Agentic AI: инвестиции идут потоком, а выручка запаздывает

Осенью 2024 — весной 2025 года формулировка «AI-агент» стала главным словом в питчах стартапов. OpenAI выпустила Operator — агента, который сам кликает по сайтам в браузере, следом Anthropic добавила Claude функцию Computer Use, а Google показала проект Mariner на базе Gemini. Параллельно OpenAI закрыла раунд, оценивший компанию в сотни миллиардов долларов, а Anthropic привлекала новые инвестиции при оценке, выросшей в разы за год. При этом стабильной выручки, которая оправдывала бы такие мультипликаторы, у большинства «агентных» продуктов пока нет. Отсюда и спор: agentic AI — это следующая платформа или очередной пузырь на волне генеративного ИИ.

Что вообще называют agentic AI

Термин размыт, и это часть проблемы. В маркетинге агентом называют почти любой сценарий, где модель делает больше одного шага. На практике под agentic AI обычно понимают систему, которая получает цель, сама разбивает её на подзадачи, вызывает внешние инструменты (браузер, API, файловую систему) и корректирует план по ходу дела — без того, чтобы человек прописывал каждый шаг.

Разница с обычным чат-ботом принципиальная. Чат-бот отвечает на запрос. Агент пытается выполнить задачу: забронировать столик, собрать отчёт из нескольких источников, оформить возврат в личном кабинете. Именно эта автономность и притягивает инвесторов — и она же порождает риски, о которых ниже.

Разработчик платит за агента не за ответ, а за законченное действие. Если агент ошибся на третьем шаге из десяти, вы заплатили за все десять — и всё равно получили неверный результат.

Почему деньги пошли именно сейчас

Три технических сдвига совпали по времени. Выросли контекстные окна¹ — модели удерживают в памяти сотни тысяч токенов, а значит, длинную цепочку действий и историю переписки. Появились стандартизированные способы давать модели инструменты: function calling, а затем протокол MCP (Model Context Protocol), который Anthropic представила в конце 2024 года как открытый способ подключать модели к внешним данным и сервисам. И подешевел инференс — запуск модели, который в агентных сценариях происходит десятками раз на одну задачу.

Аргументы за пузырь и против него

Скептики указывают на разрыв между оценками и деньгами. Многие агентные стартапы измеряют успех числом пилотов, а не удержанием платящих клиентов. Оптимисты отвечают, что так выглядит любая ранняя платформа: облако и SaaS тоже начинали с убыточных лет.

• За то, что это пузырь: надёжность агентов на многошаговых задачах остаётся низкой, стоимость запусков непредсказуема, а часть демо не воспроизводится вне сцены.
• За то, что это реальность: корпоративный спрос на автоматизацию рутины (поддержка, обработка заявок, разбор документов) реален и оплачивается, если агент решает узкую задачу с проверяемым результатом.

Разумная середина: пузырь в оценках вполне может лопнуть, но технология при этом останется — как случилось с интернет-компаниями после 2000 года.

Кто игроки и чем отличаются

Ниже — продукты, которые чаще всего называют, когда речь заходит про агентов, действующих на компьютере или в браузере. Характеристики приведены по состоянию на первую половину 2025 года; доступность и условия меняются, сверяйтесь с официальными страницами.

Ключевое различие проходит по линии «готовый агент против конструктора». OpenAI, Anthropic и Google продают вертикальные продукты. Фреймворки дают строительные блоки — за гибкость платите временем разработки и ответственностью за надёжность.

Кому это пригодится, а кому нет

Агенты имеют смысл там, где задача повторяемая, а результат легко проверить. И почти не имеют — там, где ошибка дорога, а проверить её сложно.

Пригодится

• Поддержке и бэк-офису: разбор входящих обращений, поиск ответа в базе знаний, оформление типовых заявок с человеком на финальной кнопке.
• Разработчикам: агентные помощники в IDE, которые сами читают репозиторий, пишут и прогоняют тесты — здесь результат проверяется автоматически.
• Аналитикам: сбор и первичная сводка данных из нескольких источников, когда цифры потом перепроверяет человек.

Не пригодится (пока)

• Операциям с деньгами и юридическими последствиями без ручного подтверждения каждого шага.
• Задачам, где нет способа быстро проверить, что агент не ошибся, — цена скрытой ошибки выше экономии.
• Сценариям с жёсткими требованиями к скорости и стоимости: цепочка из десятков вызовов модели дороже и медленнее одного запроса.

Что это значит для бюджета

Главная ловушка агентов — непрозрачная стоимость. Одна пользовательская задача может обернуться десятками обращений к модели, и счёт растёт нелинейно. Прежде чем внедрять агента, стоит посчитать: сколько вызовов модели уходит на типовую задачу, какова доля успешных завершений и что происходит при провале — переделка вручную съедает всю экономию.

Практический подход: начинать не с «универсального агента», а с одного узкого процесса, где результат проверяем, а объём предсказуем. Если на нём экономика сходится — расширять. Если нет — вы сэкономили бюджет на дорогом эксперименте.

¹ Контекстное окно — объём текста (в токенах), который модель удерживает «в поле зрения» за один запрос: и вашу инструкцию, и историю диалога, и подгруженные данные. Чем оно больше, тем длиннее цепочку действий агент может держать без потери контекста.