Как мультимодальность влияет на развитие ИИ-агентов: настройка помощника за 20 минут

Источник этих данных и сценариев, материал, описывающий концепцию Agent First: мира, в котором первичным становится не приложение, а ваше намерение. Вы говорите «организуй поездку», а агент сам выбирает рейс, бронирует отель и обновляет календарь. Какие сайты он при этом использовал, вам уже не важно.

Что понадобится?

• Доступ к мультимодальному ИИ-агенту: ChatGPT Plus или Team (GPT-4o с поддержкой текста, изображений, голоса), Gemini Advanced от Google, или российские аналоги: YandexGPT, GigaChat
• Мессенджер или голосовой интерфейс: Telegram-бот с подключённым агентом, голосовой ассистент на смартфоне или в наушниках
• Список из 3-5 повседневных задач, которые вы хотите делегировать: запись к врачу, заказ продуктов, переписка со страховой, перестройка календаря
• 15-20 минут на первую настройку и тестовый запуск
• Готовность подтверждать действия: агент будет спрашивать разрешение на критичные шаги, и это правильно

Как настроить мультимодального агента для бытовых задач?

1. Сформулируйте намерение, а не команду. Вместо «открой сайт аптеки, найди терапевта, выбери свободное окно» скажите агенту одну фразу:

Запиши меня к терапевту на этой неделе, 
утром, желательно до 10:00. 
Клиника рядом с домом, ОМС.

Мультимодальный агент использует ваш календарь (текст), геолокацию (данные), а если нужно, попросит сфотографировать полис (изображение). Именно так мультимодальность влияет на развитие ИИ-агентов: каждый канал ввода сокращает количество ваших ручных действий.

1. Дайте агенту контекст о себе. Настоящий персональный помощник работает не с отдельным запросом, а с тем, что в источнике названо «цифровой моделью мира пользователя» (world model), постоянно обновляемым пониманием того, что для вас сейчас важно. Заполните профиль агента:

Семья: двое детей, младшего забираю из сада к 17:30.
Бюджет на продукты: до 8000 руб/неделю.
Аллергии: орехи.
Страховая: полис ОМС, компания «Согаз».
Предпочтения: доставка Яндекс Маркет или СберМаркет.

Чем точнее профиль, тем меньше уточняющих вопросов. Агент, получивший голосовое сообщение, фото чека и текстовый список, обрабатывает всё параллельно, это и есть мультимодальность в действии.

1. Поручите связанную цепочку задач, а не одиночное действие. Сила агента не в том, что он отвечает на вопрос, а в том, что он выстраивает последовательность:

Сегодня вечером гости, 4 человека.
Закажи продукты на ужин (паста, салат, вино),
перестрой календарь, чтобы я успел забрать 
ребёнка до 17:30, и напомни мне подтвердить заказ.

В исследовании JetBrains среди более чем 15 000 профессиональных разработчиков 68% летом 2026 года использовали агентов (coding agents) ежедневно. Бытовые сценарии движутся в том же направлении: задача не в том, чтобы нажать кнопку, а в том, чтобы описать результат.

1. Проверяйте и подтверждайте критичные действия. Агент должен спрашивать перед оплатой, отправкой документов или записью к врачу. Если ваш инструмент этого не делает, настройте явно:

Перед любой оплатой или отправкой 
персональных данных — спроси подтверждение.
Никогда не отправляй документы без моего «да».

1. Добавьте голосовой и визуальный ввод. Сфотографируйте документ для страховой вместо того, чтобы перепечатывать. Надиктуйте задачу в наушники по дороге домой. Смартфон при этом лишь одна из поверхностей: тот же агент доступен на ноутбуке, в машине, часах. Мультимодальность убирает барьер ввода, вы общаетесь с агентом так, как вам удобно в конкретный момент.

Что это значит для вас по ролям?

Автору на Дзене. Мультимодальный агент снимает бытовую рутину. Вместо часа на запись к врачу и заказ продуктов, пять минут голосовых поручений. Освободившееся время идёт в контент. А понимание того, как мультимодальность влияет на развитие ИИ-агентов, само по себе становится темой для статей: читатели ищут практику.

Маркетологу. Концепция Agent First означает, что ваш сайт или магазин скоро будут взаимодействовать не с человеком, а с его агентом. Источник описывает, как сервисы уже получают машиночитаемые интерфейсы (MCP, A2A, API). Если ваш лендинг не читается машиной, агент клиента просто выберет конкурента.

Предпринимателю в РФ. Прямого доступа ко многим зарубежным агентам нет, но YandexGPT и GigaChat развивают мультимодальные возможности. Начните с малого: протестируйте голосовой ввод задач и распознавание документов с фото. Это покажет, какие процессы уже можно делегировать.

Через пару лет вопрос «каким приложением вы пользуетесь» может звучать так же странно, как сейчас «на каком сервере вы храните почту». Агент выберет приложение сам, а вы займётесь тем, ради чего всё это затевалось: жизнью, работой, контентом.