Как ИИ-агенты меняют работу с данными в 1С

Роман Коротаев Руководитель отдела автоматизации предприятий компании «Синимекс» В прошлом 2025 году на рынке ИИ произошли два заметных события. Сначала компании начали массово обсуждать, как ИИ-модели подключаются к данным и функциям корпоративных систем через т.н. слой расширения контекста (Model Context Protocol). Затем в центре внимания оказались агентские сценарии, где ИИ не просто отвечает на вопрос, а последовательно выполняет несколько шагов, использует инструменты реального окружения и собирает результат на основе реальных данных систем. И вот в 2026 году эти подходы приходят в мир 1С-систем. Поговорим об этом подробнее, ведь в крупных компаниях 1С – основа всей информационной инфраструктуры.

Как ИИ может получить доступ к данным?

До недавнего времени разговор об ИИ в 1С часто сводился к упрощенной идее: подключить к системе чат, чтобы можно было прикладывать какую-либо информацию из системы и задавать вопросы на естественном языке. На демо это выглядит довольно убедительно, но на практике выясняется, что сам по себе чат мало что решает. Если модель не имеет надежного и управляемого доступа к данным и функциям системы, она компенсирует нехватку данных догадками. А для управленческой аналитики, коммерческой информации, финансовых показателей и персональных данных такой сценарий недопустим.

Поэтому разговор об ИИ в 1С очень быстро выходит за рамки интерфейса и упирается в более практические вопросы: как организовать доступ к реальным данным систем, как обеспечить безопасность и как сделать результат действительно полезным для бизнеса.

Этот подход обозначили как стандартизированный слой доступа ИИ к данным и функциям систем. Позже это оформили уже в стандарт на рынке — MCP (Model Context Protocol). Важно, что ИИ-модель перестала работать вслепую и начала обращаться к заранее описанным инструментам: получать данные, вызывать бизнес-функции, извлекать нужные сущности из нескольких систем и возвращать проверяемый результат.

Агенты

Дальнейшее развитие идеи чата в системе – это ИИ-агент в сочетании со слоем доступа к инструментам и данным (MCP). В отличие от модели, агент выполняет цепочку действий: понять задачу, выбрать нужные инструменты, собрать промежуточные результаты, сопоставить их и только после этого вернуть итог пользователю. Для бизнеса это особенно важно, потому что реальные запросы редко ограничиваются одним вопросом в чате.

Возьмем такой вопрос: «Покажи топ-10 покупателей с наибольшим объемом отгрузок за прошлый квартал по всем базам 1С». Для ответа системе нужно определить период, собрать данные из разных баз и агрегировать результат. Для пользователя снаружи это выглядит как диалог в чате, а внутри работы агента это уже цепочка нескольких шагов, скрытых от пользователя.

Почему ИИ-агент в сочетании с бизнес-функциями MCP и ИИ-моделью в локальном контуре компании так актуален для 1С?

Во-первых, в 1С сосредоточены большие массивы данных, часто распределённые по разным базам.

Во-вторых, в 1С высока цена неточного ответа. Ошибка в аналитике в учетной системе может иметь огромный масштаб последствий.

В-третьих, в корпоративной учетной системе критичны вопросы безопасности. Здесь речь идет не только о коммерческой тайне, но и о персональных данных, финансовой информации, ролевой модели доступа и внутреннем аудите. Поэтому в enterprise-среде растет интерес к локальным моделям, развернутым в контуре компании, и к архитектурам, при которых чувствительные данные не покидают периметр организации.

Но сама по себе локальная модель не решает всех задач. На практике качество решения определяется не только моделью, но и тем, насколько грамотно спроектированы инструменты, которыми она пользуется. Если дать агенту доступ к технической структуре базы и ожидать, что он сам во всем разберется, то результат будет неудовлетворительный. Гораздо надежнее проектировать инструменты как бизнес-функции с понятным назначением, ограничениями и проверяемым результатом.

Именно такой подход сегодня выглядит наиболее перспективным для 1С: набор бизнес-инструментов, через которые система получает нужную аналитику. Это могут быть, например, функции для получения топ-клиентов по отгрузкам, выделения ключевых поставщиков по поступлениям, анализа видов номенклатуры, выборки товаров определенных категорий или сводных данных по нескольким базам. Чем точнее описаны такие инструменты, тем меньше пространство для ошибок и тем выше объяснимость результата.

То есть на первый план выходит связка из модели, слоя доступа к данным, набора инструментов, правил безопасности и агентской логики.

ИИ-платформа для 1С

Такую архитектуру мы используем на собственной практике. Практически это реализуется следующим образом.

В качестве интеграционного слоя хорошо выступает 1С:Шина. На ее базе реализуется сервер доступа к данным и функциям, разработанный на технологии 1С:Предприятие.Элемент (MCP-сервер). Такая схема позволяет бесшовно подключать 1С-базы, добавлять новые инструменты для анализа и управлять ими в рамках единой архитектуры. При этом в контуре компании разворачивается локальная ИИ-модель – это гарантирует безопасность данных. А сам интерфейс (ИИ-агент) может быть как сторонним решением, так и чатом, встроенным внутрь базы 1С.

Подобное решение может быть специализировано, к примеру, на управленческую аналитику по нескольким базам 1С через единый ИИ-интерфейс. Пользователь задает вопрос на естественном языке, после чего система собирает данные из разных источников и возвращает результат. Среди сценариев можно назвать, например, такие запросы: «Покажи топ-10 покупателей с наибольшим объемом отгрузок за прошлый квартал», «Покажи пять основных покупателей за 2025 год без ERP», «Выведи пять главных поставщиков по сумме поступлений товаров за этот месяц».

Важно подчеркнуть, что на текущем этапе наиболее реалистичным сценарием для бизнеса нам видится read-only подход, при котором ИИ помогает быстро собирать и интерпретировать аналитику по реальным данным, но не проводит документы, не меняет данные и не запускает рискованные операции.

Такой сценарий снижает риски, упрощает обсуждение внедрения с ИТ-службой и позволяет бизнесу быстрее получить практическую ценность от технологии. И разговор о внедрении становится гораздо более предметным.

Отдельно стоит сказать о точности. «Галлюцинации» часто воспринимаются как врожденная проблема LLM. На практике их уровень заметно снижается, когда модель перестает работать в отрыве от данных и использует заранее описанные инструменты. Связка из слоя доступа к данным, функций и агентской логики принципиально повышает качество результата.

Для нас в 1С это особенно важно, потому что доверие к ответу здесь важнее любого громкого эффекта. И бизнесу нужен не просто «умный собеседник» в чате, а инструмент, который помогает быстрее получать ответ на конкретный управленческий вопрос, не нарушая требования безопасности и не заставляя сотрудников вручную собирать информацию из нескольких баз.

Заключение

Сегодня можно говорить о более широком рыночном сдвиге. Технологии ИИ-агентов, реализованные как внутри экосистемы 1С, так и с помощью внешнего ПО, постепенно проникают даже в такую закрытую среду, как 1С. Пока это еще не повсеместная практика. Но интерес бизнеса уже заметен: компании хотят встроить ИИ в корпоративный контур так, чтобы он работал точно, безопасно и полезно.

Если 2025 год был временем, когда рынок учился подключать модели к данным и функциям, то 2026-й все больше становится годом, когда бизнес начинает смотреть на агентские сценарии как на следующий логичный шаг. В том числе и в 1С.