Не ждите обновлений от 1С. У вас есть DeepSeek
Может ли современная LLM уровня DeepSeek или GLM найти причину в конфигурации на миллион строк и выпустить патч‑расширение на уровне штатного разработчика фирмы 1С? И как проверить качество фикса?Проведём слепой эксперимент. На портале обновлений releases.1c.ru к каждому релизу лежат официальные патчи исправления ошибок (EF_...), написанные разработчиками фирмы 1С.Правила дуэли:Берём типовую 1С:Управление нашей фирмой (УНФ) 3.0.12.261 с демо‑базой.
Где AI-настройка обмена с 1С работает, а где нет: честный разбор
Под прошлой статьей справедливо заметили: обмены бывают разными, и порой они совсем не простые, особенно те, что построены на правилах обмена. Согласен. Здесь разберу, какие обмены «Связка» закрывает настройкой с AI-помощником, какие нет и почему. Без обещаний «любой API одной фразой».Два разных мира обменов1. Обмен 1С ↔ 1С по правилам. Это КД 2/3, EnterpriseData, планы обмена, «Обмен данными» БСП. Здесь две базы с богатыми объектными моделями, а значит:сопоставление справочников, порой многие ко многим;регистрация изменений и квитирование;конфликты, коллизии, порядок загрузки;
К2Тех запустил ИИ-агента внутри 1С
К2Тех запустил ИИ-агента, который работает непосредственно внутри решений экосистемы «1С:Предприятие» и позволяет пользователям решать задачи на естественном языке: получать и анализировать информацию, находить причины отклонений и автоматизировать повторяющиеся сценарии.
Почему после успешного внедрения становится тяжелее, хотя ожидали, что станет легче
Мы ожидали, что работать станет легчеМы меняли морально устаревшую корпоративную систему на новую ERP. Функциональность прежней системы устраивала пользователей, поэтому исходная задача выглядела понятно: перенести привычные возможности и получить основу для дальнейшего развития. Старую систему масштабировать становилось трудно, в том числе из‑за недостатка данных для новых участков автоматизации.
Как мы изменили функциональное моделирование в ERP-проектах и построили каркас ФМ за два часа
Представьте первый день проекта внедрения ERP. Заказчик передал копию информационной базы 1С. Спустя два часа у нас уже есть перечень используемых объектов, возможных функций и предварительная модель бизнес-процессов. А после обеда можно не спрашивать главного бухгалтера: «Используете ли вы заказы клиентов?», а обсуждать, как именно устроен процесс работы с заказами.Это не фантазия. Такой сценарий мы используем на реаных проектах, и этот подход сокращает длительность этапа «ФМ» минимум на один месяц. Это даже оставляет возможность внедрить 1С ERP с 1 января 2027 года.
Опубликована книга «Цифровой мозг фирмы»
Короткая книга о директоре в момент, когда машинный интеллект становится массовым рабочим инструментом.
Глаз стрекозы
Таксоно-онтологическая методология многопредметного инженерного исследования с управляемым межпредметным переносомКак собирать исследовательскую оптику, переносить конструкции между предметными областями и проверять новое с помощью ИИАннотацияПубликую Часть I книги "Глаз стрекозы" о том, как собирать исследовательскую оптику, переносить конструкции между предметными областями и проверять новое с помощью ИИ.Полный текст книги состоит из пяти частей, 15 глав, 29 иллюстраций.Полный текст книги бесплатно прочитать и скачать на Литнет
Лабораторная работа № 2: учим ИИ готовить КП на внедрение ERP
Продолжаем сценарии, где ИИ помогает IT ИнтеграторуВ будущей (но опубликованной ранее) лабораторной работе № 3 мы пытались понять, можно ли автоматизировать выполнение процессов без привлечения офисных сотрудников. Видео или статья как это было. Еще раз — «лабораторные работы» это работающие стенды для автоматизации работы IT интегратора с использованием программно‑методологического комплекса ERP‑tools и безграничных возможностей программирования от LLM и локальными LLM
Одиночный исследователь с ИИ: как собирать новое из разных предметных областей
Рабочая карта: от исследовательской оптики и слабых связей до специализированных методов, проверки и работающего компонента.В первой статье этой серии "От университета до искусственного интеллекта: как ускорялся генератор изобретений" мы смотрели, как человечество постепенно усиливало генератор нового: университеты, печать, научные общества, лаборатории, вычислительные сети и, наконец, искусственный интеллект. Во второй вопрос практичнее: что происходит, когда значительная часть этой мощности оказывается в распоряжении одного исследователя или маленькой группы?
