Всем привет, с вами Низамов Илья. Тема ИИ звучит из каждого угла, и многих 1С-разработчиков она откровенно пугает: заказчики уже спрашивают «зачем мне вообще программист, если есть нейросеть». Давайте разберёмся спокойно и без хайпа — что нейросети в 1С уже реально умеют, что остаётся за человеком и как встроить ИИ в свою работу так, чтобы не потерять ценность, а вырасти в цене. Разговор практический: покажу, где ии в 1с заменяет джуна на рутине, а где живой эксперт незаменим, и дам конкретную дорожную карту развития — от Python и Docker до FastAPI, LangChain, RAG и деплоя на GPU-сервере.
Главная мысль, ради которой всё написано: ИИ не убивает профессию 1С-разработчика, он её расслаивает — ровно как когда-то конструкторы сайтов расслоили веб-разработку. Простое уходит вниз, в дешёвые инструменты, а сложное и ответственное поднимается в верхний сегмент, где платят больше. Ваша задача — оказаться в верхнем сегменте: стать архитектором решений, который ставит задачи ИИ и отвечает за результат, а не кодером, который конкурирует с бесплатным чатом за типовую обработку.
Что ИИ уже умеет в 1С
Современные модели, особенно платные, уверенно генерируют типовые обработки, отчёты и простые модули. По факту запрос к нейросети заменяет джуна на базовых задачах. Раньше начинающему приходилось лезть на форумы и вручную искать, как, например, почистить регистр сведений с отбором. Сейчас достаточно спросить даже в бесплатном чате и получить более-менее рабочий ответ. Модели немного знают 1С, хотя по ней качество пока уступает более распространённым языкам — на Python или JavaScript ответы заметно точнее.
И это уже влияет на деньги. В смежных чатах разработчиков (не только 1С) обсуждают, что заказчики начинают требовать прописывать в договоре, что делает искусственный интеллект, а что реальный разработчик — и под это разделение хотят видеть другую стоимость. Для 1С это пока скорее перспектива, чем повседневность, но тенденция уже ощущается: рынок начинает переоценивать труд с учётом того, что умеет ИИ. Отрицать это бессмысленно, а вот подготовиться — можно и нужно.
Аналогия, которая всё объясняет: путь технологии до low-code
Любая технология проходит один и тот же путь: сначала она дорогая и сложная, высокий порог входа, потом постепенно улучшается и доходит до конструкторов, low-code и no-code решений. В веб-разработке это уже прожили: пришли шаблоны, CMS, WordPress, плюс масса фрилансеров, готовых собрать сайт буквально за еду. Кого-то это устроило — мелкий бизнес, которому нужен простой сайт. С ИИ закономерность та же: доступность растёт, порог входа падает, а работа не исчезает, а меняет форму.
Рынок не умирает, он расслаивается
Когда появились конструкторы, все кричали, что веб-разработчики останутся без работы. По факту они все на месте — рынок просто расслоился. Вниз ушли визитки и лендинги: их быстро собрать на конструкторе с готовым хостингом. А сложные проекты — реальные порталы с SEO и десятком технологий, как портал моей школы — остались полноценной разработкой. Профи ушли в верхний сегмент и забирают всё самое дорогое, а те, кто работал за еду, так и продолжают мало зарабатывать. Вывод простой: конструкторы не убили веб-разработку — значит, и ИИ не убьёт сферу 1С. Но он сдвинет всех: кто не растёт, того выдавливают вниз.
Границы ИИ: что остаётся за человеком
ИИ хорошо пишет типовой код, объясняет синтаксис и делает документацию. Но у него есть чёткие границы, и именно на них держится ваша ценность.
ИИ не несёт ответственности за внедрение. Модель не понимает специфику конкретного клиента и ничем не рискует. Если отправить заказчику сгенерированную обработку без проверки, а у него снесётся регистр сведений с важными данными, отвечать будете вы, а не нейросеть. Даже если ИИ сделал доработку подсистемы «на вайбе», всё равно нужен человек, который посмотрит результат и решит, вставлять это в основную конфигурацию или нет. Финальное решение и ответственность — на вас.
Отсюда железное правило, которое я повторял на каждом занятии: перед любым изменением базы — сначала backup, потом всё остальное. Я сам не раз убивал базы и восстанавливал их, поэтому привычка жёсткая. Раз ИИ не отвечает за последствия, резервная копия становится вашей страховкой: сломалось после доработки — подняли из копии.
Старьё и неуправляемые формы автоматизируются плохо. Кодовые агенты нормально работают с современными конфигурациями, которые дорабатываются расширением и полностью выгружаются в XML. А огромный пласт legacy накоплен за прошлые десятилетия — кто-то до сих пор сидит на 7.7, старые неуправляемые формы автоматизируются очень тяжело. Максимум — править общие модули и делать отчёты. Всё это остаётся за разработчиком, и бояться тут нечего: это ниша, которую ИИ пока не закрывает.
Живое общение с заказчиком ИИ не заменит. Никакая нейросеть не приедет к бухгалтеру, не посидит с ним, не попьёт чаёк и не вникнет в его проблемы. Я сам долго и плотно работал с бухгалтерией: придёшь, тебя угостят чаем и конфетами, расскажут о насущных болях, а ты пообещаешь сделать хорошо. Понимание реальных потребностей клиента через живое общение — это отдельная ценность разработчика, которую ИИ не отберёт.
Как повысить свою ценность
Ключ к тому, чтобы остаться дорогим специалистом, — экспертиза, которую сложно заменить: глубокое знание предметной области плюс умение использовать ИИ как ускоритель под своим контролем.
Знание предметной области глубже, чем у модели. У каждого бизнеса свои нюансы: даже два магазина, торгующие одним и тем же, могут иметь абсолютно разные бизнес-процессы. Понимание отчётности, закрытия месяца, интеграций, отраслевых конфигураций и финансового учёта складывается из реального опыта работы с клиентами. ИИ может проанализировать данные и, например, найти причину недостачи, но задачи, где нужно на опыте понимать, как должен закрываться месяц и где именно ошибка, остаются за человеком. Пока эксперт постоянно работает с типовыми конфигурациями, заменить его тяжело.
Помните про галлюцинации. По специфическим темам 1С модель может уверенно придумывать то, чего не существует. Даже на привычном для неё Python она не знает свежие библиотеки — для этого есть подключаемые MCP-серверы, которые подают актуальный контекст. Советы могут быть устаревшими на старых данных, поэтому ответы ИИ нельзя принимать вслепую, особенно по узким и быстро меняющимся темам. Именно потому, что типовые конфигурации постоянно меняются и требуют актуального опыта, эксперта и выходит заменить так тяжело.
Шаблонный код — под проверкой эксперта. Кто внедряет ИИ в работу, тот начинает делать кратно больше. Даёшь модели небольшую задачу — она быстро выдаёт шаблонный код, а ты перепроверяешь и дорабатываешь руками. Сюда же автодокументирование модулей и код-ревью: если в команде есть джуны, чей код приходится проверять, ИИ в этом заметно помогает. Но финальный контроль всегда за экспертом.
Ускорение ТЗ и КП. Если вы знаете архитектуру и умеете писать длинный промпт, можно выгрузить конфигурацию в XML, отдать её сильной модели с задачей проанализировать и составить ТЗ или коммерческое предложение, сохранить в PDF и попросить задавать уточняющие вопросы — про клиент-серверную базу, отказоустойчивость, стоимость часа. За пару часов и несколько итераций получается развёрнутое ТЗ с почасовкой, которое остаётся просмотреть и подправить. Обратная сторона тоже честная: клиенты уже понимают, что ТЗ пишется с помощью ИИ, и не всегда готовы платить сотни тысяч за анализ кодовой базы. Значит, ценность смещается с самого анализа на решения, которые вы на его основе принимаете.
Личный бренд и смежные навыки
Чтобы расти в доходе и востребованности, без личного бренда не обойтись. Начните с простого: скачайте готовый шаблон на WordPress или соберите сайт на конструкторе, заполните информацию о себе — дизайн тут не главное. Портфолио помогает собрать сам ИИ: накидайте ему все обработки за последний год и попросите сделать кейсы с описаниями. Готовую страницу отдаёте заказчику или по ней он находит вас сам.
Публикуйтесь как можно больше. Основная площадка для 1С — Инфостарт: выкладывайте тиражные решения и дублируйте их в портфолио на своей странице, пусть даже за небольшие деньги — вы всё равно светитесь и постепенно набираете клиентов. Есть опыт — пишите статьи на Хабре, хейтеры там неизбежны, но на них не стоит обращать внимания. Ходите на конференции, даже если сами не выступаете: цель — максимально светиться и знакомиться.
И главное — учитесь каждый день. Сертификаты работодатели любят, а расти нужно вширь: интеграции, очереди, SQL-оптимизация, смежные Python и JavaScript для понимания того, как устроен ИИ. Когда вы внедрите ИИ в работу, у вас появится свободное время — тратьте хотя бы час в день на обучение. На чистом опыте, без ежедневного обучения, дальше не выйти.
Дорожная карта AI-разработчика 1С
Дальше — пошаговый маршрут: как 1С-разработчику двигаться в сторону ИИ, от базовых технологий до боевого деплоя. Каждый шаг добавляет навык, за который на рынке платят всё больше.
Шаг 1. База: Python, Docker, VS Code
Начинать нужно не с самого ИИ, а с фундамента, на котором он держится. Разберитесь, что такое Python и Docker, поставьте VS Code. Python — понятный язык с огромным количеством библиотек, на нём всё это и пишется. Docker удобно упаковывает проект в дистрибутив. VS Code — бесплатная среда разработки. Учиться можно по роликам и статьям, причём сами ИИ-системы отлично помогают учить Python: непонятное спросил — тебе разъяснили и показали примеры кода. Дополнительно осваиваете синтаксис, ООП, модули и отладку.
Шаг 2. Переводите ручные задачи на кодовые системы
Возьмите любую оплачиваемую кодовую систему — ChatGPT, Claude Code, Qwen-код или Kimi-код, без разницы какую, лишь бы её можно было спокойно оплатить и пользоваться. Западные сильнее, но их тяжело оплатить, и они банят аккаунты без правильного VPN и специальных карт. Китайские Kimi и Qwen уже дышат в затылок топам и не банят пользователей из России. Поставив систему, начинайте потихоньку отдавать ей то, что раньше делали руками. Это сильно выручает и попутно помогает учить Python.
Шаг 3. ИИ — сторонними приложениями, а не внутри 1С
Я против того, чтобы запихивать ИИ внутрь 1С. Типовая конфигурация должна максимально оставаться на поддержке, не сниматься с замка, а дорабатываться расширениями. Всё, что касается ИИ, выносится в сторонние приложения: под это уже есть куча готовых библиотек, фреймворков, уроков и документации — это даёт огромный буст в разработке.
Поэтому ключевой навык — интеграция. Осваивайте обмены, архитектуру, шины данных (RabbitMQ, Kafka, платная 1С-шина), сервер взаимодействия. Данные из 1С отдаёте наружу через HTTP-сервис или новый MCP-сервер в виде расширения, чтобы любой агент мог подключаться к базе, получать номенклатуру, остатки, актуальные цены и оформлять заказы. Людей, которые умеют это настраивать и внедрять, реально мало — и это отдельный конкурентный ров.
Шаг 4. Прикладной AI-стек: FastAPI, LangChain, Langfuse
Дальше — прикладной стек. Сначала FastAPI (или смежный фреймворк): простой инструмент, чтобы делать API и упаковывать в них свои проекты. Потом LangChain — готовый фреймворк над языковыми моделями: он позволяет либо писать высокоуровневыми абстракциями, либо спускаться почти до прямых запросов к моделям. Дальше Langfuse — open-source приложение для отладки проектов. Собрав эти цепочки, можно писать корпоративных чат-ботов: подвязать LangChain и FastAPI, запустить бота с веб-интерфейсом, подключить к Telegram или серверу взаимодействия. Отсюда один шаг до RAG и синхронизации номенклатуры, заказов, остатков и цен с 1С через API.
Шаг 5. Деплой на GPU-сервере
Обязательный блок — уметь разворачивать свой проект на GPU-сервере. Нужно понимать, как работает Linux: запустить Ubuntu, подключиться к серверу, разобраться с правами. Необязательно сначала читать книжку — приступаете к работе и учитесь по ходу, а ИИ помогает: открыл чат и терминал, спросил по шагам, повторил. Важно понимать разницу между инференсами: Ollama позволяет любому крутить локальные модели через OpenAI-совместимый API, но работает медленнее продакшен-решений. Дальше — CUDA, настройка Ubuntu-сервера, Docker и разворачивание в продакшен. Тот, кто умеет и связать всё с 1С, и сделать веб-фронтенд, и развернуть на сервере, забирает максимум работы и денег.
Куда всё идёт: локальная разработка 1С через постановку задач
Расскажу, куда, на мой взгляд, движется профессия — на примере системы, которую я строю сам. Идея простая: открываешь веб-интерфейс с телефона или ноутбука, накидываешь задачи, ИИ-агент пробегается по проекту, предлагает план реализации, а после согласования сам дорабатывает конфигурацию 1С — без открытия конфигуратора. Мотивация у меня личная: старый модуль интеграции с Авито требует постоянных мелких доработок, Авито добавляет фишки, а клиенты не могут много платить. Дорабатывать руками невыгодно, но продукт надо держать актуальным ради абонентской платы. Отсюда цель — закрыть весь цикл разработки одним продуктом.
Ставка на полностью локальную работу. Я нацелен на то, чтобы система работала на домашнем сервере, а не на облачных Claude или OpenAI. Причина — риски внешней зависимости: сильную модель могут отозвать, российские аккаунты забанить, а скорость облачных сервисов для пользователей из России искусственно режется. При этом даже слабые локальные модели вроде Qwen 3 на 27 млрд параметров хорошо работают, когда им подаёшь в контекст правильную информацию: какие методы нужны, какие документы дорабатывать, какие реквизиты вставить. Качество определяет не мощность модели, а правильно подготовленный контекст — это, пожалуй, главный практический вывод.
Специфика 1С требует нескольких MCP-серверов. Первый выдаёт контекст по запросу: вытягивает нужное по платформе и проекту, сжимает и подаёт агенту в максимально компактном виде. Второй проверяет сгенерированный код прямо в 1С: агент написал общий модуль, подключился к MCP, попытался выполнить на тестовой базе — не получилось, цикл повторяется. Третий — граф зависимостей для конфигураций, выгружаемых в XML: он показывает, что от документа зависят конкретные регистры и реквизиты, чтобы агент быстро находил связи и не тянул лишний контекст. Это особенно важно при доработке самой конфигурации, а не расширения.
Плюс скилы по XML-паттерну — примеры того, как правильно должны выглядеть документы, табличные части, реквизиты и теги. Это критично: многие правят только общие модули и боятся трогать реквизиты через XML, потому что ошибка может проявиться не сразу, а позже вызвать ошибку потока на рабочей базе. И документация по проекту — отдельные файлы с описанием архитектуры, списком доработок и техдолгом, которые агент изучает перед реализацией задачи. Если хотите глубже разобраться в этом подходе, у меня есть курс по ИИ в 1С, где мы собираем такую связку по шагам.
Что дальше
ИИ не отменяет 1С-разработчика — он поднимает планку. Рутина уходит в модели, а ценность концентрируется в архитектуре, ответственности, знании предметной области и умении собрать ИИ в рабочую систему под контролем эксперта. Кто освоит этот стек — интеграции, прикладной AI-слой, локальный деплой и постановку задач агенту — тот и заберёт самую дорогую работу.
Если хотите пройти этот путь не в одиночку, а по выстроенной программе — с MCP-серверами, скилами и агентами под 1С на реальных примерах, — приходите на курс по ИИ в 1С. Разберём всю связку по шагам: от первого MCP-сервера до агента, который дорабатывает конфигурацию.