GigaCowork и «Алиса AI Pro»: тест MCP Panel и навыка SEO/GEO-статей

Зачем я тестировала GigaCowork и «Алису AI Pro»

Обычно я пишу про OpenAI, Claude, Grok, Cursor. Про российские продукты долго не писала по простой причине: не было нормального доступа. Когда открылось тестирование, стало интересно именно сравнить с уже привычными агентными связками — на реальной задаче, а не на «распаковке» интерфейса.

Мне важны два контура сразу:

1. Инфраструктура РФ — оплата рублями, работа внутри российского контура.
2. Агентность — не «вопрос → ответ в чате», а подключение внешних инструментов, навыки и повторяющиеся задачи.

И GigaCowork (его же пишут как giga cowork / гигаковорк), и «Алиса AI Pro» уже выглядят не как обычный чат. Интерфейс привычный — близко к тому, что люди ждут от ChatGPT или Claude. Вопрос другой: могут ли они пройти сложный процесс целиком и взять на себя задачи AI-отдела?

Что уже хорошо у обеих платформ

Из плюсов, которые я зафиксировала в тесте:

• оплата рублями, работа в контуре РФ;
• можно подключать MCP-коннекторы — то есть выходить во внешний мир инструментов;
• можно загружать skills / навыки;
• можно ставить регулярные задачи (в GigaCowork) и задачи по расписанию (в «Алиса AI»).

Отдельно: в «Алиса AI» есть выбор моделей — китайские и собственные, с разным уровнем сложности. В GigaCowork явного выбора моделей в интерфейсе я не увидела (возможно, это глубже в настройках — но нативно, как в Алисе, не встретила).

Для бизнеса это важно: разные задачи — разный «вес» модели и разный расход токенов. Если выбора не видно, токеномикой управлять сложнее.

Навык «генератор SEO/GEO-статей» — почему это мой проверочный процесс

Агентная работа у меня в целом начиналась именно с этого навыка. Сейчас его обычно закрывают агенты без моего постоянного внимания: выбирают тему, сайт, собирают спрос, делают конкурентный разбор, сверяют источники и отдают материал, который нормально индексируется поиском и нейропоиском.

Описание этого навыка: Генератор SEO+GEO статей.

Формат навыка важен для понимания результата теста. Это не один длинный промпт. Внутри:

• оркестрация субагентов;
• правила, которые субагенты обязаны применять;
• несколько workflow;
• скрипты;
• референсы.

На входе — тема. На выходе — исследовательская работа + готовая статья, а не «текст из головы модели».

Почему GigaCowork не принял мой навык

В GigaCowork skill по сути подразумевает один файл — длинное описание пайплайна. Мой генератор статей так не устроен. Полноценно поставить его не удалось. Попытка подгрузить свой skill завершилась ошибкой — из этого я сделала вывод, что загрузить его в текущем формате не смогу.

Предустановленные навыки, которые я смотрела, тоже выглядели как один файл-описание «что делать». Для линейных задач этого может хватить. Для параллельной агентской работы с несколькими сверками — пока нет.

Отсюда практический вывод: сложные агентные процессы с несколькими этапами в GigaCowork сейчас я закрыть не могу. Думаю, это вопрос времени развития платформы — но на дату теста это ограничение жёсткое.

Как «Алиса AI» справилась с загрузкой навыка

В «Алиса AI Pro» skill загрузился. Просматривать, что внутри, нельзя — но по результату работы кажется, что платформа пытается выполнять логику, зашитую в навыке. Это уже другой уровень, чем «только один длинный промпт».

Как подключить MCP: что показал тест MCP Panel

Спрос в поиске часто звучит как «как подключить mcp» и «mcp сервер что это». Коротко в терминах этого теста:

• MCP — общий «разъём», чтобы ИИ-клиент вызывал внешние инструменты одинаковым способом.
• MCP-сервер / коннектор — сторона, которая отдаёт конкретные методы (данные и действия) по протоколу.
• MCP Panel в моём тесте — коннектор, в котором уже было около семи инструментов.

Подключение прошло без проблем и в GigaCowork, и в «Алисе AI». Вызовы инструментов отрабатывали. Связь с внешним миром через MCP на обеих платформах я смогла организовать.

Это важный плюс отдельно от skills: даже если методика (навык) ещё упирается в формат платформы, разъём к инструментам уже работает.

Глубина: конкурентный анализ в GigaCowork

Отдельно проверила конкурентный разбор. Платформа разложила нужный продукт — не «левый» общий текст. Но срез получился в основном по русскоязычному сегменту / СНГ, хотя я явно не ограничивала географию.

Ещё важнее число источников. Платформа писала, что использовала 10 источников. Для моих бизнес-решений этого мало: в привычной связке Claude / ChatGPT с deep research и моими skills по конкурентному анализу я опираюсь примерно на минимум 500 источников, чтобы картина была ближе к той, на которой можно принимать решения.

Сравнение здесь — мой опыт из видео, не «лабораторный бенчмарк отрасли». Но управленческий смысл простой: если на выходе сниппет уровня краткого обзора, а не исследование, агент ещё не заменяет аналитическую часть AI-отдела.

Картинки и видео в GigaCowork на момент теста, по моему опыту, генерировать нельзя. Для кого платформа уже может быть полезна: компаниям, которым нужен РФ-контур и культура работы с нейронками «в массе», без иностранной карты. Для моих текущих процессов — пока не вижу, как закрыть даже относительно простые агентные задачи целиком.

«Алиса AI Pro»: токеномика и почему одна статья заняла два дня

Навык Алиса приняла — но дальше упёрлась экономика и лимиты.

Я специально взяла тариф 2500 (в рублёвом контуре), чтобы понять, сколько реально можно сделать. Заявлено пятичасовое окно токенов. В тесте оно обновлялось примерно раз в сутки — возможно, баг, но для планирования работы это критично.

В одном таком окне я выполнила только половину пайплайна статьи. Чтобы дописать одну статью, ушло около двух суток. Расход токенов ощущается очень высоким относительно того, как тот же процесс закрывается у меня в привычных связках.

Картинки и контекст модели

Картинки в «Алиса AI» уже можно сделать на части моделей (точное имя модели в записи неразборчиво — в транскрипте помечено как фрагмент вроде «… 4.1»). Качество для меня — примерно уровень ChatGPT трёхлетней давности; формат пока только квадрат.

По контексту: у самой «дорогой» модели, которую я выбирала, окно около 35 тысяч токенов. Для сравнения в видео я говорила про порядка миллиона у ChatGPT и формулировку «примерно в восемь раз меньше» — оставляю это как сравнение из записи, не как лабораторный замер всех тарифов вендоров.

Слабая «память» на длинном процессе + высокий расход токенов = сложные задачи пока плохо ложатся. Даже «простую» для меня статью под ключ закрыть быстро не вышло.

Создание AI-агентов на RU-платформах: хватает ли автономности

Обе платформы уже помогают создавать и запускать агентские сценарии: skills, MCP, расписание. Но автономность — это не «кнопка агент», а способность дойти до результата без постоянного контроля человека.

По итогам теста:

1. MCP-слой — да, работает на обеих.
2. Сложный multi-file skill — в GigaCowork пока нет; в Алисе загрузка есть, исполнение упирается в лимиты.
3. Глубина исследования — пока ближе к поверхностному срезу, чем к тому, на чём я принимаю решения.
4. Полный цикл SEO/GEO-статьи — на Алисе занял ~2 дня вместо «ушло из внимания» в моей обычной схеме.

Поэтому свой AI-отдел я пока не переношу ни на GigaCowork, ни на «Алису AI». Мне важно, чтобы агент не просто начинал задачу, а доводил её до готового артефакта с нужной глубиной.

При этом я рада, что в РФ появились продукты с привычным интерфейсом и агентским контуром. Это большой сдвиг — особенно для команд, которым нужен рублёвый контур и культура работы с ИИ внутри компании. Через некоторое время повторю тест: платформы меняются быстро.

Что делать дальше

1. Посмотрите видео теста целиком — там видно интерфейс и ограничения live.
2. Если выбираете RU-платформу под агентов, проверьте на своей задаче три вещи: формат skills, MCP-коннекторы, реальные лимиты токенов на полный цикл.
3. Не путайте «коннектор подключился» с «процесс закрывается автономно».

Подробнее о MCP Panel и подключении бизнес-систем к AI: https://cheremisina.ru/ — без обещаний цены и без подмены этого кейса продуктовой витриной.

Источник

1. Видео-тест OWNER, запись 28.09.2026, длительность 16:24: https://youtu.be/qm70NxfIEhk.
2. Транскрипт того же ролика (внутренний рабочий SoT для цифр и формулировок теста; не публичный файл на сайте).