Deel, разработчик сервисов для управления персоналом и расчёта зарплаты, представила две специализированные языковые модели — Pangaea K1 и P1. Компания рассчитывает передать им часть запросов своего ИИ‑помощника и сократить расходы на обращения к внешним моделям общего назначения. Одновременно Deel представила Emet — бизнес по подготовке экспертных данных для обучения и оценке ИИ.

Разработки решают связанные задачи. Pangaea должна использовать накопленные Deel знания в собственных продуктах, а Emet — предлагать экспертные материалы и оценку моделей другим разработчикам. Подробности анонса 21 октября опубликовал Карл Франзен в VentureBeat; его материал стал основой этого разбора. Дополнительные сведения о продуктах и сотрудничестве компаний приведены на сайтах Deel и AI21.

Для кадрового сервиса специализация имеет конкретный смысл. Ответ об отпуске или начислениях зависит от страны, местных требований и правил работодателя. Deel хочет обучить собственные модели разбирать такие вопросы, сохранив более мощные универсальные системы для задач, где их возможности действительно нужны.

Какие задачи получили K1 и P1

Pangaea объединяет две модели с разной специализацией. K1 предназначена для ответов о трудовых отношениях, правилах и рабочих процедурах. P1 отвечает на вопросы, связанные с расчётом зарплаты. Для обеих разработок Deel использовала существующие модели с доступными для скачивания весами, которые затем адаптировали к предметной области.

Участие AI21 подтверждается публикацией самой компании. Разработчик описывает работу над специализированной моделью для Deel с использованием проверенных экспертами данных и тестов Emet. При этом опубликованные оценки относятся к ответам на вопросы о расчёте зарплаты. Они не подтверждают, что модель может самостоятельно и без ошибок выполнять весь процесс начисления и выплаты денег.

Как модели обучали на материалах Deel

Обучение K1 проходило в два этапа. Сначала Deel продолжила обучение базовой модели на собственных справочных материалах. Затем использовала примеры ответов, подготовленные более мощной моделью‑наставником. Такой подход изменяет веса модели, позволяя ей использовать часть усвоенных сведений без предварительного поиска по документам.

По данным Deel, её справочная база содержит более 43 500 страниц, за актуальностью которых следят свыше 2 000 специалистов по трудовому праву, кадровой работе, расчёту зарплаты и нормативным требованиям. В обучающий корпус K1 вошли переработанные сведения из этой базы и небольшой объём текстов общей тематики. Общий объём составил около 1,2 млрд токенов.

Для P1 использовали примеры по расчёту зарплаты, подготовленные через Emet. По заявлению Deel, при обучении обеих представленных моделей не использовались идентифицирующие сведения о сотрудниках и реальные клиентские данные о начислениях. Основой служили документы и специально подготовленные материалы.

Поиск по документам при этом сохраняется как дополнение к K1. Он позволяет приводить ссылки, проверять детали и получать информацию об изменениях после обучения. Для кадрового помощника это существенное условие: модель может правильно воспроизвести правило, которое уже перестало действовать. Поэтому обучение на предметных материалах не снимает задачу поддержания источников в актуальном состоянии.

Что показал EmBench

Наиболее подробные результаты опубликованы для K1. Deel проверила её на EmBench Global Work — наборе из 601 вопроса о рабочих процедурах и международных трудовых отношениях. Конкурирующим моделям предоставили поиск по той же справочной базе, а отдельные факты в ответах оценивала другая языковая модель.

В материалах, переданных VentureBeat, результаты распределились следующим образом:

K1 уступила четырём участникам по баллам, но отвечала быстрее них. Медианное время подготовки ответа составило 7,7 секунды, тогда как у моделей с более высокой оценкой этот показатель находился в диапазоне от 14,8 до 28,4 секунды. Это результаты Deel, опубликованные VentureBeat, а не независимый сравнительный тест.

Компания также показала, как изменились результаты исходной модели с 9 млрд параметров. Без поиска она набрала 19 баллов, с поиском — 46. После адаптации K1 получила 70. В рамках методики Deel обучение на специализированных материалах заметно улучшило ответы.

Однако баллы нужно читать вместе с описанием проверки. Оценка 70 не означает, что модель правильно рассчитывает 70% зарплат: тест проверяет содержание ответов, а не реальные начисления. Кроме того, участники использовали разные способы получения информации. K1 опиралась на усвоенные знания, конкурирующие системы — на поиск, поэтому сравнение отражает работу этих конфигураций целиком.

Есть и ограничение независимой проверки. VentureBeat сообщило, что во время подготовки материала не смогло получить доступ к общедоступному сайту бенчмарка и не воспроизвело оценки. По этим данным можно обсуждать заявленное соотношение скорости и качества K1, но нельзя делать вывод о её надёжности во всех кадровых ситуациях.

Для P1 предусмотрен отдельный тест — EmBench Payroll, посвящённый требованиям к расчёту зарплаты в разных странах. По словам Deel, модель приближается к ведущим системам на сложных вопросах этого набора. Результаты и время ответа K1 к ней не относятся: у моделей разные задачи и разные проверки.

Как Pangaea будет работать внутри Deel AI

Пользователи получат доступ к Pangaea через Deel AI, помощника, уже встроенного в продукты компании. На официальной странице среди его задач перечислены вопросы об отпусках, расчётных листках, местных требованиях и работе с платформой. Выбирать конкретную модель клиентам не потребуется: по словам старшего директора по продукту Deel Абхиджита Мехты, система направляет запрос в подходящую модель в зависимости от задачи.

Модели общего назначения останутся в системе для более широкого анализа и сложных сценариев с ИИ‑агентами. Pangaea возьмёт на себя часть специализированных обращений. Следовательно, анонс касается изменения внутренней работы помощника, а не полного отказа Deel от внешних моделей.

Отдельно компания пояснила работу подключения к Claude через Model Context Protocol, или MCP. При обращении к сведениям Deel из Claude ответ по‑прежнему формирует Claude, используя полученную информацию. Само подключение не переключает его на Pangaea. Доступ к данным сервиса и выбор модели, которая готовит ответ, здесь остаются разными механизмами.

По заявлению Deel, помощник входит в существующие подписки без отдельной оплаты каждого вопроса. Официальная страница продукта также указывает, что Deel AI включён во все продукты компании. На момент анонса Deel не представила веса Pangaea для скачивания или отдельный API с опубликованными тарифами, поэтому самостоятельное развёртывание готовых моделей пока не было объявлено.

Зачем Deel развивает Emet

Для обучения специализированной модели нужны люди, способные оценить полноту ответа и обнаружить предметную ошибку. Deel рассчитывает предлагать такую экспертизу другим разработчикам через Emet. Бизнес включает три направления: оценку моделей, подготовку обучающих примеров экспертами и создание тренировочных сред, где ИИ выполняет бизнес‑задачи и получает обратную связь от автоматических проверок.

Организационной основой служит существующая инфраструктура Deel для международной работы со специалистами: их поиска, проверки, оформления договоров и выплат. В профиле компании указаны более 40 000 клиентов и деятельность в 150 странах. Emet использует эту инфраструктуру для привлечения специалистов, которые создают и оценивают материалы для ИИ.

Сама Deel стала первой площадкой для применения результатов. Эксперты выявляют недостатки в ответах, готовят дополнительные примеры и проверяют последующие версии моделей. По словам Мехты, в течение трёх недель перед интервью команда выпускала новые внутренние версии ежедневно. В дальнейшем она рассматривает еженедельный цикл, однако утверждённого публичного графика обновлений пока нет.

Сооснователь и генеральный директор Deel Алекс Буазиз сообщил VentureBeat о начале работы с крупными ИИ‑лабораториями, но не назвал партнёров. Emet предлагает проекты с индивидуально определяемым объёмом работ. Общедоступный прайс‑лист в материалах анонса не представлен.

Разработки дополняют Akai — отдельно доступную платформу Deel для автоматизации рабочих процессов с помощью агентов. У продуктов разные роли: Akai организует выполнение задач, Pangaea предоставляет специализированные ответы, а Emet готовит данные и проверки для улучшения моделей. Для использования Akai отдельная подписка на кадровые или зарплатные продукты Deel не требуется.

Что известно об экономии

Для Deel стоимость ИИ‑помощника связана с экономикой основного продукта. Клиент не оплачивает каждый вопрос отдельно, но обработка обращений создаёт расходы для поставщика. Передача части запросов собственным моделям может сделать эти затраты более управляемыми и снизить зависимость от внешних провайдеров.

Однако стоимость отдельного ответа составляет только часть расходов. Компании также нужно оплачивать обучение, вычислительную инфраструктуру, подготовку тестов, обновление документов и работу экспертов. В материалах анонса нет независимо подтверждённой суммы ежемесячной экономии Deel. По опубликованному времени ответа её тоже нельзя вычислить: скорость и стоимость эксплуатации — разные показатели.

Для корпоративного клиента оценка такого помощника начинается с собственных рабочих вопросов. Нужно проверить ответы по используемым странам, ссылки на документы, учёт изменений требований и объём исправлений со стороны специалистов. Эти наблюдения помогут понять, сокращает ли сервис работу кадровой команды в конкретной организации.

Первые результаты K1 показывают, что специализированная модель может приблизиться к лидерам на тематическом тесте и отвечать быстрее. Подтверждение экономического эффекта потребует других данных: совокупных расходов на обработку запросов, обучение, инфраструктуру, актуализацию знаний и проверку ответов. Пока Deel показала результаты тестирования, но не полный расчёт стоимости эксплуатации Pangaea.