Technical Context
Я смотрю на этот кейс не как на «прикольного бота», а как на прототип backend-сервиса: агент получил доступ к API супермаркетов (Mercadona, Consum), сформировал меню на семью из трёх человек и собрал корзину на заданный бюджет. Стек — Claude Opus 4.6 и Claude Code, то есть связка «мощная агентная модель + инструмент, который ускоряет написание и правки кода в проекте».
Важная деталь: это не просто генерация текста. Агент выполняет цепочку действий: планирование рациона, вычисление ограничений по деньгам и питательности, сопоставление ингредиентов с каталогом магазина, затем — формирование заказа. Именно такие цепочки Opus 4.6 тянет лучше большинства моделей за счёт длинного контекста (до 1M токенов в бете), adaptive thinking и режимов effort, когда я могу управлять балансом стоимости/скорости/качества.
Я также отмечаю, что официальные материалы Anthropic про Claude Code и Opus 4.6 хорошо описывают агентные workflow и работу с кодовой базой, но почти не дают «рецепта» именно для e-commerce интеграций. Поэтому подобные пользовательские отчёты ценны: они показывают, что технически всё упирается не в «может ли модель», а в то, как выстроены инструменты (tool calling), права доступа и контуры валидации.
Побочный эффект из отчёта — агент добавил много алкоголя. Для меня это маркер: без бизнес-правил и guardrails модель будет оптимизировать «вкус/разнообразие/стоимость» на своём внутреннем представлении, которое может конфликтовать с ожиданиями семьи или политикой сервиса.
Business & Automation Impact
Если разложить идею по бизнесу, то это прямой удар по классическим сервисам доставки еды и подпискам на меню. Победят те, кто быстрее построит ИИ решения для бизнеса вокруг конкретных каталогов, цен, промо, логистики и предпочтений пользователей — то есть вокруг данных и интеграций, а не вокруг «умного текста».
Проиграют те, кто продолжит продавать статичное меню без адаптации под локальные супермаркеты и реальные цены. В таком рынке value смещается в автоматический подбор и покупку: пользователь платит за снятие рутины, а не за PDF с рецептами.
Я бы сразу закладывал, что промышленная автоматизация с помощью ИИ здесь требует трёх контуров контроля. Первый — политика покупки (запрет алкоголя, лимиты по категориям, аллергенные исключения, детские предпочтения). Второй — валидация корзины (цена, наличие, замены, единицы измерения, дубликаты). Третий — финансовая безопасность (лимиты, подтверждение, журналирование, откат).
По нашему опыту в Nahornyi AI Lab, ключевая ошибка команд — пытаться «прикрутить модель к API» без архитектуры: нет наблюдаемости, нет версионирования промптов/политик, нет тестов на сценарии (например, «бюджет 500€, но часть товаров недоступна»). В результате прототип работает на демо, а в продакшене превращается в генератор случайных корзин и возвратов.
Strategic Vision & Deep Dive
Мой неочевидный вывод: главный продукт здесь — не «план питания», а архитектура ИИ-решений, где LLM становится оркестратором действий, а качество обеспечивают детерминированные модули. Я встраиваю модель между слоями: (1) нормализатор потребностей (КБЖУ/предпочтения/бюджет), (2) оптимизатор корзины, (3) исполнители по API, (4) строгая валидация и симуляция заказа.
В таких системах Opus 4.6 даёт преимущество именно в длинных цепочках: можно удерживать контекст семьи, историю прошлых заказов, правила по питанию и ограничения по бюджету. Но я не доверяю модели финальное решение «что купить» без проверок: алкоголь в корзине — ровно тот класс ошибок, который должен ловиться не рассуждением, а политикой и тестами.
Ещё один практический паттерн, который я использую: разделение «план» и «исполнение». Сначала агент генерирует план-спецификацию (структурированный JSON с меню, ингредиентами, лимитами и допущениями), затем отдельный исполнитель преобразует это в запросы к Mercadona/Consum. Это снижает стоимость ошибок и ускоряет аудит — особенно когда вы делаете внедрение ИИ в процесс закупок для B2C сервиса или корпоративной столовой.
Я ожидаю, что в 2026-м появится волна «meal-planning-to-order» стартапов, но выживут те, кто решит интеграции и операционные детали: возвраты, замены, промокоды, разные магазины, локальные каталоги, SLA и поддержку. Модель — уже не дефицит; дефицит — инженерная дисциплина и грамотная ИИ интеграция в реальные цепочки поставок.
Этот разбор подготовил Вадим Нагорный — ведущий специалист Nahornyi AI Lab по AI-автоматизации и внедрению агентных систем в реальном секторе. Я беру такие идеи и довожу их до работающих продуктов: от прототипа до продакшена с наблюдаемостью, безопасностью и интеграциями. Напишите мне — обсудим ваш сценарий (ритейл, фудтех, закупки, корпоративное питание) и соберём архитектуру под ваши API, бюджет и KPI.