В конце августа мы сели изучать корпоративную ИИ-платформу Landev AI группы компаний ЛАНИТ по её сайту и документации. Первое расхождение между обещанием вендора и его продуктом нашли у себя.

Пункт 4.1 публичной оферты нашей же ИИ-платформы Svaya обещал, что результаты запусков автоматически удаляются через 30 суток. Код этого не делал. Исправили в тот же день, а из способа проверки вырос текст.

Сегодня разбор этой платформы вышел на сайте. На одной странице вендора число названо трижды, и числа не сходятся. В служебном описании стоит «50+» коннекторов, в шапке «более чем 100 приложениям», в тексте ниже «Более 100 готовых коннекторов». А в каталоге на той же странице перечислена 21 позиция, и список обрывается на букве D. Это не доказывает, что коннекторов меньше сотни, каталог может быть просто недописан. А проверить это число по открытым материалам покупатель не может, и вот с таким фактом он приходит на первую встречу с вендором.

Внутри процедура из трёх шагов. Она делит вопросы на те, что закрываются чтением сайта и документации вендора, и те, что закрываются только договором, сколько ни читай. И показывает, как за час-полтора сверить маркетинговую страницу с артефактом, который обязан быть точным. Работает без нас, покупать ничего не нужно.

Свою платформу Svaya мы прогнали той же процедурой. С той самой оферты текст и начинается.

Лонгрид читается минут за пять.

ИИ-платформа Svaya получила 5 баллов из 6 по методике оценки агентности консалтинговой компании «Яков и Партнёры».

Каждый третий российский поставщик ИИ-решений называет свой продукт ИИ-помощником или ИИ-агентом (таких 34% по данным «Якова и Партнёров»), при этом хорошо понимают, что такое ИИ-агент, только 11% людей вне ИИ-отрасли.

Летом 2026 года «Яков и Партнёры» выпустили отчёт «ИИ-агенты: где хайп, а где реальность» и предложили проверять продукты по 6 критериям: агентный цикл, планирование, работа с инструментами, самокоррекция, память и автономное завершение задачи. Методика подсчета такова, что за ответ «да» по критерию дается 1 балл, за «частично» дается 0,5 балла.

Авторы прошли по открытым источникам 12 публичных российских ИИ-продуктов, но не смогли найти полноценных ИИ-агентов. По их данным, вот лучшие результаты у ИИ-платформ для построения агентов:
Yandex AI Studio: 5,5 из 6
GigaChat Enterprise от «Сбера»: 5,0
Agent Platform от Just AI: 5,0
MWS AI Agents Platform от МТС: 4,5.

Мы самостоятельно проделали работу по нашей ИИ-платформе Svaya - прошли по тем же 6 критериям сами и получили оценку 5 из 6. По сумме наш счёт вровень с GigaChat Enterprise и Just AI, выше MWS и ниже Yandex AI Studio. По правилу отчёта 4 «да» дают категорию «агент с ограничениями», полноценный агент начинается с 5 «да». Платформам отчёт ставит отдельный вердикт, «Платформа для сборки агентов», и оговаривает, что этот порог платформа может проходить как элемент инфраструктуры, но готовым бизнес-агентом сама по себе не становится. Svaya - это платформа в том же смысле, и вердикт подходит нам. Отличие в том, кто собирает решения под процессы заказчика. У четвёрки, по отчёту, это сами клиенты, на Svaya собираем мы.
Методика меряет по открытым источникам, то есть по тому, что поставщик о себе написал, и наши 5 баллов стоят на том же.

Что с этими баллами делать покупателю платформы? Проверять коробочных «агентов» по 6 критериям, как советует отчёт, и с этим мы согласны. Попросите у поставщика ещё и запись прогона, где видны проходы цикла, вызовы систем, исправление негодного ответа и отметка человека на точке подтверждения. У нас всё это в сумме видно на двух карточках витрины (карточки товаров и ответ по кредитной заявке). Записи сделаны на нашем стенде на синтетических данных.

На Хабре вышла моя статья, на этот раз инженерная. Два месяца наш внутренний LLM-конвейер читает ленты четырнадцати закупочных площадок, снимает лишнее дешёвой моделью, качает документацию, собирает ТЗ и оценивает закупку по 18 критериям. Человек решает на гейте, в какую закупку следует идти. За это время 4 452 карточки, 23 заявки и 253 записи в журнале разработки, большинство про то, как оно ломалось)

Главное наблюдение неожиданное - промпты скоринга и предскоринга почти не менялись, по сути всё время ушло на доработку кода вокруг LLM. В статье расписаны места, где ломался именно этот код, с числами из трассы: поиск в чужом индексе, который не находит слово из названия; регулярка, где «ПО» совпадало с предлогом «по»; третий вердикт «сомнительно»; отказ LLM, записанный как «критерий пройден»; подвал площадки и иероглиф вместо ТЗ; реестр собственных пропусков.

Статья на Хабре.

Мы в БизнесМатике составили 8 вопросов, которые стоит задать вендору ИИ-платформы до первой встречи, и ответили на них за две платформы сразу, за свою ИИ-платформу Svaya и за Landev AI группы компаний ЛАНИТ, по публичным страницам обеих платформ. Сегодня эта анкета вышла на сайте. Она продолжает статью от 3 сентября, где мы изучали страницы Landev AI, и пост от 8 сентября о том, как мы насчитали Svaya 5 баллов из 6 по критериям агентности из отчёта консалтинговой компании «Яков и Партнёры» 2026 года.

Главное расхождение между двумя платформами нашлось в вопросе, что известно о поведении ИИ до первого запуска. Страница ИИ-агентов на сайте Landev AI описывает агентов, которые сами «формируют пошаговую стратегию» и при этом «Соблюдают ваши правила» (права доступа, compliance, регуляторику), и зовёт читателя собирать их в конструкторе агентов без кода. У Svaya порядок шагов задачи записывает человек (автор описания задачи) до установки платформы у заказчика, платформа проверяет его при установке, и во время прогона (одного исполнения задачи) он остаётся прежним. Самостоятельность у LLM в Svaya есть внутри шага одного вида, агентского, где она сама выбирает, какие инструменты (обращения к системам заказчика и внешним источникам) вызвать и в каком порядке.

Наша позиция такая, потому что там, где ошибка ИИ стоит денег или объяснений регулятору, порядок шагов, зафиксированный до установки, важнее стратегии, которую агент строит на ходу, потому что такой порядок можно показать аудитору до первого запуска. Там, где закон не требует остановки ИИ на решение человека и задача меняется каждую неделю, агент из конструктора даст результат быстрее, чем продукт с порядком шагов, записанным до установки, а про скорость сборки Landev AI обещает, что LanDev AI «помогает быстро создавать, изменять и масштабировать агентов».

Все 8 вопросов и ответы за обе платформы на сайте.

На сайте вышла моя статья про то, как считается порог отказа, объём, ниже которого мы не предлагаем LLM-пилот, и как наше первое такое число оказалось завышено в 2,5 раза.

В июле мы посчитали одиннадцать пилотов и в каждом расчёте записали порог. 8 августа при проверке перед публикацией лонгрида порог для карточек товаров не пережил пересчёта. Стояло 38 250 позиций каталога, действующий расчёт даёт 15 150. Причина оказалась в лестнице лицензии, ступени которой меряются карточками в месяц, а порог считался при ступени, которой у каталога такого размера не бывает. В тот же день пересчитали четыре числа из десяти опубликованных, два из них стояли ниже собственного правила окупаемости.

В статье разобран сам расчёт: правило четырёх месяцев, из которого выводится порог; какую половину расчёта заказчик считает сам, а какую обязан назвать подрядчик; четыре ловушки, из-за которых чужое число нельзя брать по аналогии, от ступеней лицензии до вопроса, что вы сделаете с высвобожденным временем; и один вопрос подрядчику до сметы, по которому за минуту видно, считал ли кто-нибудь вашу задачу.

Статья целиком на сайте.

Вопрос «какую LLM развернуть on-premise, чтобы соблюсти 152-ФЗ» задают нам на пресейлах, и вопрос содержит ошибку. 152-ФЗ не требует своего сервера. Он требует хранить базы персональных данных граждан России в стране, уведомить Роскомнадзор и отвечать за утечку деньгами, с 30 мая 2025 года до 15 млн ₽ за первую и от 1% до 3% выручки за повторную. Слов «on-premise» и «запрещено облако» в законе нет.

В свой контур компанию ведут другие причины, то есть адвокатская, аудиторская, банковская или коммерческая тайна, у каждой из которых своя статья, и статус значимого объекта КИИ у госоргана или заказчика по 223-ФЗ, где с 2025 года запрещено иностранное ПО. А выбор самой LLM ограничивают недоступность OpenAI и Anthropic из России и закон 243-ФЗ, который с марта 2027 года даст Правительству право в отдельных случаях требовать только суверенные или национальные LLM.

Поэтому «какую LLM» это третий вопрос по счёту. Сначала, какие данные попадают в промпт. Потом, какое железо есть или будет куплено, потому что объём видеопамяти задаёт класс LLM жёстче любого бенчмарка. И только потом, как менять LLM, потому что за два года её сменит регулятор, вендор или новое поколение открытых LLM.

Сегодня разбор вышел на сайте. В нём четыре способа развернуть LLM с именами (ПАК Сбера, Яндекса и MWS AI, открытые Qwen, DeepSeek, GigaChat3, T-pro и gpt-oss с лицензиями), таблица «что помещается в карту 24, 80 ГБ и в узел из восьми карт» с ценами Cloud.ru и одного поставщика серверов, позиции открытых LLM на русском бенчмарке MERA Text 2.0 и то, как в нашей платформе Svaya LLM сделана сменяемым компонентом.