Как Яндекс перестраивает Алису, Поиск и Умные устройства вокруг ИИ-агентов

Что происходит: Яндекс делает ставку на ИИ-агентов

Яндекс перестраивает ключевые продукты вокруг ИИ-агентов. Алиса AI получает роль транзакционного ассистента, Поиск соединяет генеративные ответы с классической выдачей, а голосовые технологии Умных устройств переходят на новую генеративную модель. Для пользователя это означает постепенный переход от отдельных ответов к выполнению задач внутри одного диалога.

Сигналом стратегического сдвига стали назначения новых технических руководителей в ключевых направлениях компании. Такие изменения показывают, что Яндекс связывает дальнейшее развитие Алисы, Поиска и устройств с общей технологической основой, где модель должна понимать цель пользователя, обращаться к сервисам и доводить сценарий до результата.

ИИ-агент - это программа, которая получает задачу, удерживает контекст разговора, выбирает нужные инструменты и выполняет последовательность действий. В отличие от обычного справочного ответа агент может найти товар, сравнить варианты, оформить заказ или изменить настройки устройства.

Главный вопрос для пользователя звучит просто: сможет ли Алиса стать посредником между человеком и сервисами. Первый практический ответ уже появился в электронной коммерции.

Алиса AI: от голосового помощника к транзакционному ассистенту

Яндекс впервые использовал чат с Алисой AI как самостоятельный канал для старта продаж. Первым устройством в таком формате стали наушники «Яндекс Дропс»: в течение первой недели после запуска купить их можно было только через диалог с ассистентом.

Как это работает: сценарий покупки внутри диалога

Сценарий покупки через Алису AI можно представить как последовательность действий внутри одного чата:

1. Пользователь описывает задачу: например, просит подобрать наушники для дороги или работы.
2. Алиса уточняет требования, показывает подходящие варианты и помогает сравнить характеристики.
3. Пользователь выбирает товар, после чего ассистент запрашивает необходимые данные для заказа.
4. Заказ оформляется внутри диалога, а оплату пользователь проходит в предусмотренном интерфейсе.
5. В чате остаётся информация о покупке и дальнейших шагах.

Такой формат сокращает число переходов между поиском, карточкой товара, корзиной и оплатой. Пользователь формулирует цель обычным языком, а ассистент переводит её в последовательность операций.

Пример с «Яндекс Дропс» важен именно как проверка сценария. Алиса помогла пройти путь от знакомства с продуктом до оплаты внутри разговора. Для компании это способ проверить, способен ли диалоговый интерфейс заменить часть привычного процесса покупки.

Почему это важно: транзакционный ИИ как новый канал продаж

Транзакционный ИИ расширяет задачу ассистента. Информационный ответ помогает принять решение, а транзакционный сценарий доводит пользователя до конкретного действия: покупки товара, заказа услуги или изменения параметра.

Для Яндекса это новый канал взаимодействия с покупателем и дополнительная точка монетизации. Для пользователя ценность состоит в сокращении рутинных шагов. Вместо самостоятельного поиска характеристик и условий человек формулирует потребность, а Алиса собирает подходящий сценарий.

Руководитель подразделения транзакционного ИИ Яндекса Роман Маресов описал ожидание компании так:

«Чат с ассистентом станет привычным местом для покупок в ближайшие годы».

Яндекс прогнозирует, что к 2030 году через ИИ-ассистентов может проходить 10% покупок в России. В той же оценке общий объём рынка онлайн-торговли превысит 30 трлн рублей. Это прогноз, а не достигнутый показатель, поэтому его стоит воспринимать как ориентир для развития направления.

У транзакционного ИИ остаются ограничения. Ассистент должен корректно сравнивать товары, объяснять причины рекомендации, показывать итоговую цену и запрашивать подтверждение перед оплатой. В разборе готовности нейросетей к покупкам подробно описано, почему автоматический выбор пока требует контроля человека.

Техническая сторона: инфраструктура для ИИ-агентов под нагрузкой

Диалог с агентом выглядит простым для пользователя, однако за каждым ответом стоит цепочка вычислений. Модель принимает историю разговора, системные инструкции, данные из сервисов и текущий запрос, после чего формирует ответ или выбирает следующее действие.

Поэтому для массового продукта нужна инфраструктура, которая выдерживает множество одновременных обращений. Хорошая модель сама по себе не гарантирует быстрый ответ. Серверы должны хранить контекст, распределять запросы и рационально использовать память видеокарт.

Почему память видеокарты - узкое место

При инференсе, то есть во время работы уже обученной модели, система последовательно обрабатывает входной текст и генерирует новые токены. Для ускорения она хранит промежуточные данные о предыдущих токенах в KV-кеше. Название связано с тем, что кеш сохраняет ключи и значения, которые модель использует при работе с контекстом.

Для типовой конфигурации на один токен может приходиться около 128 КБ такого кеша. Чем длиннее разговор и чем больше параллельных пользователей, тем быстрее заполняется память видеокарты. В результате прототип, который уверенно работает с одним человеком, может столкнуться с ограничениями уже при десятках одновременных запросов.

Инференс состоит из двух разных по характеру этапов. Сначала система обрабатывает входной контекст, затем генерирует ответ токен за токеном. Первый этап требует быстро прочитать большой объём данных, второй связан с длительным удержанием кеша и постоянной генерацией. Инфраструктура должна учитывать оба режима.

Для пользователя проблемы с памятью проявляются в задержках, очередях и ограничении длины диалога. Если ассистент должен помнить историю заказа, характеристики товара и условия доставки, каждый дополнительный фрагмент контекста увеличивает требования к серверу.

Как оптимизировать: непрерывное пакетирование и общий префикс

Непрерывное пакетирование, или continuous batching, помогает объединять запросы разных пользователей в общие вычислительные группы. Новые обращения можно добавлять в обработку по мере освобождения ресурсов, не дожидаясь завершения всей большой партии. Это сокращает ожидание коротких запросов и лучше загружает GPU.

Кеширование общего префикса убирает повторную обработку одинаковой части контекста. Например, системные инструкции и правила поведения агента могут быть общими для большого числа диалогов. Система сохраняет уже обработанный префикс и использует его повторно, вместо того чтобы читать один и тот же текст при каждом обращении.

Такие механизмы особенно нужны агентам, которые работают с длинными инструкциями и подключаются к нескольким сервисам. Архитектор системы вокруг модели должен заранее определить источники данных, интеграции, место размещения, лимиты памяти и поведение под нагрузкой.

Выбирать модель по одному общему лидерборду для такого продукта недостаточно. Сценарный бенчмарк проверяет конкретную рабочую задачу: поиск товара, работу с документом, написание кода или выполнение цепочки действий. Для Алисы важен итог всей операции, включая точность выбора инструмента, скорость ответа и корректность результата.

Поиск Яндекса: объединение генеративных ответов и классической выдачи

В Поиске Яндекс движется к сочетанию двух подходов. Классическая выдача сохраняет быстрый доступ к отдельным страницам и помогает пользователю самостоятельно проверить информацию. Генеративный слой формирует связный ответ, сводит данные из нескольких источников и помогает продолжить поиск в диалоге.

Это направление развивается на фоне роста использования ИИ-ответов. Во II квартале 2026 года быстрые ответы на базе Алисы AI достигли 49,5 млн пользователей и охватили 42% поисковых запросов. Цифры и изменения моделей разобраны в материале о метриках ИИ-ответов Яндекса.

Генеративные ответы: что это и зачем

Генеративный ответ создаётся нейросетью на основе нескольких фрагментов информации. Модель выделяет главное, связывает факты и формулирует вывод в удобной для чтения форме.

Такой формат полезен в запросах, где человеку нужно быстро собрать картину:

• сравнить несколько моделей устройств по цене, функциям и ограничениям;
• понять различия между технологиями и терминами;
• собрать план действий для сложной задачи;
• получить краткую сводку по теме, а затем уточнить отдельные детали.

Классические результаты сохраняют самостоятельную ценность. Они дают ссылки на конкретные страницы, позволяют проверить формулировки и найти узкоспециализированные материалы. Генеративный ответ экономит время на первом знакомстве с темой, а традиционная выдача помогает перейти к проверке и подробному изучению.

Похожие изменения происходят у других поисковых систем. В разборе развития AI-поиска Google показано, как генеративные блоки меняют привычный путь пользователя и отношения поисковика с издателями.

LLM в разработке и под нагрузкой

Большие языковые модели, или LLM, нужны Поиску на нескольких уровнях. Они помогают точнее понять формулировку запроса, распознать намерение пользователя, подобрать связанные темы и подготовить связный ответ.

Такие модели могут участвовать в переформулировании запросов, выборе подходящих документов, оценке качества текста и подготовке элементов интерфейса. В разработке LLM ускоряют работу с кодом, тестами и технической документацией. Часть задач выполняется внутри инженерных процессов, а часть связана с пользовательским поиском.

Обслуживание LLM под высокой нагрузкой требует тех же инженерных решений, что и работа Алисы AI. Система должна быстро обрабатывать входные данные, удерживать контекст, распределять запросы между серверами и контролировать расход видеопамяти. При задержке в несколько секунд даже точный ответ воспринимается хуже, если человек выполняет простой поиск.

Гибридная модель Поиска снижает зависимость от одного формата. Для короткого фактического запроса подходит классическая выдача. Для сравнения или объяснения полезен генеративный ответ. Для сложной задачи нужен диалог, который сохраняет контекст и уточняет цель пользователя.

Умные устройства: новая генеративная модель для голосовых технологий

Голосовые технологии Умных устройств переходят на новую генеративную модель. Яндекс связывает это направление с более естественным диалогом, лучшим пониманием контекста и расширением набора голосовых сценариев.

Сейчас голосовой запрос обычно проходит через несколько компонентов: устройство распознаёт речь, система определяет намерение, сервис выполняет команду, а синтезатор формирует ответ. Генеративная модель может связать эти этапы в более гибкий диалог и учитывать предыдущие реплики.

Для пользователя это может означать более естественные уточнения и продолжение разговора без повторения всей команды. Например, человек спрашивает о погоде, затем уточняет время выхода из дома. Ассистент должен связать вторую реплику с первой и сохранить нужный контекст.

Голосовой агент пригодится и в бытовых действиях: управлении устройствами, поиске информации, составлении списка покупок, напоминаниях и выборе контента. Результат зависит от того, какие сервисы подключены к модели и какие действия разрешены без дополнительного подтверждения.

Публичное описание направления пока не раскрывает точные сроки перехода, название новой модели и список устройств, которые получат обновление первыми. Поэтому уже подтверждена общая технологическая ставка, а конкретный пользовательский опыт будет зависеть от поэтапного запуска.

Что это значит для пользователей и рынка

Три направления складываются в единую схему: ИИ-агент становится посредником между человеком и сервисами. Пользователь задаёт цель в чате или голосом, а система ищет информацию, обращается к нужным инструментам и предлагает следующий шаг.

Направление	Что меняется	Что может заметить пользователь
Алиса AI	Диалог превращается в канал транзакций	Подбор товара, оформление заказа и оплата внутри одного сценария
Поиск	Генеративные ответы соединяются с классической выдачей	Сводки, сравнения, уточняющие вопросы и доступ к исходным страницам
Умные устройства	Голосовые функции переходят на генеративную модель	Более связный разговор и лучшее понимание предыдущих реплик

Привычка искать отдельную страницу может смениться запросом к ассистенту с описанием цели. Покупатель будет просить подобрать товар с учётом бюджета и условий доставки. Пользователь Поиска сможет начать с общего вопроса, уточнить критерии и получить структурированный ответ. Владелец умного устройства будет ожидать продолжения диалога без повторения ключевых слов.

Рост доверия станет главным условием такого перехода. Перед оплатой человек должен видеть товар, цену, продавца и итоговые условия. В Поиске нужно отличать вывод модели от найденного факта. В голосовом сценарии требуется понятное подтверждение действий, которые меняют настройки, списывают деньги или отправляют данные.

Для рынка онлайн-торговли это создаёт новый способ конкурировать за внимание. Брендам придётся готовить точные описания товаров, поддерживать актуальные данные и подключаться к системам, с которыми сможет работать ассистент. По оценке Яндекса, потенциальная доля покупок через ИИ-ассистентов к 2030 году может достичь 10%, однако темп роста будет зависеть от качества рекомендаций и доверия к оплате внутри диалога.

Для самого Яндекса задача шире, чем запуск отдельных функций. Компании нужно связать модели, Поиск, Алису, магазины и Умные устройства так, чтобы пользователь получал предсказуемый результат. Отдельный рынок ИИ-поиска в России и его основные игроки разобраны в материале о развитии российского ИИ-поиска.

Главный вывод для пользователя практический: следить нужно не за названием очередной модели, а за тем, какие действия она умеет выполнять безопасно и понятно. У Алисы AI уже появился сценарий покупки, Поиск расширяет работу с генеративными ответами, а Умные устройства получают основу для более связного голосового общения. Если эти элементы будут работать вместе, ИИ-агент станет привычным интерфейсом для поиска, выбора и выполнения повседневных задач.

Есть вопрос или заметили неточность? Напишите редакции, чтобы материал оставался ясным и актуальным по мере развития технологий.