Ожидайте, в 2026 году бигтехи вас завалят нарративами по ИИ-агентам
Я слежу за ними и прекрасно считываю намерения. Целеполагание очень простое – они хотя отжимать кэш с более высокой добавленной стоимостью. Сейчас они продают относительно дешевые подписки за 20 баксов в месяц и доступ к API, но продажа токенов – это как продажа сырой нефти.
Да, продажа сырой нефти может принести много денег при определенных условиях, но гораздо выгоднее продавать продукты нефтепереработки, например машинные масла или авто-химию.
Так же и бигтехи, но с той разницей, что экономика проекта не сходится – продавать токены через API невыгодно (в отличие от нефтегаза у них «добыча» токенов стоит примерно вдвое-втрое дороже, чем они продают, это как если бы себестоимость нефти была 120-140 за баррель), поэтому пытаются упаковывать токены в красивую обертку в виде «ИИ-агентов».
Не стоит «фетишировать» вокруг новомодных слов про «ИИ-агенты». Это весьма тупые боты с инструкциями, как правило, под определенную задачу – вот, что такое ИИ-агенты, но нужно создать определенный техно-вайб, нашпиговав маркетинговой требухой.
Вне всяких сомнений, сценариев применений много (сейчас не про сценарии, тем более в прошлом году несколько раз описывал) и также не вызывает сомнений, что при определенных условиях LLMs могут быть весьма полезными.
Однако, ожидания «нашпигованы» на десятки триллионов, а выхлоп на сотни миллиардов, да и то, если повезет.
Что я могу сказать про ИИ агенты? Как человек, который на профессиональном уровне экспериментирует с LLMs последние три года, имея бэкграунд в ИТ до 2008, и мировой уровень подготовки в финансовой индустрии, скрупулезно отслеживая каждый релиз и нововведения по всем передовым LLMs, вот что скажу:
Пока задача плоская, статичная, одномерная и примитивная – ИИ агенты могу справиться, но как только происходит наслоение условий, многомерных конструкций, междисциплинарного взаимодействия, сложных иерархических связей и динамического моделирования - сразу слетают, они не могут взять сложные проекты, состоящих из множества модулей, хотя часто даже на самых простых задачах рассыпаются.
Агенты в их текущем виде – это линейные интерполяторы. Они хороши там, где путь от точки А до точки Б можно проложить по прямой, даже если эта прямая длинная.
Но как только путь становится нелинейным, требует возврата назад для исправления ошибок или абстрактного синтеза из разных доменов, ИИ-агенты «схлопываются».
ИИ-агенты жестко привязаны к исходному промпту (инструкции). Они не умеют проводить «переоценку ценностей» в процессе – критически важный функционал в любом проекте (научно-исследовательская и бизнес импровизация).
ИИ-агенты не понимают динамические веса параметров и динамическую иерархию приоритетов, не могут верно расставлять акценты.
В многомерной конструкции ошибка уже на 1-м уровне иерархии неизбежно искажает вводные для 2-го уровня. Математически это выглядит как затухающая экспонента: если точность одного шага – 95%, то через 20 шагов общая надежность системы падает до ~35%. Проект «разваливается» не в конце, а под собственным весом промежуточных галлюцинаций, а если точность не 95%, а примерно 70-75% (раньше было 10-40%), как у передовых LLMs, уже на 5-ой итерации проект разваливается из-за наследования ошибок.
Вот именно поэтому никакие автономные агенты невозможны: из-за отсутствия критерия истинности, кривой работы с внешними валидаторами и перегруженного стэка памяти, контекстного окна, что неизбежно по экспоненте увеличивает галлюцинации и точность 75% превращается в бредогенератор с точностью в 5-15%.
ИИ-агент пригоден ровно настолько, насколько проект превращён в набор проверяемых процедур. Если оператор не может динамически в режиме реального времени верифицировать результаты – проект рассыпается.
ИИ-агенты хорошо масштабируются не по мере роста интеллекта, а по мере роста формализуемости среды: чем больше внешних верификаторов, ограничений действий и проверяемых критериев успеха, тем выше практическая автономность, иначе сразу в мусор.
