Хронологическая карта развития ИИ-технологий в экосистеме 1С (2022-2026)
Помните ли вы, коллеги, как пару лет тому назад разговоры об искусственном интеллекте в 1С вызывали у большинства разработчиков лишь ироничную улыбку. Экосистема «1С:Предприятие» исторически развивалась как надёжная, самодостаточная, но при этом закрытая «вещь в себе». Эта обособленность десятилетиями гарантировала безупречную работу бизнес-логики, однако она же возвела глухую стену на пути «импортных» когнитивных технологий. Платформа оказалась неприступной крепостью для «недружественных» нейросетей, и главная проблема крылась в колоссальном архитектурном разрыве между тем, как мыслят LLM, и реалиями 1С-разработки.
С чем мы столкнулись на старте
- Специфика языка BSL: кириллический синтаксис и уникальная семантика встроенного языка делали стандартные модели, вскормленные на терабайтах западного опенсорса, практически бесполезными. Код 1С оставался для них нераспознаваемым «тёмным веществом».
- Обособленная объектная модель метаданных: в отличие от привычных реляционных баз, 1С оперирует высокоуровневыми абстракциями (Документы, Справочники, Регистры), внутренняя механика которых надёжно спрятана за объектным слоем. Без понимания этой структуры любые попытки заставить ИИ писать код приводили к катастрофическим галлюцинациям.
Долгое время «интеллект» в 1С сводился к жёстко заданным сценариям, где нейросеть оставалась лишь вспомогательным инструментом, запертым в строгих рамках.
2022 год и ранее: эпоха «чёрных ящиков» и традиционного ML
Стратегия развития тогда строилась вокруг внедрения точечных облачных сервисов - эдаких «чёрных ящиков». ИИ аккуратно применяли для решения узких учётных задач, избавляя 1С-разработчика от необходимости лезть под капот нейросетей.
Что взлетало в первую волну:
- 1С:Распознавание первичных документов (1С:РПД): пожалуй, самый массовый сервис, избавивший бухгалтеров от рутины ввода благодаря компьютерному зрению.
- Прогнозирование продаж: аналитика под капотом складских запасов с использованием классических ML-метрик (MAE/RMSE).
- Прикладные ассистенты: специализированные чат-боты, такие как Ася в 1С:ДО, iРуководитель в 1С:CRM или Помощник лаборанта в 1С:LIMS.
Это была эпоха надёжного, но совершенно негибкого машинного обучения. Любой шаг влево или вправо требовал вендорского вмешательства, а весь «интеллект» сводился к заранее прописанным алгоритмам.
2023-2024 годы: бум LLM и проблема «слепого» кодинга
А потом случился ChatGPT. Сообщество буквально захлестнула волна экспериментов: всем захотелось «прикрутить» генеративный ИИ к своим базам через внешние API и коннекторы.
Как мы пытались внедрить LLM:
- No-code костыли: использовали платформы вроде Albato, чтобы связать базы бухгалтерии с GigaChat или YandexGPT, настраивая триггеры на изменение документов.
- Генеративный контент: писали расширения для маркетплейсов, которые сами генерировали SEO-оптимизированные карточки товаров.
- Библиотечный прорыв: в сентябре 2024 года выход GigaChat_SDK_1C (от SalavatovNabiulla) здорово упростил жизнь, дав удобный доступ к API прямо из кода BSL.
Ключевая проблема: нейросети бодро генерировали синтаксически верный код, который с треском падал в реальной базе, потому что модель не знала структуры метаданных. Без глубокого погружения в контекст конкретной конфигурации любой ИИ оставался лишь продвинутой версией Т9.
2025 год: смена парадигмы - MCP, RAG и «1С:Напарник»
2025-й стал переломным. Мы перестали биться головой о стену, пытаясь «научить модель кодить», и занялись архитектурой доставки контекста. Главным драйвером изменений стал массовый исход разработчиков в 1С:EDT (Enterprise Development Tools). Знакомая Eclipse-основа и хранение метаданных в файлах открыли шлюзы для современных инженерных практик - от нормальной работы с Git до полноценной интеграции с AI-агентами.
Что изменило правила игры:
- Локальный RAG: использование YandexGPT AI Assistant API позволило моделям отвечать на вопросы, опираясь на локальную документацию и ИТС через поисковые индексы. Мы перестали тратить ресурсы на дорогущее обучение на эмбеддингах.
- Официальный ассистент: 21 ноября 2025 года вендор выпустил проект «1С:Напарник для разработки» для EDT. Это дало нам автогенерацию кода с оглядкой на официальные стандарты разработки.
- Взлёт Model Context Protocol (MCP): проект Infostart MCP решил фундаментальную боль - «OData overhead». AI-ассистенты наконец-то прозрели: они научились видеть внутреннюю логику конфигурации напрямую через файловую структуру проекта в EDT, минуя медленные запросы к СУБД.
2026 год: расцвет экосистемы автономных агентов
И вот мы в 2026 году. Сегодня мы работаем в полноценной многослойной ИИ-архитектуре. Знаковой вехой стал релиз весной 2026 года 1C AI Development Kit (версия v1.1.0), который консолидировал десятки атомарных навыков в 5 экспертных доменов (вроде epf-expert). Это уже не скрипты «на коленке», это зрелый Agentic Workflow Engineering.
На чём мы строим решения сегодня:
| Направление | Инструмент / автор | Как это работает под капотом |
|---|---|---|
| Быстрая индексация | mcp-1c (feenlace) | Реактивный Go-бинарник. Ищет по коду через BM25, индексирует свыше 13 000 модулей за считанные секунды (до 7 сек, по данным авторов проекта). |
| 1c_mcp (vladimir-kharin) | Фреймворк (CFE-расширение + Python-прокси) с OAuth2. Позволяет писать логику ИИ-тулзов прямо на родном BSL. | |
| Native EDT (IDE) | EDT-MCP (@DitriXNew) | Интеграция с 1C:EDT. AI анализирует AST-дерево кода, работает с конструктором форм EDT и участвует в жизненном цикле приложения. |
| CodePilot1C | Плагин с поддержкой распознавания скриншотов экранных форм и агентным режимом разработки (по данным авторов проекта). | |
| Глубокая семантика | 1c-mcp-metacode | Графовая БД Neo4j: вытаскивает на свет сложные и неочевидные зависимости в метаданных (по данным авторов проекта). |
| mcp-1c-v1 | Семантический RAG-пайплайн на базе векторной БД Qdrant (по данным авторов проекта). | |
| Навыки и консолидация | cc-1c-skills (@Nikolay-Shirokov) | Репозиторий навыков для Claude Code и других AI-агентов, покрывающий основные типы метаданных 1С. |
| «Консоль код + GigaChat» | Решение, скармливающее модели «паспорт метаданных» для генерации запросов к БД (по данным авторов проекта). |
Как мы работаем теперь: паттерны оркестрации агентов
К концу года ландшафт окончательно сформировался. Профессия изменилась: классический кодер постепенно уступает место «архитектору агентов». Вот четыре сценария, которые стали для нас повседневной рутиной:
- AI как юнит разработки: модели стали самостоятельными. Они сами проектируют расширения, пишут модульные тесты и прогоняют их через раннеры.
- Continuous Code Review: автоматический надзор за кодом. Связка MCP и BSL Language Server непрерывно ищет антипаттерны и указывает на отступления от стандартов 1С.
- AI Business Analyst (NL2SQL): пользователи сами достают нужные данные из системы запросами на естественном языке, минуя программиста.
- Сквозное проектирование в 1С:EDT: ИИ ведёт проект от чернового наброска схемы метаданных до финального деплоя в облако.
Вместо итогов
В 2026 году можно смело сказать: формирование самодостаточной ИИ-экосистемы 1С близко к завершению. Писать шаблонные процедуры БСП руками уже считается моветоном - наступила эпоха «вайбкодинга» и архитектурной оркестрации. Главным навыком senior-разработчика стало умение дирижировать AI-агентами и грамотно верифицировать то, что они выдают.
Новый стек уже здесь. Главный вопрос - насколько быстро вы на него перейдёте.
Попробовать НОПик →
Проверить свой уровень бесплатно →