
10 ноября 2026 года Anthropic представила Claude Meetings. Теперь Claude может участвовать в видеозвонках Google Meet, вести заметки, отвечать на вопросы, создавать документы и интерактивные доски прямо во время разговора. Функция постепенно становится доступна в бета-версии для клиентов Team и Enterprise.
Подробности опубликованы в официальном анонсе Anthropic.
Для пользователей это удобная возможность. Для основателей некоторых AI-стартапов повод внимательнее посмотреть на собственный продукт.
Представьте SaaS, который подключается к видеоконференции, составляет краткое содержание разговора и отправляет список договоренностей участникам. У него может быть хороший интерфейс, удобная настройка и платящие клиенты. Но если аналогичный результат появляется в сервисе, которым клиент уже пользуется, возникает неприятный вопрос: за что именно ему продолжать платить отдельно?
Это не означает, что подобные компании немедленно исчезнут. Специализированный продукт может лучше решать конкретную задачу, поддерживать больше платформ, учитывать отраслевые требования или работать с данными так, как не умеет универсальный ассистент.
Проблема возникает там, где за всеми дополнительными возможностями не остается ничего, кроме вызова модели с удачно составленным промптом.
Когда функция становится товаром
Создать хороший AI-продукт непросто. Даже относительно узкая возможность требует интерфейса, инфраструктуры, обработки ошибок, безопасности и поддержки пользователей.
Но сложность разработки сама по себе не гарантирует устойчивости бизнеса.
Если основная ценность продукта заключается в способности модели преобразовать один вид информации в другой, поставщик этой модели потенциально может предложить ту же операцию напрямую.
Вчера пользователь загружал транскрипцию встречи в отдельный сервис. Сегодня ассистент составляет заметки во время разговора. Завтра он может выполнять последующие действия в подключенных рабочих системах.
У специализированного сервиса остается меньше возможностей объяснить свою ценность одной лишь AI-функцией.
Причем риск не ограничивается встречами. Он относится к генерации документов, анализу данных, поиску информации, подготовке презентаций и другим сценариям, где самостоятельный продукт продает преимущественно доступ к возможностям универсальной модели.
В таких случаях компания зависит не только от стоимости и качества используемого API. Она зависит от продуктовых решений своего технологического поставщика.
Что сложнее заменить
Представим другую систему. В ней компания ведет проекты и задачи, настраивает рабочие схемы, управляет доступом сотрудников, хранит историю изменений и подключает внешние инструменты.
AI может помогать работать со всеми этими объектами. Находить задачи, создавать новые, обновлять поля, анализировать состояние проекта и объяснять историю решений.
Но сами задачи не существуют внутри AI-модели. Права доступа не определяются промптом. Рабочая схема не исчезает при смене ассистента.
Именно здесь проходит важная архитектурная граница.
Модель предоставляет дополнительный способ взаимодействия с продуктом. Предметная логика, данные, проверка полномочий и выполнение операций остаются в самой системе.
При таком подходе развитие AI-платформ расширяет возможности SaaS, а не обязательно делает его ненужным.
Это не абсолютная защита от конкуренции. Большая платформа может реализовать и полноценную предметную систему. Однако повторить функцию суммаризации существенно проще, чем заменить накопленные рабочие данные, настроенные процессы, интеграции и ограничения доступа конкретной организации.
AI как клиент системы
Один из способов провести такую границу на практике состоит в том, чтобы не привязывать продукт к определенной модели.
Допустим, сотрудник хочет попросить ассистента найти задачи с просроченными сроками и подготовить изменения. Ему не обязательно нужен AI, встроенный непосредственно в трекер. Он может использовать привычного ассистента, если тот получает доступ к возможностям трекера через стандартный интерфейс.
Для этой задачи подходит Model Context Protocol (MCP). Это открытый стандарт взаимодействия AI-приложений с внешними инструментами и данными. Его поддерживают, в частности, ChatGPT и Claude.
Продукт предоставляет MCP-сервер с доступными инструментами. Совместимый AI-клиент подключается к нему и вызывает разрешенные операции.
Разработчику не требуется создавать отдельную предметную логику для каждой AI-модели. Пользователю не обязательно менять рабочую систему при переходе между ассистентами.
При этом совместимость по протоколу не означает полной идентичности поведения. Клиенты отличаются поддержкой авторизации, файлов, подтверждений и отдельных возможностей MCP. Каждое подключение необходимо проверять.
Сервисный аккаунт не должен быть администратором
Само наличие API или MCP-сервера еще не делает интеграцию безопасной.
Представим автоматизацию, которая создает задачи по событиям из другой системы. Ей необходим доступ к определенным проектам и возможность создавать задачи. Но для этого не нужны права администратора компании, доступ к платежам или управление учетными записями сотрудников.
Сервисный аккаунт позволяет отделить программу от человека. У него собственные учетные данные, ограниченные полномочия и отдельная история действий.
Разрешения можно ограничить на уровне проектов и конкретных операций. Токен можно отозвать. Изменение роли аккаунта должно влиять и на уже выданный доступ, иначе ограничение прав останется формальностью.
Для персонального подключения AI-ассистента подходит другой сценарий. Пользователь проходит авторизацию и делегирует приложению действия в пределах собственных прав. Сервисному аккаунту не нужно подменять его личность.
Это особенно важно для AI-интеграций. Способность модели сформировать команду не означает, что ей разрешено эту команду выполнить.
Проверку полномочий, версий объектов и допустимости операции выполняет сервер. Опасные действия могут требовать отдельного подтверждения человеком. История должна показывать не просто изменение задачи, но и то, кто или какая программа его инициировала.
Открытый интерфейс интеграции полезен лишь тогда, когда он сохраняет правила основной системы.
Независимость, которая имеет пределы
MCP и сервисные аккаунты не гарантируют, что продукт можно подключить к любой внешней системе одним нажатием.
Для каждой внешней интеграции нужны поддерживаемый интерфейс, способ авторизации, согласованная модель данных и обработка ошибок. Открытый протокол уменьшает объем специфической работы, но не устраняет ее полностью.
Точно так же MCP не избавляет от зависимости от AI-платформ. Они могут менять тарифы, условия доступа, поведение моделей и поддержку возможностей протокола.
Однако такая архитектура уменьшает зависимость собственной предметной системы от одного AI-поставщика.
Если один ассистент становится менее удобным, основная работа компании не должна останавливаться. Пользователь может продолжить работу через обычный интерфейс продукта, API или другой совместимый AI-клиент.
Это один из принципов, на которых строится Quevell: задачи, рабочие схемы, права и история принадлежат самой системе, а API, сервисные аккаунты и MCP дают внешним инструментам контролируемый доступ к ним.
Что произойдет после следующего обновления модели
Перед запуском AI-продукта стоит задать себе один вопрос: если завтра поставщик модели добавит мою главную функцию в свой интерфейс, зачем клиенту останется пользоваться моим сервисом?
Ответом может быть глубокая специализация, собственные данные, интеграции, надежность, особая модель безопасности или сложный рабочий процесс. Не обязательно создавать огромную платформу. Небольшой продукт тоже может обладать ценностью, которую универсальный ассистент не воспроизводит.
Но если убедительного ответа нет, количество AI-функций в интерфейсе едва ли решит проблему.
Claude Meetings не доказывает скорую гибель специализированных сервисов. Более того, Anthropic планирует взаимодействие со сторонними инструментами для работы со встречами, а не только замену их возможностей.
Этот анонс напоминает о другом: поставщик модели может стать одновременно технологической основой продукта и источником его новой конкуренции.
Поэтому при проектировании SaaS важно различать две вещи: что система умеет благодаря AI и какую ценность она сохраняет без конкретной AI-модели.