AI-агенты как репетиторы: что реально умеют и где ломаются

За 2024–2025 годы обучающие режимы появились почти у всех крупных чат-ботов: OpenAI выпустила Study Mode в ChatGPT, Google встроила режим обучения в Gemini и запустила отдельные инструменты в LearnLM, Anthropic развивает функцию Learning в Claude. Общая идея одна: вместо готового ответа модель ведёт вас по шагам, задаёт наводящие вопросы и не выдаёт решение сразу. На практике это ближе к настойчивому репетитору, чем к поисковику. И работает это неровно.

Что такое обучающий агент и чем он отличается от чата

Обычный запрос к чат-боту устроен просто: вы спрашиваете — он отвечает. Обучающий режим меняет поведение модели через системную инструкцию: она разбивает тему на шаги, проверяет, поняли ли вы предыдущий, и намеренно придерживает финальный ответ, пока вы не попробуете сами. Это не отдельная нейросеть, а надстройка над той же моделью — способ заставить её вести себя как преподаватель, а не как справочник.

От полноценного агента¹ большинство этих режимов пока далеки: они не выполняют действия во внешних системах и не строят вам многонедельный план с проверками. Скорее это диалоговый тренажёр. Но грань размывается — Gemini и ChatGPT уже умеют держать контекст сессии, генерировать квизы и разбирать загруженный конспект или скриншот задачи.

Ценность обучающего режима не в том, что он знает больше вас. Она в том, что он не даёт вам списать у самого себя.

Как это выглядит в деле

Возьмём типичный сценарий: вы разбираете производную функции или пытаетесь понять замыкания в JavaScript. В обычном чате модель выдаст готовое решение — вы кивнёте и через час забудете. В обучающем режиме диалог идёт иначе:

1. Модель уточняет ваш уровень: «Вы уже знаете, что такое предел?»
2. Даёт минимальную порцию теории и просит применить её к простому примеру.
3. Если вы ошиблись — не исправляет напрямую, а спрашивает, где, по-вашему, сбой.
4. Постепенно повышает сложность и в конце предлагает проверочный вопрос.

Проблема в том, что этот сценарий держится ровно до тех пор, пока вы сами не напишете «просто дай ответ». Большинство режимов сдаются после первого-второго нажима — защита от «списывания» тут символическая.

Сравнение обучающих режимов

Ниже — сопоставление по открытым данным на конец 2025 года. Точную доступность и цену сверяйте на официальных страницах: тарифы этих сервисов меняются каждые несколько месяцев.

Функциональность в таблице описана по заявлениям разработчиков и может отличаться в вашем регионе и на вашем тарифе. Прямых бенчмарков, которые бы измеряли «качество обучения» этих режимов между собой, в открытом доступе на сегодня нет — все сравнения по опыту использования, а не по цифрам.

Где агент реально помогает, а где мешает

Кому пригодится

• Тем, кто учится в одиночку. Языки, программирование, математика, подготовка к экзамену — области, где важна практика с обратной связью, а живого репетитора рядом нет.
• Тем, кто стесняется задавать «глупые» вопросы. Боту можно переспросить одно и то же пять раз без осуждения.
• Тем, кто разбирает конкретный материал. Загрузили конспект лекции или главу учебника — и прогоняете себя по ней квизами.

Кому не подойдёт

• Тем, кому нужна гарантированная точность. В праве, медицине, бухгалтерии модель уверенно выдаёт правдоподобные, но неверные факты. Обучающий режим этого не лечит.
• Тем, у кого нет базы для проверки. Если вы совсем не разбираетесь в теме, вы не заметите, где агент ошибся — и заучите ошибку.
• Тем, кто ищет мотивацию извне. Бот не проследит за дисциплиной и не заставит вернуться завтра. Плана-обязательства он не даёт.

Чего ждать дальше

Вектор понятен: от диалогового тренажёра к настоящему агенту, который строит программу на недели, помнит ваш прогресс между сессиями и подключается к внешним материалам через механизмы вроде RAG². Отдельные элементы этого уже есть, но собранного «личного наставника», который ведёт вас от нуля до навыка с проверками, пока ни у кого нет как готового продукта. Пока это помощник, а не замена курсу или преподавателю — и относиться к нему стоит соответственно.

¹ Агент — программа на основе модели, которая не просто отвечает, а сама планирует шаги и выполняет действия (ищет, запускает инструменты, ведёт долгую задачу) для достижения цели.

² RAG (retrieval-augmented generation) — подход, при котором модель перед ответом подтягивает нужные фрагменты из внешней базы знаний, чтобы отвечать по актуальным данным, а не только по памяти обучения.