ИИ в 1С: что реально работает, а что осталось хайпом

Всем привет, с вами Низамов Илья. Разберём, что такое ИИ в 1С в 2026 году: что уже встроено в платформу и типовые конфигурации, что придётся собирать самому и сколько это стоит. Заодно закроем вторую формулировку того же вопроса — ИИ для 1С (в англоязычной записи AI для 1С), с которой в поиск приходят разработчики. Сразу главное: под этими словами прячутся три разные задачи, и путать их дорого. Первая: готовые ИИ-сервисы фирмы «1С» внутри ваших типовых конфигураций. Вторая: ИИ помогает разработчику 1С писать код. Третья: ИИ-агент работает с вашими данными в 1С, где сама база выступает источником фактов. Инструменты, деньги и риски у них разные, поэтому и разбирать я их буду по отдельности.

За последний год спрос заметно сдвинулся. Запросы вокруг «ChatGPT для 1С» тихо угасают, зато «ИИ-агент для 1С» и «MCP-сервер для 1С» растут кратно: по нашим замерам примерно в 11 и в 5,6 раза за полгода. Дело не в моде на слова. За этим стоит технический сдвиг: от «бот отвечает текстом» к «агент читает и меняет данные внутри 1С».

Что вы заберёте из статьи:

• Чем ИИ для разработчика отличается от ИИ-агента над данными, и почему нельзя выбирать инструмент, пока не понял, какая из двух задач ваша.
• Как устроен рабочий стек разработчика: 1С:Напарник, Claude Code поверх выгрузки конфигурации в XML, локальные и облачные модели.
• Как агент обращается к 1С как к базе данных через MCP, с кодом инструмента на стороне 1С и агентом на стороне Python.
• Что из ИИ уже входит в платформу и типовые конфигурации, а за что фирма «1С» берёт отдельные деньги.
• Сколько стоит ИИ в 1С в трёх вариантах: сервисы по подписке, облачные токены, свой сервер.
• Когда для 1С хватает облачного API, а когда данные обязаны остаться на своём сервере.

Конкуренты в топе выдачи обычно сваливают всё в один список «10 нейросетей для 1С по алфавиту». Проблема в том, что список моделей не отвечает на вопрос «что делать». ChatGPT, Claude и Qwen попадают в него все сразу, но под написание кода, под ответы по регламентам и под автосоздание документов нужны разные архитектуры, а не разные строчки в таблице. Поэтому дальше не рейтинг моделей, а две карты под две задачи.

Что такое ИИ в 1С и что уже встроено в платформу

Начну с того, что чаще всего спрашивают владельцы бизнеса и главбухи: есть ли в 1С ИИ из коробки, или это всё пока разговоры. Ответ: ИИ в 1С есть, но это не одна кнопка «включить искусственный интеллект», а набор отдельных сервисов. Фирма «1С» на официальной странице про искусственный интеллект перечисляет пять направлений, и полезно знать их по именам, потому что подключаются и оплачиваются они по отдельности.

Три вещи, которые из этой таблицы не видны, а на внедрении всплывают сразу. Первая: почти все сервисы облачные, данные для обработки уходят на сторону «1С» — исключение только распознавание речи, у него есть локальный вариант со скачанной моделью. Вторая: для подключения программа должна стоять на официальной поддержке, без действующего ИТС разговор не начинается. Третья: сервисы не бесплатные, у каждого свой тариф, и про деньги ниже будет отдельный раздел.

Отдельно про частое заблуждение. 1С:Аналитика — это не ИИ. Это BI-система внутри платформы: диаграммы, дашборды, детализация до конкретного документа. Полезная штука, но никакой языковой модели там нет, и «спросить у неё словами» нельзя. Путаница возникает потому, что и то и другое продаётся под общим словом «аналитика».

И ещё один вопрос, который задают раньше остальных: заменит ли всё это программиста. Короткий ответ — нет, меняется состав работы, а не её объём; длинный ответ я разбирал в статье про то, как ИИ меняет работу 1С-разработчика.

ИИ в типовых конфигурациях: Бухгалтерия, ЗУП, УТ, ERP, УНФ, Документооборот

Здесь важно понимать простую вещь: ИИ живёт не в конфигурации, а в сервисе, к которому конфигурация умеет обращаться. Поэтому «ИИ в 1С:Бухгалтерии» и «ИИ в 1С:УТ» — это не две разные нейросети, а два разных сервиса, доступных из разных типовых. Ниже — что реально работает по каждой линейке на момент публикации.

ИИ в 1С:Бухгалтерии — распознавание первички и ответы по регламентам

Самый зрелый сценарий во всей теме. 1С:Распознавание первичных документов берёт скан или фото и создаёт из него документ в базе: счета, накладные ТОРГ-12, акты, счета-фактуры, УПД, УКД, кассовые чеки. Принимает не только картинки, но и pdf, Word, Excel, и даже архивы — можно прогнать пачку через поточный сканер одним файлом. Сервис сам сопоставляет контрагентов и номенклатуру с объектами базы, запоминает ваш выбор на будущее, собирает комплекты вроде «ТОРГ-12 плюс счёт-фактура», а по кассовым чекам сверяет данные из QR-кода с ФНС.

Что здесь стоит понимать трезво: это распознавание, а не бухгалтер. Значения, в которых сервис не уверен, подсвечиваются, и проверять результат всё равно человеку. Выигрыш не в том, что первичка вводится сама, а в том, что вместо набора руками остаётся вычитка.

А вот «спросить у 1С про регламенты» — это уже не Бухгалтерия, а 1С:Напарник по ИТС: он отвечает на вопросы по предметной области на портале ИТС. Внутрь конфигурации он не встроен, и это регулярно разочаровывает — люди ждут чат прямо в интерфейсе программы.

ИИ в 1С:Документообороте — классификация и маршрутизация

В Документообороте 3.0 (редакции КОРП, ДГУ, Холдинг, начиная с релиза 3.0.15) доступен отдельный тариф «Распознавание текста»: он превращает скан или фото любого непервичного документа в текст. Это фундамент, потому что пока договор лежит картинкой, ни классифицировать, ни маршрутизировать его нечем.

Дальше нужна честность. Готового штатного сервиса «1С», который сам разложит входящие по видам документов и раскидает по маршрутам, в официальном перечне ИИ-направлений нет. Классификация и маршрутизация по содержимому — это то, что собирается под конкретную организацию: текст из распознавания уходит в свою модель-классификатор, а обратно в Документооборот приходит вид документа, контрагент и предполагаемый маршрут. Задача решаемая и довольно благодарная, но это разработка, а не галочка в настройках.

Что действительно есть штатного и работает — речевые сервисы: резолюции, задачи и комментарии удобнее надиктовать, чем набирать, особенно с телефона.

ИИ в 1С:ЗУП — подбор и типовые кадровые вопросы

Самая скромная строчка обзора, и приукрашивать её не буду. Отдельного ИИ-сервиса фирмы «1С» под ЗУП в официальном перечне нет: ни ИИ-подбора кандидатов, ни ИИ-ответов по кадровому учёту внутри конфигурации. Всё, что доступно кадровику штатно, — это 1С:Напарник по ИТС для вопросов по законодательству и учёту плюс распознавание речи для диктовки.

Что реально внедряют под ЗУП, так это свою надстройку: модель отвечает сотрудникам на типовые вопросы про отпуска, справки и расчётные листки по вашим внутренним регламентам, а данные тянет из базы. Технически это ровно тот же агент над данными, что и в торговле, только предметная область другая. Про подбор персонала: скрининг резюме моделью работает, но живёт он обычно во внешней системе подбора, а в ЗУП попадает уже принятый кандидат.

ИИ в 1С:УТ и ERP — прогноз спроса и работа с НСИ

Здесь у «1С» есть готовый ответ — сервис 1С:Прогнозирование продаж. Работает в ERP начиная с 2.5.19, в Комплексной автоматизации с 2.5.19, в УТ с 11.5.19 и в ERP УХ с 3.2.3, а начиная с платформы 8.3.25 доступен ещё и из встроенного языка, то есть его можно встроить в любое своё приложение. Схема простая: база отдаёт в облако историю продаж, обратно приходит прогноз на выбранный горизонт, из которого создаются планы продаж, закупок и производства.

Что мне в этом сервисе нравится, так это отсутствие магии в описании. Методы названы прямо: скользящее среднее, сезонная модель, экспоненциальное сглаживание, градиентный бустинг, рекуррентные нейросети. Точность меряется нормальными метриками — MAE, RMSE, MAPE и её вариантами. Прогноз можно поправить руками, если вы знаете про акцию или уход конкурента, о которых в истории продаж ничего нет. Это взрослый подход: не «нейросеть предскажет», а «вот модель, вот ошибка, вот ручная корректировка».

С НСИ ситуация как в Документообороте. Сопоставление номенклатуры поставщика с вашей делает распознавание первички — в своих пределах и с обучением на ваших правках. А вот чистка дублей в справочниках, склейка карточек и категоризация ассортимента штатным ИИ-сервисом не закрыты: это делается своим кодом, обычно через векторные представления названий. Работа понятная, но своя.

ИИ в отчётах 1С: что он реально даёт и где начинает врать

ИИ в отчётах 1С — запрос, за которым прячутся два совершенно разных желания, и от того, какое из них ваше, зависит, получится вообще что-нибудь или нет.

Первое желание: спросить у базы человеческим языком и получить цифру. «Сколько продали холодильников в июле по Уфе». Технически это значит, что кто-то должен построить запрос к вашим данным. Работает это только тогда, когда запрос строит не модель, а вы: заранее готовятся инструменты-обёртки на стороне 1С с понятными параметрами, а модель лишь выбирает нужный инструмент и подставляет период и склад. Как только вы разрешаете модели сочинять текст запроса самостоятельно, начинается лотерея — она возьмёт не тот регистр, перепутает оборот с остатком и, что хуже всего, отдаст правдоподобное число без единого признака ошибки.

Второе желание: объяснить готовый отчёт. Числа уже посчитаны системой компоновки данных, модель только описывает словами, что изменилось и на что стоит посмотреть. Вот это работает хорошо и почти безопасно, потому что считает по-прежнему 1С.

Отсюда правило, которое я повторяю на каждом внедрении: цифры считает 1С, модель только формулирует. Любая архитектура, где итоговая сумма впервые появляется внутри языковой модели, рано или поздно даст красивый неправильный отчёт, и заметить это на глаз невозможно — числа выглядят абсолютно нормально. Если вы аналитик или консультант и вам нужна карта задач подробнее (запросы, отчёты на СКД, требования и ТЗ) — я разбирал её отдельно в статье про то, как аналитику 1С применять ИИ.

Сколько стоит ИИ в 1С: подписка, облачные токены, свой сервер

Вопрос про деньги обычно задают последним, а надо бы первым: три пути отличаются не столько возможностями, сколько тем, за что вы платите. Цены на сервисы «1С» ниже приведены по официальному прайсу на момент публикации; состав и стоимость сервисов меняются, актуальные тарифы всегда смотрите в реестре сервисов на портале ИТС.

Путь первый: сервисы «1С» по подписке. Платите за объём работы, не за железо и не за разработку. Распознавание первички тарифицируется страницами: 600 ₽ в год за 100 страниц, 4 500 ₽ за 1 000, 40 000 ₽ за 10 000 — и есть бесплатный тестовый тариф на 250 страниц на год, которого хватает, чтобы честно проверить сервис на своей первичке до всякой оплаты. Прогнозирование продаж продаётся квотами через 1С:Универсальное прогнозирование: 3 000 ₽ в год за 200 единиц квоты, 25 000 ₽ за 5 000, 60 000 ₽ за 25 000; сколько квоты нужно именно вам, считает калькулятор в самой программе. Ключ доступа к 1С:Напарнику выдаётся на портале 1С по учётной записи ИТС и до 1 октября 2026 года бесплатен, а с версии 1C:EDT 2025 плагин вообще входит в комплект поставки. Обязательное условие для всего перечисленного — программа на официальной поддержке.

Путь второй: облачные модели по токенам. Это когда штатных сервисов не хватает и вы делаете свою функциональность. Платите за объём текста, прошедшего через модель, счёт идёт за миллион токенов, и разброс цен между дешёвыми открытыми моделями и топовыми закрытыми — примерно два порядка. Точные цифры называть не буду, они меняются чаще, чем выходят статьи. Важнее понимать другое: в 1С основной расход создаёт не количество вопросов, а размер контекста. Один разбор большой конфигурации может стоить дороже сотни коротких вопросов, поэтому первый же шаг оптимизации — не гнать в модель всё подряд.

Путь третий: свой сервер. Платите один раз за железо и дальше только за электричество и администрирование. Разумная точка входа — видеокарта на 24 GB видеопамяти; разовые вложения в неё сопоставимы с годом облачного API на одного разработчика. Дальше стоимость обращения фактически нулевая, и это единственный вариант, при котором данные гарантированно не покидают периметр. Обратная сторона — сервер надо кому-то поддерживать, а качество открытых моделей на сложных задачах пока ниже топового облака. Что и на чём поднимать, я мерил на реальном железе: разбор установки vLLM и сравнение видеокарт под инференс.

Правило выбора без лишней философии: разовые и редкие задачи дешевле в облаке, поток — на своём железе, а всё, что закрывается штатным сервисом «1С», штатным сервисом и закрывайте, это самый дешёвый путь из трёх. Если считать экономику под свои объёмы не хочется в одиночку, мы делаем это на старте проекта — разработка ИИ-решений для 1С.

Как внедрить ИИ в 1С: три архитектуры кратко

Каким бы ни был сценарий, способов подключить модель к 1С ровно три, и выбор между ними определяет всё остальное: бюджет, сроки и то, куда уйдут ваши данные. Про сам порядок внедрения — какой процесс отдавать агенту, сколько длится пилот и что ломается на практике — отдельно в статье про внедрение ИИ-агентов в бизнес.

Готовый сервис «1С» по подписке. Ничего не разрабатывается: вы включаете сервис в программе на поддержке и работаете. Быстро и предсказуемо, но ровно в тех рамках, что заложила фирма «1С» — расширить или переучить под свою специфику не получится.

Внешний сервис рядом с 1С. Вся ИИ-логика живёт в отдельном приложении, обычно на Python, а 1С общается с ним по HTTP как с любым внешним сервисом. Конфигурация почти не меняется, обновляться она продолжает штатно, модель можно поставить любую — облачную или свою. Это самый частый вариант на реальных проектах.

Агент с инструментами внутрь базы. Модель не просто отвечает, а вызывает подготовленные вами процедуры 1С: читает остатки, формирует отчёт, создаёт документ. Здесь появляются права, журнал действий и подтверждения — то есть настоящая ответственность, а не демка.

Полный разбор этих трёх схем с диаграммами, кодом обеих сторон и разбором, где какая ломается, — в отдельной статье: разбор с диаграммами и кодом. Дублировать её здесь не буду, обзор и так длинный.

Чем ИИ-агент в 1С отличается от чат-бота

Различие звучит терминологически, а стоит денег. Чат-бот — это один вызов модели: пришёл вопрос, ушёл текст. Факты он берёт из того, что запомнил при обучении, поэтому на вопрос про остатки на складе честно выдумает правдоподобное число. Ни одного обращения к вашей базе при этом не произойдёт. Разработка агента, который отвечает данными из вашей базы, а не памятью модели, — отдельная услуга.

Агент устроен иначе. Он работает циклом: получил задачу, выбрал инструмент, вызвал его, посмотрел на результат, решил, что делать дальше, и так до готового ответа. Инструменты — это ваши процедуры: получить остатки, построить отчёт, найти заказ, создать документ. Факты приходят из базы, а не из памяти модели, и поэтому агенту можно доверить работу, а чат-боту нельзя.

Ближайший пример у всех перед глазами: 1С:Напарник в агентном режиме сам ищет по метаданным проекта, читает файлы, правит код, читает маркеры 1C:EDT и ходит в git, и при этом умеет спрашивать подтверждение перед каждым изменением. Это ровно та же архитектура, только применённая к коду, а не к учётным данным. Как собрать такой автономный цикл самому — с планировщиком, изолированными подзадачами и гейтами приёмки — я разбирал на своём проекте: автономный ИИ-агент для разработки.

Практический вывод для бизнеса. Если вам обещают «ИИ-бота для 1С», спрашивайте, откуда он берёт цифры. Если из модели — это игрушка, и в учёте ей не место. Если через вызов инструментов базы — это уже система, и дальше разговор идёт про права, журнал и приёмку. Такие внедрения мы и делаем: ИИ-разработка под 1С на заказ.

Блок 1. ИИ для 1С-разработчика: как писать код быстрее

Здесь ИИ работает как ускоритель для человека за клавиатурой. Именно эту группу обычно и называют AI-инструментами для разработчика 1С: помощники в редакторе, агенты-кодеры и модели для генерации кода 1С. Он не лезет в боевую базу, не меняет данные, его зона это исходный код: сгенерировать процедуру, объяснить чужой модуль, найти ошибку, переписать запрос. Ответственность за результат остаётся на разработчике, и это важно: ИИ тут советчик, а не исполнитель.

1С:Напарник — официальный ассистент внутри платформы

Начинать стоит с него, потому что это стандарт от самой 1С и встроен он прямо в среду разработки 1С:EDT. Напарник умеет ровно то, что нужно каждый день: объяснить выделенный код, сделать ревью и предложить улучшения, сгенерировать документирующий комментарий с описанием параметров, исправить код по текстовой инструкции («добавь проверку на пустое значение»), собрать сообщение коммита по diff и продолжать код умным автокомплитом.

Самое интересное у него не сама модель, а то, что под капотом работает RAG по вашей конфигурации. Напарник видит метаданные, формы, ваши общие модули и процедуры, поэтому подсказки идут в контексте конкретной базы, а не абстрактного языка 1С. Это тот же механизм, который я подробнее разбираю во втором блоке: релевантные куски конфигурации подкладываются модели в контекст перед ответом, и она перестаёт выдумывать имена реквизитов. До 1 октября 2026 года Напарник бесплатен для всех с подпиской ИТС, так что повод попробовать его первым.

Предел у него тоже понятный. Он заперт в контуре EDT и работает по одному файлу или фрагменту. Как только задача выходит за рамки «подскажи код здесь», например «пройдись по десятку модулей и найди, где ещё используется этот устаревший метод», нужен инструмент, который видит всю конфигурацию целиком.

Claude Code поверх выгрузки конфигурации в XML

Вот здесь появляется приём, который у нас на проектах даёт больше всего пользы. Конфигурацию 1С можно выгрузить в файлы: обычные XML и текстовые модули на встроенном языке. В EDT проект и так лежит файлами, а из Конфигуратора это делается штатной командой выгрузки конфигурации в файлы. На выходе получается дерево, где каждый объект метаданных лежит отдельным файлом:

mcp_ones/
├── Catalogs/
│   ├── Номенклатура.xml
│   └── Партнеры.xml
├── Documents/
├── CommonModules/
│   ├── nsmcp_ОбщегоНазначенияСервер.xml
│   └── nsmcp_ОбщегоНазначенияСервер/Ext/Module.bsl
├── HTTPServices/
└── Configuration.xml

Дальше на эту папку натравливается агент-кодер вроде Claude Code. От Напарника отличие в масштабе контекста: агент видит не один файл, а всю структуру сразу, читает .bsl-модули, XML метаданных, связи между объектами. Ему можно дать задачу уровня «найди все места, где обращаемся к этому реквизиту, и добавь обработку пустого значения» или «объясни, как устроен обмен в этом расширении», и он сам обойдёт нужные файлы. По факту вы получаете разработчика, который за минуту прочитал всю конфигурацию.

Практическое правило простое. Напарник для точечной работы в EDT здесь и сейчас, Claude Code поверх выгрузки для задач, где нужно охватить всю конфигурацию или целое расширение. Как подготовить выгрузку под агента и какие правила положить в CLAUDE.md — в разборе Claude Code для 1С.

Какую модель ставить под код: облако, локаль, китайские API

Модель под задачи разработки выбирают по трём осям: качество, приватность кода, цена. Разложу по вариантам, которые реально применяют.

Топовое облако (Claude, GPT). Сильнее всего на сложном: проектирование архитектуры, рефакторинг, разбор запутанной логики, где нужны многошаговые рассуждения. Минус один, но чувствительный: исходники уходят на чужой сервер. Для типовых конфигураций это часто приемлемо, для заказных с чувствительной логикой уже вопрос к безопасности.

Локальная модель на своём сервере. Когда код не должен покидать периметр, ставите модель у себя. В 2026-м открытые модели догнали облако достаточно, чтобы это не было жертвой качеством. Qwen3 в варианте на 27–30 миллиардов параметров крутится на одной-двух хороших видеокартах и уверенно тянет генерацию и объяснение кода. У нас в проектах агент работает как раз на Qwen3 через vLLM: модель локальная, а API у неё OpenAI-совместимый, так что клиентский код не отличается от облачного. Как поднять такой сервер, я разбираю в гайде по запуску vLLM на RTX 3090 и Tesla V100, а как выбрать под это железо, в сравнении видеокарт для LLM.

Облачные китайские модели. Хороший компромисс, если своего железа нет, а гонять топовое западное облако дорого. Kimi и GLM новых поколений дают сильный уровень на коде и особенно хороши на длинном контексте, а длинный контекст для 1С важен: туда влезает вся выгруженная конфигурация целиком. По цене за токен они заметно дешевле топового облака, поэтому на потоке рутинных задач выходят выгоднее.

Универсального ответа «какая модель лучшая для 1С» тут нет, и это не отговорка. Под архитектурный рефакторинг выиграет одна модель, под быстрый разбор десятка модулей другая, под приватный контур третья. Честный способ выбрать я показываю ниже.

И это ещё не всё измерение выбора. Кроме архитектурного кода у разработчика 1С хватает более узких, но не менее частых задач: классификация номенклатуры, поиск по регламентам, разбор сканов. Там правильный ответ часто вообще не «модель побольше», а маленькая специализированная модель, которую большая LLM разметкой обучила один раз. Подробную карту «тип 1С-задачи → класс модели» и разбор паттерна дистилляции смотрите в статье «Нейросети для 1С: какую выбрать под задачу разработчика».

Кейс: ИИ оптимизирует запрос 1С по реальному плану

Чтобы «ИИ для разработчика» не осталось общими словами, вот конкретный приём из нашего проекта. Оптимизацию запроса легко доверить модели вслепую и получить красивый, но неверный запрос. Мы сделали иначе: собрали сервис, который гоняет ИИ по циклу с обратной связью от реальной базы.

Схема такая. Берём текст 1С-запроса, прогоняем его через рабочую базу и снимаем метрики и план выполнения. Отдаём модели не только сам запрос, но и эти метрики: где долго, что читается лишнего. Модель предлагает оптимизированный вариант, мы снова прогоняем его через базу и сравниваем. Цикл повторяется, пока запрос реально не ускорится, а не пока модель не сочтёт его красивым. Каждый прогон пишется на диск, историю можно прервать и не потерять.

Смысл шире одного запроса. ИИ-разработчик полезен ровно тогда, когда его выводы проверяются фактами из системы, а не принимаются на веру. Это мостик ко второму блоку, где 1С из объекта разработки превращается в источник данных для агента.

Блок 2. ИИ-агент и 1С как база данных

Второй тип задач переворачивает роль 1С. Здесь она не то, что мы редактируем, а источник живых данных, к которому агент обращается как к базе. Пользователь спрашивает на человеческом языке, «покажи заказы Видео маркета за последний месяц и есть ли просрочка», а AI-агент сам решает, какие данные поднять из 1С, вызывает нужные инструменты и собирает ответ. Отличие от разработки в том, что агент читает и меняет боевые данные, а не код. Когда такой агент нужен не как эксперимент, а как рабочий инструмент отдела продаж, у нас есть отдельная услуга — разработка ИИ-агента для продаж с доступом к вашей 1С.

Идея: 1С публикует инструменты, агент их вызывает

Чтобы агент работал с 1С как с базой, ему нужны не прямые SQL-запросы, а инструменты: функции с понятным описанием, которые внутри делают запрос к базе и возвращают результат. Стандарт, который это описывает, называется MCP (Model Context Protocol). Он задаёт единый формат: инструмент описывается один раз, и его понимает любой MCP-совместимый клиент, будь то Claude, Cursor или ваш собственный агент. Раньше под каждого клиента писали свою интеграцию, теперь один сервер работает на всех.

Удобнее всего поднять этот MCP-сервер прямо внутри 1С, на HTTP-сервисах платформы, отдельным расширением. Тогда никакой прослойки: агент по HTTP дёргает сервис, сервис внутри 1С делает запрос к базе и отдаёт JSON. Как устроен такой сервер целиком, я показываю в статье «MCP-сервер для 1С: что это и как создать свой».

Инструмент на стороне 1С: обёртка над запросом

Инструмент для агента это функция на встроенном языке, которая описывает себя для модели и умеет отработать вызов. Вот как в нашем расширении выглядит описание инструмента «отчёт по заказам». По нему модель понимает, когда и с какими аргументами его звать:

Инструмент.Вставить("name", "get_orders_report");
Инструмент.Вставить("description",
    "Список заказов клиентов с номерами, датами, суммами и итогом.
     Достаточно для вопросов «покажи заказы», «заказы партнёра».
     Все параметры необязательные. Если не указан период,
     возвращаются ВСЕ заказы. Не добавляй фильтр по дате,
     если пользователь явно не просит.");
Инструмент.Вставить("inputSchema", Схема); // type=object, properties: partner, period...

Само описание это уже промпт-инжиниринг. Чем точнее сказано модели, когда инструмент нужен, а когда нет, тем меньше она делает лишних вызовов. Рядом лежит функция-реализация: она включает привилегированный режим, строит запрос к регистрам и справочникам и возвращает данные в JSON. Добавление нового инструмента в расширение это дисциплинированная процедура из нескольких шагов (XML метаданных модуля, код на .bsl, регистрация модуля в конфигурации и в роутере), и пропуск любого шага ломает компиляцию. Механику я подробно расписываю в статье про MCP-сервер.

Агент на стороне Python: цикл «думает, зовёт, отвечает»

На стороне клиента агент собирается на LangGraph. Инструменты с 1С-сервера подтягиваются автоматически, их не нужно описывать в Python руками:

from langchain_mcp_adapters.client import MultiServerMCPClient

client = MultiServerMCPClient({
    "ones": {"transport": "streamable_http",
             "url": "http://ваш-сервер/ones/hs/nsmcp"}
})
tools = await client.get_tools()   # инструменты приходят прямо из 1С

Дальше сам агентный цикл. Модель получает вопрос, решает, нужен ли инструмент. Если да, вызывает его, получает данные из 1С, смотрит на них и решает: звать ещё инструмент или уже отвечать. Так образуется петля агент → инструмент → агент → … → ответ. В LangGraph она собирается буквально одной функцией:

from langgraph.prebuilt import create_react_agent
graph = create_react_agent(llm, tools, prompt=SYSTEM_PROMPT)

Модель здесь тот же Qwen3 через vLLM, что и в первом блоке, только запущенный с поддержкой вызова инструментов. Данные при этом не покидают периметр: и 1С, и модель, и агент живут на вашей инфраструктуре. Полное руководство со сборкой графа вручную и разбором каждого узла лежит в статье «ИИ-агент для 1С на LangGraph».

Дисциплина промпта: чтобы агент не выдумывал

Агент над боевыми данными опаснее чат-бота. Если он додумает несуществующую задолженность, это уже не косметическая ошибка. Поэтому системный промпт агента это не «будь полезным ассистентом», а набор жёстких правил. Вот выжимка из нашего боевого промпта:

- Отвечай ТОЛЬКО на основе данных из инструментов.
  Никогда не выдумывай и не дополняй.
- Если данных нет в ответе инструмента (адрес, способ оплаты,
  гарантия), прямо скажи «Этой информации нет в системе».
- uuid — внутренний идентификатор, не показывай его,
  но используй при вызовах. Номер заказа это НЕ uuid.

Первое правило снимает главный риск галлюцинаций: модель не имеет права говорить то, чего нет в данных. Второе учит её честно признавать пробел вместо выдумки. Третье про частую техническую грабельку, когда путают человекочитаемый номер и внутренний идентификатор. Хороший системный промпт для агента над 1С пишется не за один заход, его дошлифовывают на реальных вопросах.

Бесплатный ИИ для 1С, локальный контур и помощник для конфигуратора

Три формулировки, с которыми чаще всего приходят в поиск после того, как общая картина сложилась. Отвечу коротко и без рекламы, потому что честный ответ на каждую экономит недели.

Бесплатный ИИ для 1С: что бесплатно на самом деле

Бесплатного «ИИ для 1С под ключ» не существует, но есть три способа не платить за токены. Первый: 1С:Напарник, он бесплатен для всех с подпиской ИТС до 1 октября 2026 года, и начинать разумно с него. Второй: открытые модели вроде Qwen3, GLM и Kimi. Сами веса ничего не стоят, но железо под них стоит: видеокарта на 24 гигабайта памяти это разовые вложения, сопоставимые с годом облачного API на одного разработчика. Третий: бесплатные лимиты облачных провайдеров. Их хватает, чтобы попробовать и понять, стоит ли овчинка выделки, но не хватает на поток задач.

Считать надо не «платно или бесплатно», а стоимость одной решённой задачи. Локальная модель выигрывает на объёме и на приватности, облако выигрывает на старте и на сложных разовых задачах.

ИИ для 1С локально: когда данные не должны уходить

Локальный контур нужен не всем и не всегда. Правило простое: если наружу уйдёт то, за что вы отвечаете по договору или по закону — заказная логика под NDA, персональные данные, коммерческие условия из документов, — модель ставится у себя. Если речь про типовую конфигурацию и обезличенный фрагмент кода, облако приемлемо.

Технически это давно решённая задача: модель поднимается на своём сервере через vLLM или Ollama, API у неё OpenAI-совместимый, и клиентский код не отличается от облачного. Рабочий компромисс, который мы чаще всего и внедряем: локальная модель на всё, что касается вашей базы и вашего кода, облако на общие вопросы и разовый тяжёлый рефакторинг.

ИИ-помощник для конфигуратора и ИИ-ассистент для 1С

Здесь важная деталь, которую стоит знать заранее. Напарник живёт в 1С:EDT, а в Конфигураторе штатного ИИ-помощника сейчас нет: расширять его сторонними плагинами платформа не даёт. Поэтому для тех, кто работает в Конфигураторе, путь ровно один — выгрузить конфигурацию в XML и работать агентом-кодером поверх этой папки, как описано в первом блоке. Разработка идёт в привычной среде, а ИИ работает с файлами рядом.

И отдельно про формулировку «ИИ-ассистент для 1С». Часто под ней имеют в виду не помощника разработчику, а помощника пользователю: спросить у системы про остатки и заказы человеческим языком. Это уже второй блок — агент над данными через MCP, а не плагин в среду разработки. Две разные задачи, и инструменты у них разные.

Как проверить, что модель реально работает, а не выглядит умной

Оба блока упираются в один вопрос: как понять, что ИИ-фича работает, а не просто красиво отвечает на демке. На демонстрации модель всегда выглядит гладко, а на реальных вопросах начинает выдумывать, и заметить это на глаз невозможно.

Рабочий способ это оценка через модель-судью (LLM-as-a-judge). Вместо ручной проверки вы поручаете оценку отдельной модели по чётким критериям. Для агента над данными её удобно разбить надвое: один судья смотрит, поднял ли агент релевантные данные под вопрос, второй смотрит, насколько точен итоговый ответ относительно эталона. Оценки сводятся в один нормализованный балл, по которому уже можно сравнивать модели и ловить регрессии от версии к версии.

Ровно этот же принцип обратной связи от фактов работал в кейсе с оптимизацией запроса из первого блока, только там судьёй была сама база с её планом выполнения. Ценность не в конкретных цифрах шкалы, а в том, что у вас появляется воспроизводимая метрика вместо ощущения. Прогнали новую модель по датасету своих вопросов, увидели, что средний балл упал, откатились. Собственный датасет из полусотни реальных вопросов с эталонными ответами окупается быстро: он превращает выбор модели из спора вкусов в измеримое сравнение. Тестирование и отладку ИИ-агентов я подробно разбираю в курсе, без этого серьёзный прод не собрать.

Итог: два блока, две карты выбора

Соберу всё в короткий чек-лист. Первым делом определите, какая из двух задач ваша, а модель выбирайте уже под неё.

ИИ для разработчика (пишем код):

• Точечная помощь в EDT, ревью, автокомплит: 1С:Напарник, и он бесплатен до октября 2026.
• Задачи по всей конфигурации, разбор расширения: Claude Code поверх выгрузки конфигурации в XML.
• Код не должен уходить наружу: локальная модель (Qwen3 27B) на своём сервере.
• Нет своего железа, но нужен дешёвый длинный контекст: облачные Kimi или GLM.

ИИ-агент над данными (1С как база):

• Отвечать на вопросы по данным, читать заказы и остатки: агент с инструментами через MCP-сервер для 1С.
• Подключить готового клиента (Claude, Cursor) к 1С: тот же MCP-сервер, клиент любой.
• Данные не могут покидать периметр: локальная модель для агента, всё внутри.
• Собрать агента с нуля и понять механику: ИИ-агент для 1С на LangGraph.

И общее для обоих. Не верьте демке, заведите свой датасет и измеряйте. «Лучшей нейросети для 1С» не существует, есть подходящая под вашу задачу и ваш контур.

Отдельно про генерацию кода: почему нейросети спотыкаются на вайбкодинге в 1С и как выстроить процесс, где модель не гадает про платформу.

А если вы не разработчик, а аналитик или консультант — смотрите отдельный разбор, как аналитику 1С применять ИИ: карта задач (требования, ТЗ, запросы, отчёты на СКД) и где нейросеть безопасна, а где молча ошибается.

Все эти подходы, работа с кодом, RAG, агенты, MCP, локальные и облачные модели, разобраны с рабочим кодом в курсе «ИИ для 1С»: от первого чат-бота до боевого агента, который читает и меняет данные в вашей конфигурации.

Ближайшая практика по второму блоку — бесплатный вебинар 20 августа «ИИ-агент для 1С на MCP: вопрос голосом, ответ из базы»: разбираем архитектуру локального агента, который читает данные конфигурации через MCP-сервер и отвечает голосом.