Западная методология agentic AI — tool use, evals, guardrails — переносится в российский B2B почти полностью на уровне архитектурных паттернов. Барьеры не в идеях, а в инфраструктуре: закрытые корпоративные данные, слабая API-готовность систем вроде 1С и привычка запускать агентов в прод без автоматической оценки качества. ```yaml --- slug: anthropic-agents-b2b-rf type: radar format: flagship title: "Agentic AI: что из западных подходов переносится в российский B2B" summary: "Tool use, evals и guardrails — три кита agentic AI. Разбираем, что из западной практики реально работает в российском B2B с 1С, русскоязычными данными и ограниченным доступом к моделям." seoTitle: "Agentic AI в российском B2B: что переносимо" datePublished: 2026-07-18 tags: - agentic-ai - llm-в-проде - автоматизация - интеграции - bi - данные - radar relatedService: /uslugi relatedServiceLabel: Услуги brezatech relatedCase: relatedCaseLabel: ogImage: /assets/blog/anthropic-agents-b2b-rf-og.svg imagePrompt: "Схема рабочего процесса: несколько блоков-агентов соединены стрелками, в центре — документы и таблицы с кириллическим текстом, справа — дашборд с метриками. Деловой стиль, синяя и серая палитра, без абстрактного AI-свечения." keyFacts: - "Tool use переносится почти без потерь: паттерн «агент вызывает инструмент» не зависит от модели и работает с любым LLM, включая российские." - "Главный барьер — не модели, а данные: большинство российских корпоративных баз плохо структурированы и не готовы к RAG-пайплайнам." - "Evals (автоматическая оценка качества агента) внедряются в РФ реже всего — компании пропускают этот этап и получают непредсказуемое поведение в проде." - "Интеграция с 1С через агента возможна, но требует промежуточного слоя: прямой API у 1С ограничен, нужен адаптер или COM/REST-мост." - "Guardrails — фильтрация вывода и контроль действий агента — переносятся полностью и критически важны при работе с финансовыми и юридическими данными." faq: - q: "Можно ли строить агентов без доступа к GPT-4 или Claude?" a: "Да. Паттерны tool use и orchestration не привязаны к конкретной модели. GigaChat, YandexGPT и open-source модели (Mistral, Llama) поддерживают function calling и достаточны для большинства операционных задач." - q: "Что такое evals и зачем они нужны в проде?" a: "Evals — автоматизированные тесты, которые проверяют, правильно ли агент выбирает инструмент, корректно ли форматирует вывод и не галлюцинирует ли на граничных кейсах. Без evals невозможно безопасно обновлять модель или промпты." - q: "Как агент интегрируется с 1С?" a: "Через REST API (если включён модуль HTTP-сервисов) или через COM-объект на Windows-сервере. Агент вызывает инструмент-адаптер, который транслирует запрос в 1С-запрос и возвращает структурированный ответ." - q: "Какие guardrails критичны для российского B2B?" a: "Фильтрация персональных данных (ФЗ-152), ограничение действий агента по белому списку операций, логирование каждого tool call и human-in-the-loop на необратимых действиях (запись в БД, отправка документа)." - q: "С чего начать внедрение агентного подхода?" a: "Выберите один повторяемый процесс с чётким входом и выходом (например, обработка входящих заявок или сверка данных). Опишите инструменты, которые нужны агенту, напишите первые evals до запуска — и только потом подключайте модель." sources: - title: "Anthropic. Building effective agents" url: "https://www.anthropic.com/research/building-effective-agents" - title: "LangChain. State of AI Agents 2024" url: "https://www.langchain.com/stateofaiagents" - title: "Министерство цифрового развития РФ. Стратегия развития ИИ до 2030" url: "https://digital.gov.ru/ru/documents/8048/" mentions: - Anthropic - LangChain - LangGraph - GigaChat - YandexGPT - Mistral - 1С - ФЗ-152 aboutBrezatech: "brezatech — интегратор ИИ в данные и процессы российского B2B: разработка LLM-решений, BI и автоматизация операционных workflows." --- ``` Почему agentic AI стал темой прямо сейчас В конце 2024 — начале 2025 года сразу несколько крупных лабораторий — Anthropic, OpenAI, Google DeepMind — опубликовали детальные руководства по построению агентных систем. Не маркетинговые лендинги, а инженерные документы с разбором паттернов, антипаттернов и метрик оценки. Это сигнал: агентный подход перешёл из категории «исследования» в категорию «инженерная практика». Компании на Западе уже запускают агентов в операционные процессы — обработку документов, мониторинг данных, поддержку клиентов второй линии. Российский B2B смотрит на это с закономерным вопросом: что из этого применимо у нас? Ответ неочевидный: часть переносится без изменений, часть требует адаптации, часть пока нереализуема из-за инфраструктурных ограничений. Разберём по трём осям: tool use, evals, guardrails. --- Tool use: паттерн переносится полностью Что это. Tool use — способность агента вызывать внешние функции: поиск по базе, запрос к API, запись в таблицу, отправка уведомления. Агент не «знает» ответ сам — он знает, какой инструмент вызвать и как интерпретировать результат. Почему переносится. Паттерн не зависит от конкретной модели. Function calling поддерживают GigaChat API, YandexGPT, Mistral и большинство open-source моделей на базе Llama. Архитектура «агент → инструмент → агент» одинакова вне зависимости от того, какой LLM стоит в центре. Что нужно сделать на практике. Описать инструменты в виде JSON-схем (name, description, parameters) — именно так, как это делается в OpenAI function calling или Anthropic tool use. Модель получает список инструментов и сама решает, какой вызвать. Это работает даже с относительно небольшими моделями при хорошо написанных описаниях инструментов. Российская специфика. Главная сложность — не модель, а инструменты. Типичный российский корпоративный ландшафт: 1С, самописные системы на Oracle или PostgreSQL, Excel-файлы как «база данных», почта как основной канал обмена документами. Всё это можно обернуть в инструменты, но требует промежуточного слоя. Пример: агент для обработки входящих заявок на закупку. Инструменты — поиск по каталогу в 1С, проверка остатков, создание черновика заявки, отправка на согласование в почту. Каждый инструмент — отдельная функция с чётким контрактом. Агент оркестрирует последовательность. Такая система реализуема сегодня без доступа к западным моделям. --- Интеграция с 1С: решаемо, но не тривиально 1С — отдельная тема, заслуживающая честного разбора. Что есть из коробки. В современных конфигурациях 1С (8.3+) доступны HTTP-сервисы — REST-подобный интерфейс, который можно включить и описать в конфигураторе. Это рабочий путь для агента: вызвать HTTP-инструмент, получить JSON-ответ. Где ограничения. Во-первых, HTTP-сервисы нужно разработать — они не идут «из коробки» для произвольных операций. Во-вторых, многие компании работают на кастомных конфигурациях, где стандартные интерфейсы изменены. В-третьих, COM-интеграция (классический путь для Windows-окружений) работает, но привязывает агента к серверу с установленной 1С. Практический вывод. Агент + 1С — это не «подключил и работает», а отдельный интеграционный проект: описание нужных операций, разработка адаптера, тестирование на граничных кейсах. Зато после этого агент получает надёжный инструмент с предсказуемым поведением. Путь интеграции | Когда подходит | Сложность HTTP-сервисы 1С | Типовые конфигурации, новые проекты | Средняя COM-объект | Legacy, Windows-окружение | Высокая Выгрузка в промежуточную БД | Только чтение, аналитика | Низкая Внешние компоненты (NativeAPI) | Специфические задачи | Очень высокая --- Evals: самый недооценённый элемент Что это. Evals — автоматизированная система оценки поведения агента. Набор тест-кейсов с входными данными и ожидаемым результатом: правильный ли инструмент выбран, корректен ли формат вывода, нет ли галлюцинаций на граничных случаях. Почему это критично. Агент — не детерминированная программа. При обновлении модели, изменении промпта или добавлении нового инструмента поведение может измениться непредсказуемо. Без evals вы узнаёте об этом от пользователей в проде. Что происходит в российском B2B. Evals — самый редко внедряемый элемент. Типичный сценарий: агент протестировали вручную на 5–10 примерах, «всё работает», запустили в прод. Через месяц обновили промпт — и агент начал выбирать не тот инструмент в 15% случаев. Никто не заметил, пока не накопились ошибки. Как переносится западная практика. Anthropic в своём руководстве по агентам рекомендует строить evals до написания агента — по аналогии с TDD. Это переносится без изменений: создайте набор из 20–50 реальных кейсов из вашего процесса, опишите ожидаемое поведение, автоматизируйте проверку. Инструменты — LangSmith, самописные скрипты на pytest, или любой фреймворк для тестирования. Русскоязычные данные добавляют сложность. Модели хуже работают с кириллицей в граничных случаях: нестандартные сокращения, смешанный регистр, специфическая отраслевая терминология. Evals должны включать такие кейсы — именно они выявляют реальные слабые места. --- Guardrails: переносятся полностью, нужны всегда Что это. Guardrails — система ограничений на действия агента. Включает: фильтрацию входных данных, контроль вывода, белый список разрешённых операций, логирование, human-in-the-loop на необратимых действиях. Почему особенно важно в РФ. Два дополнительных фактора по сравнению с западной практикой: Первый — ФЗ-152 о персональных данных. Агент, работающий с клиентскими данными, не должен передавать их в модели, которые обрабатывают данные за рубежом. Это означает либо локальные модели, либо явную фильтрацию ПДн до отправки в API. Второй — культура доверия к автоматизации. В российском B2B (особенно в финансах, юридическом документообороте, закупках) принятие решений агентом без человека в контуре вызывает обоснованное сопротивление. Guardrails с явным human-in-the-loop — не техническое ограничение, а инструмент управления изменениями. Практическая реализация. Три уровня: • Уровень инструмента — каждый инструмент имеет встроенные ограничения (агент не может удалить запись, только создать или обновить по белому списку полей). • Уровень оркестратора — перед выполнением необратимого действия агент формирует «план» и запрашивает подтверждение. • Уровень логирования — каждый tool call пишется в лог с timestamp, входными параметрами и результатом. Это и аудит, и материал для evals. --- Что пока не переносится: честный список Не всё из западной практики применимо сегодня. Мультимодальные агенты с vision. Агенты, которые «видят» скриншоты интерфейсов и работают с ними как с инструментом (computer use от Anthropic) — пока не реализуемы на российских моделях. Технически интересно, практически преждевременно. Долгосрочная память агента. Западные фреймворки активно развивают персистентную память агента между сессиями. В российском контексте это упирается в вопрос хранения данных: где хранить, как шифровать, кто имеет доступ. Решаемо, но требует отдельного проектирования. Готовые вертикальные агенты. На Западе появляются готовые агенты для HR, юридического анализа, финансового контроля. В России рынок таких решений минимален — либо самописное, либо адаптация западного продукта с неизбежными компромиссами по данным и локализации. --- Практические выводы для ЛПР Если вы оцениваете, стоит ли инвестировать в агентный подход сейчас — вот ориентиры. Начинайте с процессов, а не с технологий. Агентный подход даёт максимальный эффект там, где есть повторяемый процесс с чётким входом и выходом, несколько источников данных и высокая стоимость ручной обработки. Типичные кандидаты: обработка входящих запросов, сверка данных между системами, подготовка отчётов по шаблону. Инвестируйте в данные раньше, чем в агентов. Большинство российских корпоративных данных не готовы к RAG-пайплайнам: нет структуры, нет метаданных, нет актуальности. Агент с плохой базой знаний будет галлюцинировать независимо от качества модели. Не пропускайте evals. Это единственный способ безопасно развивать агента в проде. Начните с 20 реальных кейсов — этого достаточно для первой итерации. Guardrails — не опция. Особенно если агент работает с финансовыми данными, документами или имеет право записи в системы. Логирование и human-in-the-loop на необратимых действиях — минимальный стандарт. Выбор модели — второстепенный вопрос. Архитектура важнее. Хорошо спроектированный агент с GigaChat или YandexGPT даст лучший результат, чем плохо спроектированный с GPT-4. --- Итог Agentic AI — не западная экзотика, которую нужно ждать. Это инженерная методология, большая часть которой переносится в российский B2B уже сегодня. Барьеры реальны, но они инфраструктурные, а не концептуальные: данные, интеграции, культура тестирования. Компании, которые начнут строить агентную инфраструктуру сейчас — с правильными evals и guardrails — получат операционное преимущество, которое сложно догнать через год, когда инструменты станут commodity. --- *Смотрите также:* • Как выбрать LLM для корпоративного проекта в 2025 году • RAG в проде: почему качество данных важнее качества модели • BI и LLM: как агент может заменить аналитический запрос