ACT-1 и Rabbit R1: почему «агент действия» так и не взлетел

Adept показала демонстрацию ACT-1 в сентябре 2022 года: языковая модель получала текстовую команду и сама выполняла действия в браузере — искала дом на сайте недвижимости, заполняла форму в CRM, добавляла строку в Google-таблицу. Никаких API, только те же клики и ввод текста, которые делает человек. Спустя полтора года Rabbit вывела на CES 2024 карманное устройство R1 за 199 долларов, которое обещало ровно это, но для конечного пользователя: сказал вслух — устройство само зашло в приложение и выполнило заказ. К середине 2024-го Adept фактически распалась, а R1 превратился в один из самых обсуждаемых провалов потребительской электроники. Разбираем, что общего у этих двух историй и почему идея «агента действия» оказалась сложнее, чем выглядела в промо-роликах.

Что такое ACT-1 и на чём строилась ставка Adept

Adept AI Labs основали в 2022 году выходцы из Google и OpenAI, включая соавторов архитектуры Transformer. Компания привлекла крупные раунды — по данным СМИ, суммарно сотни миллионов долларов при оценке около 1 млрд. Продуктом должен был стать не чат-бот, а action transformer¹ — модель, обученная не просто генерировать текст, а совершать действия в цифровых интерфейсах.

Идея красивая. Большинство корпоративного софта не имеет удобного API, но у всего есть графический интерфейс. Если модель научить «видеть» экран и управлять им как человек, она обходит любой SaaS без интеграций. В демо ACT-1 команда вроде «найди мне дом в Хьюстоне за меньше чем 600 тысяч» превращалась в серию кликов по фильтрам сайта.

Где начались проблемы

Публичного продукта ACT-1 так и не появилось — только демонстрации и ограниченный доступ. А в 2024 году Amazon нанял сооснователей Adept и лицензировал технологию. Формально это не поглощение, но команда, ради которой всё затевалось, ушла. Так делали и с другими AI-стартапами: Microsoft с Inflection, Google с частью Character.AI. Регуляторы называли такие сделки способом обойти проверку слияний.

Rabbit R1: та же идея в пластиковом корпусе

Rabbit пошла с другого конца. Вместо продажи технологии бизнесу компания сделала гаджет для потребителя — квадратное устройство размером с половину смартфона, с экраном, камерой и колёсиком прокрутки, дизайн от Teenage Engineering. Внутри — идея Large Action Model (LAM): по замыслу модель училась пользоваться приложениями, наблюдая за действиями человека, и затем повторяла их по голосовой команде.

Обещания на презентации: закажи еду, вызови такси, забронируй поездку, составь плейлист — всё голосом, устройство само зайдёт в нужный сервис. Первая партия в 10 тысяч штук разошлась быстро, к весне 2024 года счёт предзаказов шёл на сотни тысяч.

Реальность оказалась жёстче. Обзорщики — от MKBHD до профильных изданий — описывали устройство как недоделанное: часть функций не работала, отклик медленный, батарея садилась за пару часов. Отдельный удар нанесло расследование, показавшее, что «Large Action Model» на деле во многом опиралась на заранее прописанные сценарии и Playwright-скрипты, а не на обучающуюся модель, как это подавалось.

Проблема не в том, что агент кликает медленно. Проблема в том, что интерфейсы меняются, а модель, обученная на вчерашнем экране, ломается на сегодняшнем — и пользователь узнаёт об этом уже после того, как заказ ушёл не туда.

Общий корень провала

ACT-1 и R1 упёрлись в одну стену: управление живыми интерфейсами — это не разовая задача, а бесконечная гонка. Сайт меняет вёрстку, приложение выкатывает обновление, кнопка переезжает — и агент, который вчера всё делал верно, сегодня жмёт не туда. У человека это вызывает секундное замешательство. У автономного агента, которому вы доверили деньги и заказы, — ошибку с последствиями.

• Надёжность. Для чат-бота ошибка в 5% ответов терпима. Для агента, который тратит ваши деньги, 5% провальных заказов — это катастрофа доверия.
• Хрупкость к изменениям UI. Модель, привязанная к конкретному расположению элементов, деградирует при каждом обновлении сервиса.
• Ответственность. Если агент заказал не то такси или купил не тот билет — кто виноват и кто возвращает деньги, юридически не проговорено.
• Экономика. Каждое действие через «зрение» модели дороже одного вызова API, а результат менее предсказуем.

Чем закончилось у обоих

Adept как самостоятельная продуктовая история фактически завершилась после ухода команды в Amazon. Rabbit продолжает выпускать обновления прошивки и добавлять функции, но репутация «устройства, которое не делает обещанного» закрепилась. Идея агента действия при этом никуда не делась — её подхватили те, у кого есть данные и вычисления в промышленном масштабе.

Сравнение подходов

Обе даты и суммы стоит перепроверять в свежих сообщениях компаний: детали сделок и статистику предзаказов разные источники приводят по-разному.

Кто перехватил идею

Пока нишевые проекты спотыкались, крупные лаборатории выкатили собственные подходы к тому же — управлению компьютером через модель. Anthropic представила режим Computer Use для Claude, OpenAI показала агентные функции в ChatGPT, Google развивает направление в рамках экосистемы Gemini. Точные названия версий и доступность функций меняются быстро — сверяйтесь с официальными блогами компаний, а не с полугодовалыми обзорами.

Разница в ресурсах. У этих игроков есть модели поколения, которое умеет рассуждать над экраном, и инфраструктура, чтобы прогонять миллионы сценариев. Но фундаментальная проблема надёжности осталась той же — ни один из этих режимов пока не подаётся как «доверь ему свою карту и уйди».

Что из этого извлечь

История ACT-1 и R1 — не про плохих инженеров. Обе команды были сильными. Это про разрыв между эффектной демонстрацией и продуктом, которому можно доверить деньги без надзора. Если вы оцениваете любой «AI-агент, который всё сделает за вас», задайте три вопроса:

1. Что происходит, когда интерфейс сервиса обновится — агент сломается молча или предупредит?
2. Кто отвечает деньгами, если агент выполнил действие неправильно?
3. Это работающая обучающаяся модель или набор скриптов под конкретные сценарии?

Пока на эти вопросы нет внятного ответа, автономный агент действия остаётся демонстрацией будущего, а не инструментом настоящего.

¹ Action transformer — модель на базе архитектуры Transformer, обученная не порождать текст, а выполнять последовательности действий в интерфейсе (клики, ввод, навигация). Термин ввела сама Adept для описания ACT-1.