AI-агенты в Power Platform: красиво ≠ качественно
AI-агент уже умеет собирать решения на Power Platform, но качественными их делает не он, а спецификация, которую готовит команда. К такому выводу мы пришли после двух экспериментов с Claude Code и новыми плагинами Microsoft.
Тема искусственного интеллекта многим надоела, но это уже наша обыденность. Мы ждём, что безопасность сервисов будет ужесточаться, а стоимость моделей может вырасти. Поэтому нам важно заранее понять, где использовать ИИ стратегически, а где пока оставаться аккуратными.
В статье рассказываем, что выпустил Microsoft, что получилось у агента, где он провалился и во что это обошлось.
А узнать больше можно в нашем видео:
Что изменилось: Microsoft официально пустил агентов в Power Platform
Microsoft выложил на GitHub плагины со скиллами для работы AI-агентов с Power Platform. Скилл — это инструкция, как работать с конкретным инструментом, плюс нужные MCP, библиотеки и другие технологии.
Раньше мы могли подключать агентов через CLI, но инструкции приходилось писать самим. Это была серая зона: мы работали на свой страх и риск, а Microsoft этот способ не подтверждал. Теперь он прямо говорит: агентов можно пускать в систему, вот подсказки и инструменты.
В наборе есть плагины для Dataverse, Model-Driven Apps, PCF, Power Automate, Code Apps, Power Pages, MCP Apps и Canvas Apps. Важно, что Microsoft даёт именно инструменты, а не готовые ответы на вопрос, как строить решение.
Настройка заняла около получаса. Мы дали агенту ссылку на GitHub, он сам установил библиотеки, подключил MCP и провёл авторизацию в Azure CLI и Dataverse. Даже само environment мы создали через агента за пару минут.
Эксперимент 1: «сделай мне красиво»
Без ТЗ агент собрал красивое, но неработоспособное решение. Мы попросили сделать sales-приложение типа Opportunity с PCF и Canvas App и не дали никаких вводных, кроме «сделай красиво».
Самый громкий провал случился с Canvas Apps. Плагин работает через дизайнер в браузере, фактически кликая «мышкой». Агент сжёг 1,75 миллиона токенов, ничего не собрал, и в 5 утра мы остановили его, исчерпав недельный лимит подписки. Вывод: Canvas Apps по-прежнему делаем руками.
Нашлись и технические ограничения:
с бизнес-ролями через CLI работать нельзя: ни читать их в Solution, ни создавать;
formula columns агент тоже создать не может.
Model-Driven App, PCF и плагин он сделал, и каждый кусок по отдельности выглядел нормально. Но вместе они не работали: плагин падал с ошибкой, а при замене BPF на PCF агент не смапил колонки. При этом он утверждал, что прошёл все тесты. Непрофильный человек сказал бы «вау», но внутри оказался тёмный лес.
Эксперимент 2: работа по референсу
Когда у агента была готовая структура данных, результат оказался на другом уровне. Мы дали ему Solution нашего HR-приложения с уже продуманными таблицами и попросили построить на его основе решение.
Model-Driven App и BPF. Агент с нуля собрал приложение, форму кандидата и BPF со скриптами по стадиям, обязательными полями, возвратом и автосменой статусов. Ещё три месяца назад с BPF он работать не умел. Для нас это особенно важно: у небольших клиентов мы часто работаем с BPF, и настраивать их вручную долго. Баги были, например неработающий lookup, но основа получилась рабочей.
Code Apps. На небольшом датасете вакансий агент сделал отчёт в стиле Power BI за 30 и 90 дней. Работает он быстро и не требует отдельной лицензии Power BI, поэтому подойдёт для быстрой внутренней отчётности.
Power Automate. Это главный сюрприз. Без референса агент за 15 минут собрал Scheduled Flow с ежедневным отчётом по кандидатам. Он сам создал Connection Reference, активировал флоу, сделал тестовый прогон и проверил результат. Флоу нужно оптимизировать по лимитам и запросам, но теперь мы можем создавать каркасы на Dev Environment и отдавать их на ревью специалистам.
Power Pages. Агент сам поднял портал и проверил вёрстку через Playwright, почти без нашего участия. К реальным данным мы его пока не подключали, но для инструмента, с которым трудно работать вручную, это хороший старт.
MCP в Model-Driven Apps: приложение внутри Copilot
В превью Microsoft появилась возможность включить MCP для каждого Model-Driven приложения, и это занимает несколько кликов. MCP — это протокол, через который AI-агент узнаёт, что умеет сервис, без изучения документации каждого API.
На практике это выглядит так:
Включаем MCP для приложения.
Скачиваем готовый Declarative Agent.
Устанавливаем его через Teams.
Работаем с данными приложения прямо в Copilot.
Агент умеет показывать данные, открывать записи, считать summary, создавать и изменять записи. Удалять он не может. Подключаться ко всему Dataverse MCP или писать свой сервер на Azure для этого уже не нужно.
Скилл MCP Apps помогает создавать кастомные инструменты, которые возвращают ответ агенту в виде своего HTML. Так мы сделали виджет воронки найма Hiring Funnel, который вызывается прямо в Copilot. Настройка заняла около 5 минут, а возможности для командной отчётности получаются очень широкими.
Цифры: почему агенту нужна спека, а не идея
Работа по спецификации обошлась в 2,4 раза дешевле и дала заметно больше результата. Стоимость мы считали по ценам API-токенов, а не по подписке: если
Без спеки:
стоимость по API — $208;
чистое время агента — 6 часов;
результат — красиво, но неработоспособно.
Со спекой:
стоимость по API — $87;
чистое время агента — 2 часа;
результат — рабочее решение с несколькими багами.
В первом эксперименте мы просидели с агентом 14 часов. При этом во втором мы не давали ему ни наших best practices по Power Automate, ни стандартов написания кода. Вся разница — в одной продуманной структуре таблиц.
Идея в духе «клиент позвонил, сделай мне хорошо» не сработает. Агент — это руки, а не мозги: структуру данных и бизнес-процессы по-прежнему продумывают аналитик и архитектор.
Заключение
AI-агенты в Power Platform уже must-have для демо и прототипов, но не замена продуманной архитектуры. Демо-среду агент поднимает, пока мы пьём кофе, и рисовать макеты в Miro уже нет смысла.
Для реальных проектов мы выстраиваем такой порядок:
Собираем требования клиента, в том числе с помощью ИИ.
На основе нашего опыта продумываем архитектуру, структуру данных и бизнес-процессы.
Только потом отдаём спеку агенту с его инструментарием.
Подтверждаем решения на каждом шаге и даём фидбэк.
Раз Microsoft сам выпускает эти скиллы, рынок ими уже пользуется, и на Dev Environment их можно применять. Следующий шаг для нас — подключить к агенту наши best practices. Красиво и качественно — по-прежнему разные вещи, и разницу между ними обеспечивает команда.
Comments