinkPro и Agentic Cloud, где уже больше пяти тысяч MCP-ассетов. У OpenAI открылась публичная бета Agents API с durable sessions и MCP.
И вот когда мы разложили всё это заказчику на одной странице, он посмотрел и сказал: «Так, а мне-то что из этого брать?»
Купить готового или собрать своего: где мы провели границу
Мы ответили честно: и то, и другое, но в разных местах его компании.
Для директора и коммерческой службы имело смысл смотреть на что-то вроде Muse на маках — почта, календарь, документы, довольно личный периметр. Но заказчик российский, персональные данные сотрудников по 152-ФЗ через американское облако гонять никто не разрешит. Значит, тот же класс задач — но на отечественном стеке. Мы предложили сборку на GigaChat Pro с MCP-серверами к их почтовому серверу и корпоративному календарю. Похоже на Muse снаружи — принципиально другое внутри.
Для начальников цехов, ради которых всё и затевалось, купить готовое вообще не получалось. Им нужен агент, который знает конкретные регламенты этого предприятия, читает журналы смены из их внутренней системы, отличает приказ от отменённого приказа. Никакая коробка такого не умеет — это ровно то, что мы собираем как ИИ-агента для 1С поверх pgvector. Здесь «ии агенты купить» — не вариант, только разработка.
Для аналитиков — самое интересное. Здесь мы честно сказали: попробуйте Amazon Quick или подождите, что покажет OpenAI Agents API в публичной бете. Если ваши данные не критичны и живут в облаках — коробочные решения справятся. Платить нам за то же самое, но своё, будет заметно дороже. А для чувствительных данных — соберём отдельный контур на GigaChat 3.5 Reasoning, когда откроют API для бизнеса.
Заказчик слегка расстроился, что нельзя купить одну штуку на всех. Но потом посчитал: коробка на аналитиков плюс наша сборка на цеха плюс отдельная история для директора — это всё равно дешевле, чем строить универсального агента с нуля под каждое подразделение.
Что мы вынесли из этой истории
Простое правило, которое теперь проговариваем всем заказчикам с самого начала. Когда клиент говорит «хочу ИИ-агента на ПК», сначала спрашиваем не «какая модель нравится», а «что этот агент должен знать и куда ходить».
Если ему нужен помощник, который читает документы и умеет думать — годится готовое. Если агент должен жить внутри контура компании, знать её данные, работать по её регламентам — только сборка. И между этими двумя полюсами есть широкая зона, где ответ «купить или собрать» зависит от того, насколько чувствительны данные, и от того, есть ли у клиента ресурсы поддерживать своё решение.
Раньше на такой разговор с заказчиком уходило две-три встречи с чертежами на салфетках. Теперь мы приносим одну табличку — три типа агентов, шесть примеров с рынка, три вопроса про данные и регламенты — и решение оформляется до обеда. Заказчик уходит с ощущением, что его не разводят на большой проект там, где можно купить готовое, и не втюхивают коробку туда, где она через месяц рассыпется.
А главный вопрос, который стоит задавать себе, глядя на любой сентябрьский релиз: «Этот агент вообще знает про мою работу — или он знает только про свою?»
Похожие статьи
- Excel от клиента приходит каждый раз новый: как мы создали ИИ-агента для разбора выгрузок, с которыми не справилась ни одна регулярка
- Красная папка: как мы учим ИИ-агента после запуска и не чиним всё подряд
- Стенд вместо чужих бенчмарков: как мы проверяем ИИ-агентов для бизнеса перед сдачей
- ИИ-агент для 1С после сентябрьских атак: как мы переписали правила доступа, не сломав рабочие сценарии
