У лучших ИИ-агентов один грязный секрет: это просто цикл
У лучших ИИ-агентов один грязный секрет: просто модель в цикле. Узнайте реальную архитектуру вместо мифов вендоров
ИИ-агенты обзавелись мистическим ореолом. Презентации вендоров говорят о «цифровых сотрудниках», на демо софт сам бронирует перелёты и рефакторит кодовые базы, а страницы с ценами называют цифры, предполагающие, что где-то внутри происходит магия. Вот неудобная часть: лучшие ИИ-агенты на рынке — агенты для кодинга, поддержки, исследований — архитектурно почти скучны. Снимите брендинг — и вы найдёте языковую модель, цикл и набор вызовов инструментов. В этом весь фокус.
Это не циничный взгляд. Это самый полезный факт для любого, кто решает, покупать агентов, строить их или пропустить этот год, — потому что, узнав секрет, вы точно знаете, где живёт настоящая сложность (и настоящий бюджет).
Секрет: модель, цикл и инструменты
Если просто: ИИ-агент — это языковая модель, запущенная в цикле. На каждом шаге модель смотрит на задачу и уже полученные результаты, выбирает действие — вызвать поисковый API, отредактировать файл, сделать запрос к базе данных, — окружающий софт выполняет это действие, возвращает результат обратно, и цикл повторяется, пока модель не решит, что закончила.
Вот и всё. Никакого скрытого механизма рассуждений, никакого проприетарного «когнитивного слоя». Этот паттерн был описан в академических работах годы назад, и Anthropic прямо сказала об этом в своём инженерном гайде Building Effective Agents: самые успешные реализации агентов используют простые, композируемые паттерны — а не сложные фреймворки. У команд, которые выпускают реально работающих агентов, как правило, наименее экзотическая архитектура.
Аналогия, которая хорошо держится: агент — это толковый временный сотрудник с телефоном. Сам работник (модель) действительно способный, но всё, что он реально может сделать, зависит от того, какие номера записаны в телефоне (инструменты) и какие инструкции лежат на столе (промпт и контекст). Поменяйте контакты в телефоне — и тот же работник станет совершенно другим сотрудником. «Агент», которого вы оцениваете, — это в основном телефон, а не работник.
Примеры ИИ-агентов: что на самом деле под капотом
Посмотрите на конкретные примеры ИИ-агентов — и паттерн повторяется везде:
- Агенты для кодинга (Claude Code, агентный режим Cursor, агент GitHub Copilot): модель в цикле с инструментами чтения файлов, редактирования файлов и выполнения shell-команд. Драматический скачок возможностей — агенты для кодинга прошли путь от решения единиц процентов реальных GitHub-issues на бенчмарке SWE-bench в 2023-м до более 70% на SWE-bench Verified к 2025-му — произошёл благодаря лучшим моделям и лучшему инструментарию вокруг них, а не новому виду софта.
- Агенты поддержки: модель в цикле с инструментом поиска по базе знаний, инструментом просмотра заказов и инструментом эскалации тикетов.
- Голосовые агенты: тот же цикл со speech-to-text на входе и text-to-speech на выходе плюс инженерия задержек — практическую сборку мы разбирали в статье про голосовых ИИ-агентов в 2026-м и как собрать такого, который работает.
- Исследовательские агенты: цикл с инструментами веб-поиска и загрузки страниц плюс шаг синтеза в конце.
Так если цикл тривиален, за что вы на самом деле платите, покупая одного из «лучших ИИ-агентов»? За слой вокруг модели: какие инструменты она получает, как ловятся и повторяются ошибки, как управляется контекст в длинных разговорах, как применяются права доступа, как весь прогон наблюдается и логируется. У этого слоя есть имя — харнес (harness), — и именно в нём по-настоящему выигрывается или проигрывается качество продукта. Мы подробно разобрали это в статье о том, что такое агентный харнес и почему именно этот слой управляет ИИ. Два продукта, обёрнутых вокруг одной и той же модели, могут дико различаться качеством результата чисто из-за решений в харнесе.
Поэтому же вопрос «какая у него модель?» при покупке слабее, чем звучит. Модель всё больше становится коммодити; продукт — это харнес.
Корпоративные ИИ-агенты: почему мистика сжигает бюджеты
Мистический флёр не просто раздражает — у него есть измеримый ценник, и корпоративные ИИ-агенты — это то место, куда приходит счёт.
Реальные цифры: Gartner прогнозирует, что более 40% агентных ИИ-проектов будут отменены к концу 2027 года, называя причинами растущие затраты, неясную бизнес-ценность и неадекватный контроль рисков. То же исследование отметило массовый «agent washing» — вендоры перебрендируют чат-ботов и RPA-скрипты в агентов, — оценив, что из тысяч вендоров, заявляющих агентные продукты, лишь около 130 на момент отчёта были настоящими.
Независимые бенчмарки рассказывают ту же историю со стороны возможностей. Бенчмарк Карнеги-Меллона TheAgentCompany посадил агентов за реалистичные офисные задачи — браузинг, кодинг, переписку с коллегами — внутри симулированной софтверной компании. Лучший агент полностью автономно выполнил примерно четверть задач. Действительно впечатляюще для возраста технологии — и близко не «цифровой сотрудник» из продажной презентации.
Обе статистики провалов восходят к одной корневой причине: покупатели, которые верят, что агенты — это магия, оценивают их как магию — просмотром демо. Покупатели, которые знают, что агент — это цикл, оценивают то, что реально различается между продуктами:
| Что показывает демо | Что на самом деле определяет успех |
|---|---|
| Один отполированный прогон по happy path | Поведение на тех 20% грязных, неоднозначных кейсов |
| Впечатляющая автономность | Где стоят гейты одобрения человеком |
| «Он понимает ваш бизнес» | К каким системам у него реальный, работающий доступ через инструменты |
| Скорость одной задачи | Стоимость и задержка на месяце реального объёма |
| Ничего о сбоях | Что происходит, когда вызов инструмента падает посреди задачи |
Демо — это трейлер фильма. Никто не подписывает двухлетний контракт по трейлеру — кроме, судя по всему, корпоративных закупок агентов.
Как строить ИИ-агентов без магического шоу
Знание секрета меняет то, как строить ИИ-агентов на практике. Вот что мы рекомендуем — в порядке, который экономит больше всего денег:
1. Начните с воркфлоу, а не с агента
Если у задачи известная последовательность шагов — извлечь данные из счёта, провалидировать, провести в ERP, — фиксированный конвейер с LLM-вызовами на отдельных шагах бьёт автономного агента по стоимости, надёжности и отлаживаемости. Гайд Anthropic проводит ровно эту границу: используйте воркфлоу для предсказуемых задач, а агентов (открытый цикл) приберегите для задач, где путь действительно нельзя расписать заранее. Большинство бизнес-процессов, которые выглядят «агентообразными», на деле оказываются воркфлоу — стоит только выписать шаги.
2. Вкладывайтесь в инструменты раньше, чем в интеллект
Агент с посредственной моделью и отличными инструментами бьёт агента с фронтирной моделью и расплывчатыми инструментами. «Отличные» значит: каждый инструмент делает одну понятную вещь, возвращает структурированные ошибки, на которые модель может отреагировать, и задокументирован в промпте так, как вы документировали бы API для джуниор-разработчика. Это негламурная инженерия — и это большая часть работы. Это также значит аудировать то, что ваш инструментарий тихо делает сам по себе: мы обнаружили, что инструменты вайб-кодинга играют в любимчиков с зависимостями, подталкивая проекты к конкретным библиотекам без чьего-либо решения, — тот самый вид поведения на уровне харнеса, который никогда не всплывает в демо.
3. Соберите оценочный набор раньше, чем агента
Сначала соберите 30–50 реальных примеров задач с заведомо правильными результатами. Каждое изменение харнеса прогоняется и оценивается по этому набору. Команды, пропускающие этот шаг, скатываются в разработку «по ощущениям» — агент «стал как будто лучше» после правки промпта, и никто не может доказать, что он не стал хуже на кейсах, которые важны. Оценочный набор — это ещё и ваше оружие в закупках: вручите его любому вендору, заявляющему, что продаёт одного из лучших ИИ-агентов в вашей категории, и посмотрите, испарится уверенность из демо или выдержит проверку.
4. Поставьте гейты на необратимые действия
Автономные ИИ-агенты ломаются в двух режимах: делают не то — или делают то, что нужно, но не с той мишенью. Ни то ни другое не имеет большого значения, если радиус поражения ограничен. Чтения могут быть автономными; записи в продакшн-системы, внешние письма, платежи и удаления идут через гейт одобрения, пока месяцы логов не докажут, что можно иначе. Автономность — это не настройка, которую включают, а доверие, которое расширяют постепенно, ровно как с новым сотрудником.
5. Логируйте всё, с первого дня
Каждый ход модели, каждый вызов инструмента, каждый результат. Когда агент поведёт себя не так — а он поведёт, — трейс отделяет часовой фикс от недели гаданий.
Автономные ИИ-агенты vs воркфлоу vs скрипты: честные трейд-оффы
Честно: агенты — самый дорогой и наименее предсказуемый вариант в наборе инструментов автоматизации, и их выбор должен требовать обоснования, а не хайпа.
- Обычный скрипт выигрывает, когда входы структурированы, а правила фиксированы. Самый дешёвый в эксплуатации, полностью детерминированный, скучный в лучшем смысле слова.
- LLM-воркфлоу (фиксированные шаги, модель закрывает нечёткие места) выигрывает для обработки документов, классификации, черновиков, перевода — большая часть текущей ценности «ИИ в энтерпрайзе» живёт здесь, за долю агентной стоимости на задачу.
- Полный агентный цикл выигрывает только тогда, когда путь через задачу действительно непознаваем заранее: открытые исследования, отладка, расследования через несколько систем, задачи кодинга. За эту гибкость вы платите токенами (агент может сжечь в 10–50 раз больше токенов, чем однопроходный воркфлоу на том же входе), задержкой и длинным хвостом режимов отказа.
И один трейд-офф заслуживает отдельной строки: безопасность. Агент, который читает внешний контент — письма, веб-страницы, тикеты, — держа при этом права записи во внутренние инструменты, уязвим к prompt injection, когда вредоносные инструкции, спрятанные в контенте, перехватывают цикл. Это перестало быть теорией уже некоторое время назад; индустрия провела последние месяцы, усваивая это на собственной шкуре, что мы задокументировали в обзоре новостей ИИ-агентов за 2026-й — больших релизов и последствий для безопасности. Митигация архитектурная — инструменты с минимальными привилегиями, песочницы, человеческие гейты на исходящие действия — и живёт она, опять же, в харнесе.
Главный вывод для бизнеса
Грязный секрет ИИ-агентов в том, что секрета нет — и это самый практичный факт во всей категории.
- Лучшие ИИ-агенты — это модель, цикл и инструменты. Дифференциация, за которую вы платите, — харнес: дизайн инструментов, обработка ошибок, права доступа, наблюдаемость. Оценивайте этот слой, а не демо.
- Подбирайте инструмент под задачу. Скрипт — для фиксированных правил, LLM-воркфлоу — для нечётких, но предсказуемых шагов, полный агент — только для действительно открытых задач. При прогнозе отмены более 40% агентных проектов к концу 2027-го большинство провалов — это несоответствие инструмента задаче, а не слабость модели.
- Автономность зарабатывается, а не включается. Гейтите необратимые действия, логируйте каждый шаг и расширяйте свободу агента только по мере того, как логи это оправдывают, — ровно так же, как работает доверие с людьми.
Демистификация агентов не уменьшает возможность. Она её перемещает — прочь от вендоров, продающих магию, к командам, делающим негламурную работу над харнесом, которая и делает простой цикл надёжно полезным.
Статья подготовлена на основе открытых источников и может содержать неточности.


