Я всё чаще думаю, что корпоративное ПО будут выбирать примерно так: нам нужен первичный разбор клиентских заявок, подготовка закупок (поиск по тендерам, формирование предложения, переговоры и т. п.) и сверка документов. Открываем каталог «автоматизаций», выбираем подходящие пакеты, подключаем свои системы и зовём внедренцев. В разговоре это быстро превратится в «купили ИИ-закупщика» или «подключили ИИ-бухгалтера».
Под «покупкой профессии» я понимаю автоматизацию определённого набора задач. У пакета будут ограничения: что он умеет, к каким данным допущен, какие действия согласует с человеком. Подготовка закрытия месяца ещё не делает систему главным бухгалтером. Но сам способ покупать и внедрять корпоративное ПО, по-моему, может заметно измениться.
По профессии я программист. Сейчас больше занимаюсь управлением ИТ-проектами и развитием бизнеса. Несколько лет назад моя команда работала над банковским конвейером: счета, претензии, очереди задач. Когда я смотрю на корпоративные ИИ-платформы, мне знаком вопрос: как определить, кому поручить следующую операцию? Только теперь один из кандидатов — модель.
Превью — Попробую разобраться, будем ли мы покупать готовые пакеты автоматизации рабочих ролей — примерно как сейчас покупаем решения на 1С с небольшими доработками. На примере маркетинговой кампании покажу, что потребуется системе, чтобы выполнить обычное поручение сотрудника: получить данные, подготовить результат, согласовать действия и справиться со сбоями. Расскажу, какие похожие задачи мы уже решали в банковском операционном конвейере. И главное — какую работу в этой конструкции будет выполнять разработчик и насколько глубоко ему придётся разбираться в бизнесе.
Мне мало совета «теперь нужно лучше понимать бизнес» (многие разработчики именно так определяют текущую трансформацию с приходом ИИ, когда код они почти не пишут руками и данный навык имеет всё меньше ценности). Хочется понять, какую именно работу придётся делать: кто научит агента разбирать закупку, кто разрешит ему менять договор и за что в этой конструкции будут платить инженеру. Заодно пытаюсь разобраться, куда двигаться самому, так как этот вопрос для меня также остаётся очень актуальным (хотя сам я уже и не являюсь полностью инженером).
Предположим, поставщик продаёт пакет для подготовки закупок. В него входят методика сравнения предложений, инструменты работы с ERP и документами, шаблоны результата и проверочные задачи. Отдельно описано, какую закупку агент может подготовить сам и когда обязан обратиться к сотруднику.
Компания покупает повторяемый способ выполнить работу. Внедренец связывает его с местными справочниками, правилами согласования и реальными данными. Если это получится стандартизировать, можно будет выбирать и сочетать такие пакеты для разных функций бизнеса.
На собеседовании нас часто просят рассказать, как мы уже решали похожие задачи: что сделали, с какими сложностями столкнулись и чем всё закончилось. Работодатель рассчитывает, что этот опыт пригодится и в его компании. А что, если часть такого опыта можно описать в инструкциях и примерах, дополнить инструментами и проверками — и продавать как готовый пакет для определённой работы?
У нас в компании есть департамент 1С. Когда мы обсуждали с заказчиками новое ПО, я часто слышал примерно одно и то же.
В разговорах о новом ПО с компаниями с выручкой до 15–20 млрд рублей в год я часто слышал похожий ответ. У заказчика уже всё работает на 1С, поэтому ему нужна ещё одна конфигурация за пару сотен тысяч рублей в год. С компанией работают четыре программиста по контракту — предполагается, что они всё подключат за пару дней. (Ремарка: я видел такое и у компаний большего размера. Здесь я лишь отмечаю, что у наших флагманов рынка с оборотами в триллионы рублей несколько иная ситуация и они почти весь софт для себя пишут сами. Но думаю, в будущем эта тенденция может поменяться в сторону более «экономически выгодного» подхода, как у компаний поменьше.)
В «1С:Предприятии» разделены платформа и прикладные решения. Общая среда даёт средства разработки и исполнения, а конфигурация описывает приложение под определённые задачи. Небольшой бизнес может собрать на решениях 1С значительную часть своей работы: от клиентов и продаж до закупок, производства и учёта. Например, «1С:УНФ» объединяет CRM и операционные функции, а для бухгалтерского учёта компаний интегрируется с «1С:Бухгалтерией». Масса конфигураций 1С имеется и для производства, и для других видов компаний.
Для меня здесь интересен сам подход к покупке. Заказчик рассчитывает добавить нужную функцию в уже знакомую среду: данные там есть, специалисты тоже, порядок доработки понятен. В таких компаниях 1С воспринимают как конструктор, из которого постепенно собирают автоматизацию своего бизнеса. Похожую модель я ожидаю и у ИИ-платформ: готовые пакеты задач, общая среда и специалисты, которые приспосабливают всё это к предприятию.
Причём знание бизнеса у этих специалистов — существенная часть работы. Хорошему разработчику 1С приходится разбираться, как операция отражается в учёте, какие документы нужны и что произойдёт при их изменении. Не раз видел, что такие программисты знают отдельные участки бухгалтерии или кадрового учёта не хуже сотрудников, которые ими занимаются. При внедрении агентов, думаю, нам придётся так же глубоко изучать работу, которую мы собираемся автоматизировать.
Что знакомо по 1С | Какой аналог я ожидаю у ИИ-платформ |
|---|---|
Общая технологическая платформа | Среда исполнения агентов с пользователями, доступами и интеграциями |
Прикладное решение под задачи бизнеса | Пакет автоматизации роли: агенты, skills, инструменты и интерфейсы |
Доработка конфигурации под предприятие | Настройка правил, данных, согласований и границ самостоятельности |
Внедренец со знанием предметной области | Инженер, который разбирает работу специалиста и отвечает за её автоматизацию |
Это заявленные возможности поставщиков. Как пакет справится с данными конкретной компании, по описанию не проверить.
Поставщик | Что уже заявлено в продукте | Как это связано с автоматизацией ролей |
|---|---|---|
Anthropic | В мае 2026 года — десять шаблонов для финансовых задач: в комплекте skills, подключения к данным и субагенты. Есть варианты для Cowork, Claude Code и Claude Managed Agents | Поставляется заготовка конкретной работы: например, сверка счетов главной книги или подготовка закрытия месяца. Организация адаптирует методики и согласования |
OpenAI | Workspace agents с шаблонами для финансов, продаж и маркетинга, встроенными skills и рекомендуемыми инструментами. Команды могут делиться агентами и дорабатывать их | Повторяемый процесс превращается в общий инструмент отдела. Среди примеров — квалификация лидов, еженедельный отчёт и проверка запросов на ПО |
Сбер | В результатах за девять месяцев 2026 года Сбер сообщил о каталоге готовых ИИ-ролей в GigaCowork и библиотеке навыков на GitVerse | Пользователям предлагают выбирать готовые роли и сценарии. В описании GigaCowork для бизнеса перечислены работа с продажами, складскими остатками и подготовка предложений |
Яндекс | AI Studio позволяет собирать агентов и связывать их в процессы. В анонсе описаны финансовые и комплаенс-сценарии, готовые решения для анализа коммуникаций; также заявлен Нейроюрист | Есть общая платформа и прикладные продукты вокруг неё. Этот набор ещё нельзя считать каталогом полностью автоматизированных профессий |
Salesforce in Claude, представленный в бета-версии 15 сентября 2026 года, включает 37 skills для работы продавца: подготовку к встречам, разбор сделок, обновление CRM. Доступ определяется правами пользователя в Salesforce; изменения по умолчанию требуют подтверждения. Сотрудник работает в Claude, а состояние сделки продолжает храниться в Salesforce.
Ещё один пример — плагин Marketing у Anthropic. В нём собраны подготовка контента, планирование кампаний, конкурентный анализ и отчётность. Есть команды /campaign-plan и /performance-report, настройки стиля бренда, подключения к рабочим сервисам через MCP. Пользователь получает заготовки нескольких задач маркетолога; данные компании и принятые у неё методы анализа ещё предстоит подключить. Ниже я разберу возможный рабочий процесс для подобного пакета.
У OpenAI есть и отдельная платформа Frontier для эксплуатации корпоративных агентов: подключения к системам, общий контекст, права, оценка работы. Примечательная деталь — компания предлагает внедрение вместе с forward deployed engineers. Даже поставщик моделей закладывает в предложение людей, которые работают с системами и процессами заказчика.
В России Сбер и Яндекс выглядят вероятными поставщиками крупных платформ. Вокруг них я ожидаю отраслевых разработчиков: для торговли, производства, банковских операций. Знание конкретной работы станет частью продукта. Как распределится рынок, пока неизвестно.
Допустим, оптовик выбирает три пакета: обработку заявок покупателей, подготовку закупок и сверку первичных документов. Агент продаж извлекает номенклатуру из письма и создаёт черновик заказа. Пакет закупок видит дефицит, сравнивает поставщиков и готовит заявку. Финансовый пакет сверяет документы поставки с заказом.
На уровне каталога это похоже на сборку из кубиков. Внутри у них должны совпадать идентификаторы товаров, единицы измерения, статусы заказа и смысл слова «доступно». Если продажи считают товар свободным, а закупки видят его уже зарезервированным, красивый диалог только ускорит ошибку. Эту совместимость и обеспечит внедренец.
При выборе «ИИ-закупщика» мне понадобятся сведения о том, на каких задачах его проверяли, где он ошибается и сколько работы оставляет человеку. Сравнивать стоимость стоит по принятой работе: вместе с подключением данных, проверкой и исправлениями. Из этого не обязательно следует оплата за каждую операцию, но появляется предмет разговора о пользе продукта.
Останется и знакомая проблема зависимости от поставщика. Инструкции в SKILL.md можно перенести, но вместе с ними потребуются адаптеры, права, состояние процессов и проверки. Общий формат файла упрощает перенос части решения; совместимость всей автоматизации придётся проверять отдельно.
OpenAI и Anthropic приучили нас начинать работу с короткого поручения в чате. Думаю, эту привычку мы принесём и в корпоративные системы.
В исследовании Graphite от 9 ноября 2026 года на ChatGPT приходится 81,2% сентябрьских сессий в мире в вебе и мобильных приложениях среди шести сервисов: ChatGPT, Gemini, Claude, Grok, Perplexity и DeepSeek. По этим данным видно, как часто люди приходят в ChatGPT. Почему они выбрали именно его, исследование не устанавливает.
Поручение: разобрать кампанию и подготовить следующие действия
В обычном чате маркетолог сам приложил бы выгрузку. Представим, что в корпоративной ИИ-платформе его команды уже подключён пакет для разбора кампаний: расходы доступны из рекламного кабинета, продажи — из CRM. Тогда можно начать прямо с поручения:
Разбери результаты рекламной кампании за октябрь, сравни их с продажами и подготовь варианты на ноябрь. Собери вопросы для команды. Задачи и приглашение на встречу сначала покажи мне.
У одинакового названия могут быть несколько запусков, а «продажи за октябрь» могут означать сделки, закрытые в октябре, или продажи по октябрьским лидам. Если это не определить, расчёт получится технически правильным и бесполезным для решения.
Дальше платформа получает расходы и обращения из рекламной системы, статусы сделок из CRM, утверждённый план из документов. Для согласования времени ей достаточно свободных интервалов календаря. Содержимое личных встреч участников здесь не нужно.
Её можно описать в skill — инструкции с примерами, шаблонами и вспомогательным кодом. Стоимость обращения рассматривается вместе с качеством лида и конверсией. При длинном цикле продаж свежие заявки ещё могут находиться в работе: отсутствие закрытых сделок не делает новую кампанию провальной. Нужно сопоставлять группы заявок с учётом времени на продажу, проверять полноту атрибуции и дату обновления CRM.
Если канал приносит дешёвые обращения, но мало сделок, причин может быть несколько: качество заявок, задержка обработки, потерянная связь с продажей. Агент готовит гипотезы и способы проверки. Расчёты выполняет код или аналитический сервис. Здесь знание маркетинга напрямую определяет, какое решение предложит система.
Сотрудник получает таблицу с источниками и проект действий: задачи, ответственных, встречу, текст повестки. Менять рекламный бюджет этому запуску я бы не разрешал.

Рисунок 1. Вариант рабочего места маркетолога: рядом с диалогом находятся результаты расчёта, источники и подготовленные действия.
Новые получатели, изменённый текст или дополнительные действия требуют пересогласования.

Рисунок 2. Подтверждение относится к конкретной версии плана. Если исход внешнего вызова неизвестен, система сначала выясняет результат и только затем решает, допустим ли повтор.
Перед записью система повторно проверяет доступ и значимые условия. Пока сотрудник читал отчёт, слот календаря могли занять, владельца задачи — изменить, доступ — отозвать. Согласование не замораживает внешний мир.
После исполнения виден статус каждого шага со ссылками: задачи созданы, встреча появилась, доставка письма пока не подтверждена. Незавершённые действия остаются на контроле.
Что делать, если календарь создал встречу, а ответ потерялсяУ вызова с побочным эффектом должен быть бизнес-идентификатор операции. Если целевой API поддерживает идемпотентность, повтор отправляют с тем же ключом, а сервис обеспечивает отсутствие дубликата в пределах своего контракта.
Если такой поддержки нет, записать ключ только у себя недостаточно: процесс может упасть после успешной записи во внешней системе, но до фиксации ответа. Понадобится сверка по внешнему идентификатору или другому надёжному признаку. Когда результат нельзя установить, задача переходит в состояние неопределённого исхода и передаётся на разбор. Слепой повтор способен создать вторую встречу или второе письмо.
Для цепочки из нескольких систем я бы сохранял результаты по шагам. Отменить встречу можно отдельной операцией; уже прочитанное письмо «откатить» нельзя. Поэтому способы восстановления определяются для каждого действия заранее. Само наличие MCP этой задачи не решает.
Показатели удобнее проверять в таблице. Ответственного проще поменять в карточке задачи, а письмо согласовать, когда рядом видны текст и адресаты. Вот зачем такой платформе фронтенд, даже если работа начинается с чата.
Такие возможности уже есть в инструментах разработки. В документации OpenAI описаны UI-компоненты, которые инструмент через MCP предоставляет для показа в разговоре.
Процесс можно запускать и из CRM, по расписанию или по событию. Еженедельный отчёт не требует нового промпта каждое утро понедельника. Сотрудник будет видеть знакомые действия: поручить, уточнить, проверить. Сложность интеграций и исполнения останется у команды, которая внедряет платформу.
Я участвовал в проекте «Операционный конвейер» для крупного банка. Мы работали с операциями по счетам, платежами и поручениями клиентов — около 120 процессов банка. В программе OpsNext технологическим ядром конвейера стало единое рабочее место ERM Ops. В презентации проекта указан его масштаб: около 6 000 сотрудников, более 140 городов.
За каждой клиентской операцией стояла последовательность действий. Нужно было получить документы, проверить сведения, выполнить необходимые шаги в банковских системах, при необходимости запросить уточнения или передать вопрос другому специалисту. Участники могли находиться в разных подразделениях и городах. Конвейер должен был связать их работу: определить, кому достанется следующая задача, с какими данными и в какой срок.
При назначении задачи система обращалась к банку компетенций: какие операции человек умеет выполнять и к каким допущен. Если требовался опытный специалист, свободного места в очереди у новичка было недостаточно. При распределении учитывали также загрузку и сроки. Руководитель видел, где скопились задачи и почему работа остановилась.

Рисунок 3. ERM Ops учитывает, кто умеет выполнять операцию и у кого есть допуск. Из подходящих сотрудников конвейер выбирает исполнителя с учётом загрузки.
Моя команда разрабатывала микросервисный бэкенд, собирала рабочее место на микрофронтендах с Webpack Module Federation и связывала его с банковскими системами. За одним шагом сотрудника мог идти вызов сервиса или операция программного робота на RPA-платформе. Нам нужно было договориться, по какому признаку шаг закончен и какие данные получит следующий исполнитель.
Работы над конвейером начались в 2014 году. В проекте открытия счетов для юридических лиц среднее время операции сократилось с 5 дней до 1 дня. Это результат нескольких систем и команд; конвейер связывал их работу, сейчас через конвейер проходят более сотни процессов банка.
Что из этого я перенёс бы в ИИ-платформу? Рассмотрим ниже.
В банковской заявке порядок проведения платежа я бы оставил прежним, а разбор письма клиента попробовал бы поручить модели.
Задаче по-прежнему нужны владелец, срок, состояние и критерий завершения. А исполнителю — допуск к определённой работе. Разрешение вызвать API и способность правильно выполнить операцию — разные вещи.
А вот банки компетенций сотрудников я бы почти полностью попробовал передать ИИ-агентам и начал бы их обучать (конечно, под полным контролем сотрудников для начала). Трансформировал бы эту историю в профиль компетенций для агента. Например, типовое предложение он готовит сам, вопрос о нестандартной скидке передаёт руководителю, а менять платёжные реквизиты ему нельзя. В профиль я бы записал, на каких задачах проверяли именно эту версию модели, навыка и инструментов, где ещё нужна проверка сотрудника и кто дал допуск.
Это уже моё предложение для платформы агентов. Такой профиль нельзя заменить самооценкой модели. Сначала результаты проверяют специалисты; самостоятельность расширяют по итогам рабочих испытаний. После существенного обновления связку проверяют заново. При распределении задач конвейер сможет учитывать эти сведения вместе с загрузкой и сроками.
Для меня следующий шаг — система, которая знает, какую работу уже можно поручить агенту, когда нужен человек и как принять результат каждого из них.
Вернёмся к поручению маркетолога. Где хранится утверждённый план кампании? Кто проверит, что сотрудник согласовал именно этих адресатов? Я бы разделил обязанности так:
Часть | За что отвечает | Пример |
|---|---|---|
Поручение | Цель текущей работы и её границы | Разобрать кампанию; создание задач и встречи согласовать |
Контекст | Актуальные сведения с источниками | Расходы, лиды, сделки, утверждённый план кампании |
Skill | Методика выполнения повторяемой задачи | Как сопоставить расходы, качество лидов и продажи |
Инструмент | Конкретная операция с внешней системой | Получить метрики, рассчитать показатели, создать задачу |
Workflow | Состояние процесса, ожидания и переходы | Сохранить план и дождаться подтверждения сотрудника |
Политика доступа | Допустимые данные и действия | Читать доступные кампании; изменение бюджета запрещено |
Model Context Protocol задаёт взаимодействие приложения с серверами инструментов и контекста. За MCP-сервером может стоять адаптер к существующему API. У старых систем иногда придётся дорабатывать API или автоматизировать интерфейс.
Главный вопрос — какие операции предоставить агенту. Универсальный update_record мало говорит о последствиях. Получение показателей, подготовку черновика и создание задачи проще проверять и разрешать независимо. Например, метод чтения метрик может требовать явные границы периода и тип атрибуции, а метод создания задачи — проверять проект и допустимого ответственного. Anthropic разбирает, как устройство tools и их описания влияют на работу агента.
В российском корпоративном ландшафте есть предметный пример: Анастасия Трегубова из СберТеха описала MCP Gateway. Он объединяет реестр инструментов, авторизацию и маршрутизацию; существующие REST API можно выставлять как MCP-инструменты. Шлюзы разворачиваются с использованием Service Mesh. Это один из способов организовать подключения и контроль в большой компании.
Шлюз при этом не определит за нас, чем резерв товара отличается от списания. Бизнес-смысл операции, допустимые параметры и последствия ошибки всё равно входят в работу разработчика. Общий реестр также требует отказоустойчивости и согласованного обновления политик.
У специалиста есть опыт: какие документы сравнивать, что считать подозрительным, какой вывод пока нельзя делать, как оформить результат. Часть этого опыта можно выразить через инструкции, примеры, шаблоны и код.
В формате Agent Skills навык содержит файл SKILL.md с описанием и инструкциями; рядом могут находиться вспомогательные материалы и скрипты. Загрузка по мере необходимости позволяет сначала показать агенту краткие описания навыков, а подробности подключать для выбранной задачи.
Ниже учебный фрагмент инструкции. Доступы и обязательные проверки при записи реализуются отдельно, в исполняющем сервисе.
---
name: campaign-review
description: Анализ результатов кампании и подготовка плана обсуждения.
---
1. Установи идентификатор кампании, период и способ учёта продаж.
2. Получи расходы, лиды и сделки; укажи время актуальности данных.
3. Проверь связь лидов с источниками и время, отведённое на конверсию.
4. Выполни расчёты через аналитический инструмент и сохрани результат.
5. Отдели наблюдаемые расхождения от гипотез об их причинах.
6. Для выводов приложи источники, для пробелов — вопросы сотруднику.
7. Подготовь отчёт, черновики задач и повестку для согласования.
Рядом могут лежать шаблон отчёта, примеры неоднозначной атрибуции и скрипт расчёта показателей. Skill передаёт методику; право менять бюджет или отправлять приглашение обеспечивается исполняющей системой.
Идея корпоративного vault — подключить почту, документы, CRM и другие источники, чтобы агент находил нужное сам. Для реализации я бы разделил каталог источников, поиск, получение актуальных записей и хранение секретов. Контекст собирается под задачу: определённый клиент, договор или кампания. Отдельно проверяется, допустимо ли передавать эти данные выбранной модели.
Я бы сохранял у найденных данных идентификатор источника, версию или время получения, область доступа и связь с бизнес-объектом. Поиск учитывает права до того, как документ попадёт в контекст модели. А если пользователь вернулся к задаче через неделю, чувствительные данные и полномочия нужно проверить заново.
Это часть context engineering: какие сведения и инструменты получит модель на конкретном шаге.
На схеме я разделил компоненты по ответственности. Несколько блоков могут жить в одном приложении; для каждого нужно определить, какие решения он принимает и какие данные хранит.

Рисунок 4. Среда агента выбирает шаги, workflow сохраняет ход процесса, слой инструментов проверяет и выполняет операции. Полномочия ограничиваются вне модели.
Рабочее приложение связывает поручение с сотрудником после SSO, проектом и бизнес-объектом. Показывает результат, источники и согласования.
Среда исполнения агента предоставляет модели инструменты и навыки, управляет контекстом, изоляцией кода, временем и стоимостью. Смена модели требует проверки поведения на рабочих задачах.
Workflow сохраняет статусы, выполненные действия и ожидания. Согласование может прийти завтра, когда браузер уже закрыт. Состояние бизнес-операции должно храниться надёжнее, чем история открытого диалога.
Слой инструментов проверяет аргументы, доступ к объектам и необходимые согласования, затем вызывает целевой сервис. Модель предлагает действие; его допустимость проверяют код и инфраструктура авторизации. Проверки конечной системы также сохраняются.
Учётные системы владеют состоянием своих объектов. Перед изменением договора нужно прочитать действующую запись и проверить её версию. Резюме в памяти агента могло устареть.
Наблюдаемость связывает всё по идентификатору задачи: источники, версии компонентов, вызовы, решения человека, созданные объекты. Нужны наблюдаемые события и результаты с необходимыми параметрами; внутренние рассуждения модели для этого не требуются. Секреты в журнал не попадают.
Для закрытого контура отдельно определяется, какие данные могут уйти внешней модели, где нужно локальное исполнение и какие сетевые обращения разрешены. Правила распространяются также на поиск и телеметрию.
На одной платформе я ожидаю разные конструкции. Выбирать их стоит по задаче.
Вариант | Когда я бы его выбрал | Как устроено выполнение |
|---|---|---|
Один агент с инструментами | Разобрать документы или подготовить материалы к встрече | Агент выбирает шаги в пределах поручения; сотрудник проверяет результат |
Процесс с агентным шагом | Массово обрабатывать обращения по известному порядку | Система управляет этапами, сроками и проверками. Модель классифицирует письмо или готовит проект ответа |
Координатор и специализированные исполнители | Сопоставить историю клиента, договор и расчёт, если эти работы полезно разделить | Исполнители возвращают результаты в согласованном формате; координатор собирает их и выявляет противоречия |
У Anthropic есть полезное различие между workflows и agents: заранее заданный маршрут либо выбор хода работы моделью. Оно помогает определить, сколько самостоятельности действительно нужно процессу.
Маркетинговый пример можно начать с одного агента и процесса согласования вокруг него. Для банковской заявки я бы прежде всего рассматривал второй вариант из таблицы. Конвейер уже знает обязательные этапы; агент может взять на себя разбор свободного текста. Несколько исполнителей добавлял бы, когда разделение даёт измеримый выигрыш с учётом передачи контекста, времени и стоимости. Проверку лимита и фиксированный расчёт комиссии оставил бы коду.
Дополнительные агенты помогут лишь до того момента, пока работа не упрётся в лимит API или очередь согласований у сотрудника. Платформе нужны ограничения нагрузки и видимая причина задержки.
Чуть подробнее о полномочиях: почему агенту не нужны все права сотрудникаДля поручения человека эффективные разрешения ограничиваются пересечением его прав, делегированного доступа, политики компании и границ задачи. Подтверждение разрешает определённый шаг внутри этих границ.
Фоновому агенту можно выделить служебную идентичность с владельцем и ограниченными полномочиями. В Microsoft Agent 365 различаются делегированная работа от имени пользователя и действия агента от собственной идентичности. Возможность отдельной пользовательской учётной записи агента описана как preview.
В цепочке вызовов нужно сохранять сведения об инициаторе и исполнителе. Рекомендации MCP по безопасности разбирают ошибки передачи токенов между ресурсами. Общая административная учётная запись уничтожит смысл разграничения операций.
Содержимое документов тоже не должно менять полномочия. Команда отправить данные наружу, найденная в клиентском письме, остаётся частью письма. Даже если модель попытается её выполнить, исполняющая система обязана сохранить границы поручения.
Для самостоятельной сборки есть Hermes Agent от Nous Research. Его можно запустить на своей машине или сервере. Он поддерживает память, расписание, работу с файлами и кодом, делегирование подзадач. Входом может служить Telegram или Slack.
Hermes поддерживает Agent Skills: инструкции в SKILL.md, материалы и скрипты. Навыки можно брать из каталогов, подключать извне или создавать по результатам работы. MCP позволяет подключать инструменты и выбирать доступные агенту операции.
Вот несколько примеров из официального каталога. Это инструкции для выполнения задач с подключёнными инструментами; качество на данных конкретной компании ещё предстоит проверить.
Skill | Какая часть работы в нём описана |
|---|---|
Разобрать цепочки писем, определить приоритет и подготовить ответы. По умолчанию ограничивается чтением и черновиками | |
Выделить из документов обязательства, сроки и предполагаемые действия, сохранив ссылки на исходные места | |
По записям встречи собрать решения, договорённости и задачи; неуказанные сроки и ответственных оставить для уточнения | |
Следить за выбранными компаниями, отбирать существенные события и готовить сводку с источниками |
Из этих компонентов можно собрать помощника руководителя проекта. На вопрос «Что мы обещали заказчику и какие сроки под угрозой?» он сопоставит протокол, задачи и переписку. Внедренцу предстоит подключить трекер, настроить доступ к документам и задать правила проверки договорённостей.
Самостоятельное развёртывание и корпоративная настройка таких агентов — пока сложная тема для инженеров и продвинутых пользователей. У Hermes есть Desktop, но доступы, интеграции и контроль результата всё равно нужно настроить. Обычному сотруднику заниматься этим незачем; разработчику такие проекты стоит изучить.
Навыки, которые агент пишет сам, я бы пропускал через проверку и выпуск новой версии. Удобство сохранения найденного приёма не отменяет ответственности за изменение рабочего процесса.
Купленный пакет придётся проверить на собственных задачах. Внедрение заканчивается приёмкой работы, которую компания собирается ему поручить. Для этого у рабочего навыка нужны два владельца. Владелец процесса определяет результат, исключения и условия применения; технический владелец отвечает за инструменты, проверки и выпуск. Без них инструкция устареет так же, как забытый регламент на портале.

Рисунок 5. Навык проходит проверку вместе с моделью и инструментами. Ошибки из эксплуатации пополняют набор тестовых случаев для следующего выпуска.
Я бы версионировал инструкции, схемы инструментов, шаблоны и наборы проверочных задач. При этом одного номера skill мало: поведение зависит ещё от модели, поиска и подключённых сервисов. Обновили модель — прогнали регрессию на рабочих сценариях, даже если Markdown не изменился.
В наборе проверок нужны обычные задачи и неудобные случаи. Вот что я добавил бы для разобранного выше маркетингового процесса:
Случай | Что проверяем |
|---|---|
Одно имя у двух кампаний | Агент уточняет объект, прежде чем считать показатели |
Часть лидов не связана с источником | Отчёт показывает ограничение атрибуции |
Есть документ другого подразделения | Он не попадает в контекст без права доступа |
Между подготовкой и записью отозваны права | Исполнение останавливается на серверной проверке |
После согласования изменились получатели | Старое подтверждение не разрешает новый план |
Внешний сервис выполнил запрос, но вернул тайм-аут | Система выясняет результат и не создаёт дубликат |
В загруженном документе есть команда отправить данные наружу | Содержимое документа не расширяет разрешённые действия |
Специалисты оценивают выводы по контрольным примерам, а автоматические проверки отслеживают права, переходы состояний и побочные эффекты. В нашем примере красивого отчёта недостаточно: нужно также проверить адресатов приглашения и отсутствие лишних изменений в CRM.
В эксплуатации я бы измерял время прохождения процесса, долю принятых без исправлений результатов, возвраты на доработку, ошибки действий и время ручной проверки. Стоимость считал бы на успешно завершённую бизнес-задачу: с учётом модели, интеграций, инфраструктуры и труда людей. Дешёвый вызов, после которого специалист заново собирает весь отчёт, может обходиться дороже дорогого.
Для конкретной версии нужны остановка, отзыв допуска и передача незавершённых задач человеку. Начинать я бы стал с одного процесса с известной ценой ошибки и критериями приёмки. Его эксплуатационная история даст основание решать, какие операции доверять следующему выпуску.
Ещё три примера: банковский платёж, закупка и инцидентЧтобы проверить границы этой идеи, полезно взять задачи с разной ценой ошибки.
Клиент спрашивает, где платёж. По обращению агент находит операцию, собирает статусы и ошибки, готовит объяснение с источниками. Последний подтверждённый этап маршрута ещё не доказывает зачисление получателю — этот предел информации должен попасть в ответ. Повторный платёж, смена маршрута или реквизитов требуют отдельного допуска.
Закупщик сравнивает предложения. Агент сводит цены, комплектацию, доставку, гарантию и сроки в таблицу со ссылками на документы. Цена за упаковку приводится к той же единице, что цена за штуку; неуказанная доставка остаётся неизвестной. Закупщик проверяет расхождения, получает вопросы поставщикам и принимает решение в установленном порядке.
Дежурный разбирает инцидент. Агент сопоставляет разрешённые логи, метрики, изменения и прежние инциденты, собирает хронологию для дежурного. Дальше может подготовить действия по runbook. Перезапуск сервиса и изменение конфигурации проходят отдельную проверку полномочий; право читать диагностику их не разрешает.
Каждая такая задача может стать частью пакета рабочей роли. Расширять его возможности я бы стал после того, как понятны критерии приёмки и результаты эксплуатации уже подключённых функций.
Представим следующий запрос: отделу продаж нужен еженедельный разбор сделок под риском срыва. Для отдельного приложения пришлось бы делать вход пользователей, настройки, загрузку данных, отчёт и уведомления. Корпоративная платформа уже может предоставлять эти возможности. Тогда команда сосредоточится на связи с CRM, методике разбора, вычислениях, проверках и последующих действиях.
Мой прогноз: часть прикладной разработки переместится внутрь таких платформ. Команда будет поставлять рабочий процесс с агентами, инструментами, интерфейсами и проверками. Одни разработчики станут собирать тиражируемые пакеты, другие — приспосабливать их к предприятиям. Этим и займутся внедренцы, которых я упомянул в начале статьи.
По-прежнему придётся договориться, какую сделку считать проблемной. Менеджер говорит, что всё идёт по плану, в CRM просрочен следующий шаг, в письме клиент просит пересмотреть условия. Какое расхождение показать руководителю и какое действие предложить? Это и есть часть разработки, за которую отвечает команда.
В состав поставки попадут версии навыков, контракты инструментов, правила согласования и контрольные случаи. Обновление модели или поискового индекса может изменить поведение всего процесса. Перенос набора файлов в платформу ещё не означает, что работа принята заказчиком.
Здесь аналогия с 1С становится личной. Интегратору заплатят за умение разобраться с правилами компании, её исключениями и тремя расходящимися справочниками контрагентов. Писать всё с нуля потребуется реже, понимать, что должно получиться и довести до внедрения — совершенно точно.
Когда представляю такой сдвиг, иногда возникает резкая мысль: «привычная нам инженерия умирает». Всё больше реализации можно поручать инструментам, а самому приходится изучать закупки, продажи и учёт. Человеку, которому нравится именно программирование, это будущее может не понравиться. Я тоже пока не решил, как к нему отношусь.
При этом состояния, доступы, отказы и внешние эффекты из системы никуда не делись. За ними по-прежнему стоит инженерная работа. Меняется её состав: платформа забирает повторяемую реализацию, а разработчик всё глубже входит в правила бизнеса и отвечает за последствия автоматизации.
Мне подходит название «бизнес-инженер» (в конце статьи это называется термином FDE). Он может обсудить с закупщиком исключение, выбрать способ автоматизации и выяснить, почему после тайм-аута появилась вторая заявка. За ним остаются код, данные, модели, интеграция и эксплуатация.
Специализации сохраняются: фронтендеру нужно показать результат для проверки, QA — проверить сценарии и последствия действий, архитектору — распределить ответственность. Но объяснение «API ответил успешно» мало поможет, если заказчик получил неверное предложение клиенту.
Для себя я вижу практичный ориентир: освоить один участок работы и довести автоматизацию до измеримого результата. Сколько времени занимает операция, что принимается без исправлений, где нужен человек и во что обходится ошибка.
Если можно купить пакет задач закупщика и такой же пакет для продаж, можно ли собрать из них целую компанию? У Мишеля Катасты (Michele Catasta) из Replit есть выступление «The Rise of the Self-Driving Company».
В описании Replit люди ставят цели и отвечают за результат. Компания без людей — уже другая гипотеза.
Я пока в неё не верю. Вот пример из закупок.
Агент может найти более дешёвого поставщика. Компания иногда сознательно платит дороже: партнёр выручает при сбоях, допускает отсрочку, умеет работать с нестандартными заказами. Часть этих сведений можно внести в систему. Но кто заметит, что прежняя оценка устарела, пересмотрит правило и возьмёт на себя последствия?
Моя ставка — на людей, которые достаточно хорошо знают бизнес, чтобы поручать его задачи агентам, и достаточно хорошо знают IT, чтобы отвечать за работу этой системы.
В следующей статье хочу разобраться с двумя ролями: Forward Deployed Engineer (FDE) и Product Builder. Посмотрю, кто их нанимает, за какую работу платит и что из неё уже умеет делать разработчик.
Буду рад опыту тех, кто уже внедряет такие системы.
Насколько подходит аналогия с 1С?
Какую работу удалось передать агентам и сколько осталось за людьми, которые их настраивают?
Из этих подробностей и станет понятнее, что означает «купить профессию» и какая работа останется тем, кто такую покупку внедряет.
Для меня данный блог — это способ найти ответы на вопросы о том, что будет ценно в будущем и как на этом рынке зарабатывать и в роли создателя систем, и, может быть, через новые профессии вроде FDE.
Также веду телеграм-канал «ИИ встречается с реальностью», где рассказываю об этом в более сжатом формате.
Материалы и первоисточникиGraphite: The State of Gen AI — использование шести ИИ-сервисов в вебе и мобильных приложениях.
Hermes Agent: репозиторий проекта, система skills, каталог навыков, MCP-подключения.
Anthropic: шаблоны агентов для финансовой работы, Salesforce in Claude, Marketing.
OpenAI: Workspace agents и шаблоны для команд, Frontier и внедрение с FDE.
Сбер: каталог ролей GigaCowork и навыков GitVerse — в результатах за 9 месяцев 2026 года, задачи и подключения GigaCowork.
Яндекс: AI Studio, готовые решения и работа с корпоративными данными.
СберТех: MCP Gateway, авторизация, маршрутизация и подключение корпоративных API.
MCP: архитектура и безопасность; Agent Skills: спецификация.
Anthropic: Agent Skills, context engineering, проектирование tools, workflows и agents.
Интерфейсы MCP-инструментов в ChatGPT; идентичность агентов в Microsoft Agent 365.
Юлия Никитина, «ИИ и роботы», «Банковское обозрение», 16 ноября 2026 года; Replit, The Self-Driving Company.
Подборка материалов — на 17 ноября 2026 года.