ИИ-агенты в аптеках: кто консультирует по препаратам

Крупные аптечные сети и агрегаторы лекарств все чаще встраивают ИИ-агентов в приложения и чаты: пользователь пишет название препарата, а система подбирает аналоги, сравнивает цены, напоминает о курсе приема и предупреждает, что два лекарства из корзины лучше не пить вместе. Технически за этим стоят большие языковые модели с подключенной базой данных о препаратах через RAG¹, а не свободная генерация ответов. Разница принципиальна: агент, который придумывает дозировку, — это не помощник, а источник вреда.

Что именно делают такие агенты

Функционал у решений разных вендоров пересекается, но глубина отличается. Базовый сценарий — поиск и подбор товара: вы вводите международное непатентованное наименование (МНН) или торговое название, агент находит позиции в наличии, показывает дженерики той же молекулы и сортирует по цене. Это самая безопасная часть — по сути умный поиск по каталогу.

Сложнее — проверка лекарственных взаимодействий. Агент сверяет состав корзины и подсвечивает пары, которые усиливают или ослабляют действие друг друга либо повышают риск побочных эффектов. Здесь модель опирается на структурированную базу, а не на собственные рассуждения, иначе точность падает.

Третий слой — сопровождение курса: напоминания о приеме, отслеживание остатка упаковки, подсказка заказать заранее. Это ближе к продуктовой логистике, чем к медицине, и работает надежнее всего.

Хороший аптечный агент не ставит диагноз и не назначает лечение. Он ускоряет то, что вы и так делаете руками: сравниваете, ищете аналог подешевле, проверяете совместимость. Все, что выходит за эту рамку, должно упираться в ответ «обратитесь к врачу».

Где проходит юридическая и этическая граница

Ключевое ограничение: назначение рецептурных препаратов — зона ответственности врача, а не приложения. Агент может рассказать про действующее вещество и показания из инструкции, но не имеет права рекомендовать конкретное лечение вместо консультации. Отпуск рецептурных лекарств без рецепта в России запрещен, и ИИ-помощник этого правила не отменяет.

Отдельная проблема — галлюцинации модели. Языковая модель может уверенно назвать несуществующую дозировку или перепутать препараты с похожими названиями. Именно поэтому серьезные внедрения строят на выверенной базе данных о лекарствах, а свободный текст модели ограничивают — она формулирует ответ, но факты берет из проверенного источника.

Сравнение подходов

На рынке сложились три типа решений. Ниже — их сильные и слабые стороны. Конкретные названия сетей и агрегаторов намеренно обобщены: набор функций у них меняется от релиза к релизу, и точный список стоит смотреть в самом приложении.

Кому это пригодится, а кому нет

Агент по препаратам реально экономит время в нескольких ситуациях:

• вы ищете дженерик той же молекулы, что и назначенный препарат, но дешевле — агент найдет аналоги по МНН за секунды;
• вы принимаете три-четыре лекарства и хотите проверить, не конфликтуют ли они, до похода к фармацевту;
• вам нужно вовремя пополнять запас препарата для хронического приема — напоминания и автозаказ снимают эту рутину;
• вы хотите быстро прочитать показания и противопоказания из инструкции, не разворачивая бумажный вкладыш.

А вот когда на агента полагаться не стоит:

• подбор лечения по симптомам — это работа врача, а не приложения;
• расчет дозировки, особенно для детей, беременных и пожилых — цена ошибки слишком высока;
• решение об отмене или замене рецептурного препарата;
• любые острые состояния, где нужна скорая помощь, а не чат.

Сколько это стоит пользователю

Для покупателя аптечные агенты пока в подавляющем большинстве бесплатны — они встроены в приложение сети или агрегатора и работают как инструмент удержания клиента. Монетизация идет со стороны бизнеса: рост среднего чека, допродажа аналогов, снижение нагрузки на первостольников. Отдельной платной подписки «спросить у ИИ-фармацевта» на массовом рынке РФ на сегодня нет, а если появится — условия смотрите на странице конкретного сервиса, а не в общих обзорах.

¹ RAG (retrieval-augmented generation) — подход, при котором языковая модель перед ответом достает факты из внешней проверенной базы и опирается на них, а не только на то, что запомнила при обучении. Для медицинских задач это снижает риск выдуманных данных, потому что источник дозировок и взаимодействий — не «память» модели, а справочник.