Всем привет! На связи Анастасия, руководитель отдела сопровождения финансового учета в компании ecom.tech/1C. В этой статье — примеры того, как ИИ начинает интегрироваться в экосистему 1С.

Технологические тренды обычно доходят до 1С с задержкой, фильтруясь через специфику учета, законодательства и бизнес-реалии. Но нынешняя волна ИИ — не просто мода. Это фундаментальное изменение способа работы с информацией и кодом. В треугольнике «ИИ — аналитик — 1С» возникает напряжение, но лишних в нем нет.

Проблема инструментария

Первое препятствие — среда разработки. В экосистеме появился официальный инструмент: «1С-Напарник». Он активно тестируется крупными компаниями, но отзывы о функциональности неоднозначны. Главная проблема — инфраструктурная.

Для эффективной работы ИИ-ассистентов нужна современная IDE. «1С-Напарник» ориентирован на EDT (Enterprise Development Tools). Однако большинство разработчиков и аналитиков по-прежнему используют классический Конфигуратор. Возникает барьер: чтобы использовать ИИ, нужно перейти в непривычную и ресурсоемкую среду.

Пока вендор решает эту дилемму, энтузиасты ищут обходные пути. Например, редактор Cursor с подключением через MCP-серверы (Model Context Protocol). Это позволяет передавать нейросети контекст 1С-разработки, но требует настройки внешних инструментов — что в корпоративной среде не всегда допустимо.

Эволюция поиска

Навык «правильно гуглить» постепенно уходит. Новый стандарт — семантический поиск. Вместо списка ссылок системы вроде Perplexity агрегируют ответ, экономя время на анализ результатов.

Это особенно важно при освоении новой предметной области — например, при изучении специфической терминологии или законодательных норм.

Базовые инструменты ИИ для аналитика:

• DeepSeek — подходит для задач, где можно передать фрагменты кода (при отсутствии коммерческой тайны) или для локального развертывания.
• Perplexity — его называют «браузером на стероидах». Поиск через обычные поисковики теперь устаревает.
• GigaChat — эффективен при парсинге и обработке больших массивов данных, а также для краткого пересказа, перевода и перефразирования текстов.

Техническая фактура

Эффективность работы с ИИ зависит от понимания, как работают LLM. Нейросеть не «думает» — она генерирует следующий токен на основе предыдущих.

Кейс: у модели ограниченное контекстное окно (в токенах). Если дать сложную задачу одним промптом, к середине ответа лимит может исчерпаться — и финал будет скомканным или обрывочным.

Решение — итеративный подход:

• Сначала запросить план решения или структуру документа.
• Затем генерировать контент по частям. Это экономит контекст и дает более глубокую проработку каждого блока.

Минус: если следующая задача сильно отличается, ИИ может «замылить взгляд» и выдавать ошибки. Это связано с проблемой контекста — так называемой «профдеформацией ИИ».

Кейс: модель, обученная на медицинских проектах, при переключении на задачу для хлебопекарни может начать ссылаться на МКБ (международный классификатор болезней). Она «застревает» в предыдущем контексте.

Решение: аналитик должен уметь жестко контролировать контекст и очищать историю диалога в ИИ-инструментах.

Главная опасность — иллюзия компетентности

ИИ блестяще структурирует текст. Он может идеально оформить требования заказчика — с подпунктами, группировкой, логичной подачей. Но при проверке выясняется: причинно-следственные связи нарушены. Требования, объединённые в одну группу, могут противоречить друг другу в рамках бизнес-процесса.

Без экспертной валидации такой документ выглядит профессионально, но непригоден для ТЗ.

То же с кодом: ИИ может написать красивый, грамотный синтаксически код, который окажется нерабочим или будет «тормозить» всю систему.

Реальные примеры внедрения

Несмотря на риски, польза от ИИ уже измерима:

• Видео-бот техподдержки: вместо инструкций — микро-видео (скринкасты) по операциям. Они загружены в облако, а ИИ-ассистент по запросу в мессенджере выдает прямую ссылку. Это разгрузило первую линию поддержки.
• Code Review и контроль качества: в крупной ритейл-компании используют DeepSeek (в закрытом контуре) для первичного ревью кода. Инструмент интегрирован с GitLab и хорошо находит отклонения от стандартов: плохой нейминг, отсутствие комментариев, опасные конструкции. Это не заменяет архитектора, но снимает рутину с ведущих разработчиков.
• Анализ рисков по открытым данным: аутсорс-компании используют ИИ для сбора и анализа открытых данных о клиентах — судебные дела, финансовое состояние, новостной фон. Это помогает оценить риски проекта до заключения договора.

Экзоскелет для аналитика

В треугольнике «ИИ — аналитик — 1С» лишних нет. Но роль аналитика меняется.

Ценность уходит от простого написания текста или кода. Теперь ключевое — архитектурный контроль и верификация. ИИ становится экзоскелетом: он позволяет специалисту обрабатывать большие объемы — документацию, транскрипции, рутинный код. Но без человека внутри этот экзоскелет либо бесполезен, либо опасен.

Владение инструментами промпт-инжиниринга скоро станет таким же гигиеническим минимумом, как Excel или консоль запросов. Те, кто игнорирует ИИ, рискуют потерять конкурентоспособность — не перед машиной, а перед коллегами, которые научились с ним работать.

Всем привет! На связи Анастасия, руководитель отдела сопровождения финансового учета в компании ecom.tech/1C. В этой статье я хочу на примерах показать, как AI начинает вписываться в систему 1С.

Мы привыкли к тому, что технологические тренды доходят до 1С медленнее, фильтруясь через специфику учета, законодательства и бизнес-реалии предприятий. Однако текущая волна смыслов и применения ИИ отличается от предыдущих «модных» веяний. Это не просто новый интерфейс или методология, это фундаментальное изменение способа работы с информацией и кодом. В треугольнике «ИИ — аналитик — экосистема 1С» возникает напряжение.

Проблема инструментария

Первое препятствие на пути внедрения AI в 1С — это среда разработки. В экосистеме уже появился официальный инструмент — «1С-Напарник», который активно тестируется крупными игроками . Отзывы о функциональности смешанные, но ключевая проблема лежит в плоскости инфраструктуры.

Для полноценной работы AI-ассистентов требуется современная IDE. «1С-Напарник» ориентирован на работу в EDT (Enterprise Development Tools). При этом, как мы видим, большая часть разработчиков и аналитиков продолжают работать в классическом Конфигураторе. Возникает технологический барьер: чтобы получить доступ к функциям ИИ (анализ кода, контекстные подсказки), специалисту нужно мигрировать в среду, которая для многих остается непривычной и ресурсоемкой.

Пока вендор решает эту дилемму, энтузиасты ищут обходные пути. Например, использование редактора Cursor с подключением через MCP-серверы (Model Context Protocol). Это позволяет «скармливать» нейросети контекст разработки на 1С, но требует настройки внешних инструментов, что в корпоративном секторе не всегда допустимо.

Эволюция поиска

Компетенция поиска информации трансформируется. Если раньше навык «правильно гуглить» был обязательным для аналитика, то сейчас стандартом становится использование семантического поиска.

Из поисковиков мы переходим к инструментам вроде Perplexity. Они не выдают список ссылок, эти системы агрегируют ответ, экономя время на поиск нужных страниц из предоставленного поиска. Это особенно критично в начале изучения новой предметной области, где нужно быстро понять специфическую терминологию или найти законодательные нормы.

Самый базовый инструментарий ИИ в помощь аналитику тут:

1. DeepSeek.Отлично заходит для задач, где не страшно «спалить» куски кода (если это не коммерческая тайна) или для локального развертывания.
2. Perplexity.Его вообще называют «браузером на стероидах». Если вы до сих пор гуглите ошибки через обычную строку поиска, вы теряете время.
3. GigaChat.Прекрасно подходит для парсинга больших массивов данных и последующей их обработки. Также он хорош в обработке текстов: краткий пересказ, перевод, перефразирование.

Техническая фактура

Эффективность работы с ИИ напрямую зависит от понимания механики работы LLM. Нейросеть не «думает» в человеческом понимании, она генерирует следующий токен на основе предыдущих.

Кейс: у модели есть ограниченное контекстное окно (измеряемое в токенах). Когда вы просите ИИ решить сложную комплексную задачу одним промптом, модель начинает генерировать ответ и «думает», пока пишет. Если задача объемная, к середине ответа лимит токенов может исчерпаться, и финал будет скомканным или оборванным.

Решение:использовать итеративный подход.

1. Сначала запросить план решения задачи или структуру документа.

2. Затем генерировать контент поэтапно, раздел за разделом (итерациями). Это позволяет экономить контекстное окно и получать более глубокую проработку каждого блока, избегая поверхностных суждений.

Минус:если следующая задача кардинально отличается, то ИИ может «замылить взгляд» и выдавать неверный ответ. Но об этом далее.

Главная опасность для аналитика — иллюзия компетентности ИИ. Нейросети научились блестяще структурировать текст лингвистически. Они могут идеально сгруппировать требования заказчика, разбить их на пункты и подпункты. Однако, при детальной проверке выясняется, что причинно-следственные связи нарушены. ИИ может объединить в одну группу требования, которые логически противоречат друг другу в рамках бизнес-процесса. Без валидации экспертом такой документ выглядит красиво, но непригоден для ТЗ. Точно так же и с кодом. ИИ может написать красивый код по всем правилам и требованиям. Но он будет нерабочим или «тормозящим» всю систему.

Еще один риск — проблема контекста, или «профдеформация ИИ».

Кейс: модель, предварительно обученная на проектах, например, в медицине (где используется соответствующие законодательство и регламенты), при переключении на задачу, например, для хлебопекарни начинает связывать все с МКБ (международный классификатор болезней). То есть, модель «застревает» в предыдущем контексте.

Решение:такие ситуации требуют от аналитика навыка жесткого контроля контекста и умения «очищать» историю диалога в применяемых инструментах ИИ.

Реальные примеры

Несмотря на риски, польза от внедрения ИИ уже измерима. Вот несколько примеров из практики:

1. Видео-бот техподдержкиВместо написания многостраничных инструкций компания внедрила новый подход. Были записаны серии микро-видео (скринкастов) по конкретным операциям. Эти видео были загружены в облако, а ссылки на них с описаниями — переданы ИИ-ассистенту. Теперь пользователь в мессенджере пишет запрос «Как создать заказ?», а бот, анализируя семантику, выдает прямую ссылку на нужное видео. Это существенно разгрузило первую линию поддержки.
2. Code Review и контроль качестваВ крупном ритейле используют DeepSeek (развернутый в закрытом контуре) для первичного ревью кода. Инструмент интегрирован с GitLab.ИИ неплохо справляется с поиском отклонений от стандартов разработки: неправильный нейминг переменных, отсутствие комментариев, потенциально опасные конструкции. Это не заменяет архитектурный надзор, но работает как отличный фильтр для «джуниорского» кода, снимая рутину с ведущих разработчиков.
3. Анализ рисков по открытым даннымДля аутсорс-компаний критически важна оценка заказчика на входе. Используются инструменты для агрегации открытых данных о потенциальном клиенте: судебные дела, финансовое состояние, новостной фон. Это позволяет сформировать профиль рисков проекта еще до подписания договора.

Экзоскелет для аналитика

Отвечая на вопрос заголовка: в треугольнике «ИИ — аналитик — 1С» лишних нет. Но роль аналитика видоизменяется.

Мы уходим от модели, где ценностью было само написание текста или кода. Ценностью становится архитектурный контроль и верификация. ИИ выступает в роли экзоскелета: он позволяет опытному специалисту «поднимать» большие веса (обрабатывать массивы документации, транскрибировать встречи, генерировать рутинный код), но без человека внутри этот экзоскелет либо бесполезен, либо разрушителен.

Рынок показывает, что скоро владение инструментами промпт-инжиниринга станет таким же гигиеническим минимумом, как знание Excel или умение пользоваться консолью запросов. Те, кто игнорирует этот инструмент, рискуют потерять конкурентоспособность не перед ИИ, а перед коллегами, которые научились с ним работать.