• 16 октября, 2026

Сбер представил первый в России бенчмарк Cowork Bench для оценки ИИ-агентов на офисных задачах

На конференции ГигаКонф для инженеров Сбер представил первый в России открытый русскоязычный бенчмарк — Cowork Bench, предназначенный для оценки качества выполнения офисных задач ИИ-агентами. Бенчмарк позволяет определить, какие рабочие процессы ИИ способен выполнять самостоятельно и насколько стабильно он с ними справляется. Разработкой платформы для создания и управления ИИ-агентами GigaCowork занимается российская ИТ-компания «Салют для бизнеса» (входит в экосистему Сбера).

Сowork Bench стал первым российским бенчмарком, ориентированным не на оценку ответов ИИ-моделей, а на способность агентов самостоятельно выполнять конкретные задачи от начала до конца: обрабатывать заявки клиентов, готовить отчёты, производить расчёты — без участия сотрудников.

Cowork Bench включает 475 сквозных офисных задач, охватывает 12 бизнес-функций и 26 корпоративных систем. В основу бенчмарка легли проверенные международные практики оценки ИИ-агентов, адаптированные под российский бизнес: сценарии учитывают реальные запросы отечественных компаний и их сотрудников и включают в себя работу с таблицами, документами, почтой, календарем, хранилищем данных, базой знаний и внутренними сервисами организаций. Например, одна из бизнес-задач агента – анализ бюджета: ему нужно сопоставить план-факт по четырём подразделениям, рассчитать отклонения, объяснить их причины, подготовить отчёт и презентацию, пересмотреть прогноз, отправить письма. Другая – организация командировки команды: отобрать сотрудников, подобрать билеты, посчитать бюджет, завести встречи в календарь.

Андрей Белевцев, старший вице-президент, руководитель блока «Технологическое развитие» Сбербанка:

«На данный момент нет российских бенмарков-аналогов, которые оценивают способность ИИ-агентов выполнять офисные задачи от начала до конца, учитывая специфику компаний России — их корпоративные системы, сценарии и запросы. Cowork Bench — первый бенчмарк в таком классе, он помогает оценить, насколько хорошо агенты справляются с реальными рабочими процессами и какую их часть могут забрать на себя. И, главное, мы сделали его открытым для рынка: любой разработчик или компания может использовать Cowork Bench, чтобы проверить собственный harness и улучшить качество работы своих ИИ-агентов».

Для того чтобы оценить насколько окружение влияет на способность ИИ-агентов выполнять офисные задачи, разработчики GigaCowork сравнили девять решений на одной открытой модели, с одинаковыми задачами, данными и процедурой проверки. В сравнении участвовали восемь зарубежных инструментов — Goose, Claude Code, DeepSeek, Pi, Codex CLI, OpenHands, OpenCode, Strands baseline и российская платформа GigaCowork. Результаты показали, что выбор харнесса напрямую влияет на результат работы ИИ-агентов: доля успешно выполненных заданий варьируется от 62% до 80% в зависимости от обвязки, и в некоторых случаях разница доходит до 20% на одной большой языковой модели. GigaCowork справился с 75,2% задач, войдя в число лидеров сравнения. Лучше всего платформа показала себя при работе с объемными выгрузками, таблицами, документами Word и календарем.

Владимир Толмачев, генеральный директор «Салют для Бизнеса»:

«Существующие бенчмарки оценивают возможности моделей — знания, рассуждения, решение математических задач или написание кода. Эти оценки полезны, но сами по себе не показывают, сможет ли система подготовить квартальный анализ бюджета и довести результаты до ответственных руководителей. Такая задача требует найти исходные файлы, сопоставить данные, выполнить расчёты, создать документы, отправить письма. В офисной работе результат работы ИИ во многом зависит от программной оболочки, которая управляет контекстом, памятью, инструментами и интеграцией агентов с корпоративными системами. Поэтому бизнесу важно выбирать не просто «умную» модель с высокими показателями, а решение, которое лучше справляется с их конкретными рабочими задачами».

Похожие статьи

Сокращенные результаты ПАО Сбербанк по РПБУ за 10 месяцев…

Сбербанк публикует сокращенные результаты по РПБУ за 10 месяцев 2026 года. Герман Греф, Президент, Председатель Правления Сбербанка.

Сбер поможет бизнесу автоматически отслеживать статус иностранных работников

Сбер и ООО «Юнирест» (компания, управляющая сетью ROSTIC'S) запустили пилотный проект, который помогает работодателям отслеживать статус иностранных сотрудников в реестре МВД.

Расходы на лекарства, медицинские товары и услуги растут быстрее…

За прошедший год россияне стали тратить на лекарства и медицинские товары на 22% больше, на медицинские услуги — на 26%.