Гонка AI-агентов: чем отличаются подходы OpenAI, Anthropic и Google

За последний год почти каждый крупный вендор больших языковых моделей выпустил не просто чат-бота, а агента¹ — систему, которая сама планирует шаги, вызывает инструменты и доводит задачу до результата без постоянных подсказок человека. OpenAI показала Operator и режим агентных задач в ChatGPT, Anthropic встроила в Claude «использование компьютера» (Computer Use) и выпустила Claude Code, Google развивает агентные сценарии вокруг Gemini и проекта Project Mariner. Формально все решают одну задачу: убрать человека из рутинного цикла «прочитал — кликнул — скопировал». На практике подходы расходятся, и от этого зависит, что вы получите за свои деньги.

Что именно случилось

Разница между «моделью» и «агентом» — в цикле обратной связи. Обычная модель отвечает один раз на один запрос. Агент получает цель, разбивает её на шаги, вызывает внешние инструменты (браузер, терминал, API), смотрит на результат и решает, что делать дальше. Именно этот цикл вендоры и наращивают весь 2024–2025 год.

Три заметных направления развития выглядят так:

• Управление компьютером и браузером. Anthropic первой из большой тройки дала модели возможность двигать курсор и печатать в интерфейсе (Computer Use, представлен в октябре 2024 в бета-режиме). OpenAI ответила Operator — агентом, работающим в облачном браузере. Google показала Project Mariner как расширение для управления вкладками.
• Агенты для кода. Anthropic выпустила Claude Code — терминальный агент, который читает репозиторий, вносит правки и запускает тесты. У OpenAI появился Codex как агентная среда для задач разработки. GitHub Copilot развивается в сторону агентного режима, который сам открывает pull request.
• Оркестрация нескольких агентов. Вендоры и опенсорс-сообщество продвигают фреймворки, где несколько агентов делят роли. Anthropic предложила протокол MCP (Model Context Protocol) для подключения инструментов и данных, и его начали поддерживать сторонние продукты.

Чем подходы отличаются

Ключевые различия — не в «уме» модели, а в том, где агент выполняется, какие у него ограничения по безопасности и как он подключается к вашим данным. Характеристики ниже — на состояние конца 2025 года, часть функций остаётся в бета-режиме или доступна не во всех регионах.

Где проходит настоящая линия фронта

Публично вендоры соревнуются на бенчмарках вроде SWE-bench (задачи по правке реального кода из GitHub) и WebArena (навигация по веб-интерфейсам). Но конкретные проценты у моделей меняются от версии к версии почти ежемесячно, поэтому опираться стоит на актуальные таблицы из официальных публикаций, а не на цифру из чьего-то поста месячной давности. Если видите утверждение «модель X решает 70% SWE-bench» — проверьте, о каком именно подмножестве теста речь и в какой конфигурации.

Побеждает не тот, у кого модель на пару процентов точнее на бенчмарке, а тот, к чьему агенту проще и безопаснее подключить ваши реальные данные и системы. Именно поэтому битва сместилась с моделей на протоколы и интеграции.

Кому это пригодится и кому нет

Агент имеет смысл там, где задача повторяется, состоит из многих шагов и терпит проверку результата человеком. Он плохо подходит там, где цена ошибки высока, а исправить её задним числом дорого.

Кому стоит попробовать уже сейчас

• Разработчикам. Терминальный агент вроде Claude Code или Codex реально экономит время на рутине: прогнать тесты, поправить типовой баг, переписать функцию по описанию. Здесь результат виден сразу и легко откатывается через git.
• Тем, кто автоматизирует веб-рутину. Заполнение однотипных форм, сбор данных с сайтов без API, выгрузка отчётов — сценарии для браузерных агентов. При условии, что вы перепроверяете итог.
• Командам с внутренними инструментами. Если у вас есть база знаний или CRM, MCP-подключение позволяет агенту работать с вашими данными, не выгружая их в чат вручную.

Кому пока рано

• Тем, кто хочет отдать агенту операции с деньгами или юридические действия без надзора. Оплата, отправка договоров, необратимые действия в чужих системах — зона высокого риска. Агент ошибается уверенно и без предупреждения.
• Работе с чувствительными данными без разбора, куда они уходят. Если агент выполняется в облаке вендора, ваши данные покидают периметр. Для персональных данных и коммерческой тайны это отдельный вопрос к комплаенсу.
• Задачам без чёткого критерия успеха. Там, где «хорошо» определяется вкусом, агент буксует и требует столько правок, что проще сделать самому.

Сколько это стоит

Тарифы у всех трёх вендоров пересматриваются несколько раз в год, и агентные функции часто идут в верхних планах подписки или тарифицируются отдельно по токенам. Называть точную сумму в рублях или долларах без даты бессмысленно — сверяйте на официальных страницах тарифов OpenAI, Anthropic и Google. Общая закономерность: агентные сценарии дороже обычного чата, потому что модель делает много шагов и обрабатывает больше контекста² за одну задачу.

Так кто победит

Однозначного лидера по состоянию на конец 2025 года нет, и назвать чей-то продукт «лучшим» без привязки к конкретной задаче и измерению было бы натяжкой. Прослеживается разделение ролей: Anthropic делает ставку на код и открытый протокол подключения инструментов, OpenAI — на массовость и готовые сценарии внутри ChatGPT, Google — на интеграцию с собственной экосистемой сервисов и браузером. Для пользователя это скорее хорошо: конкуренция за протоколы вроде MCP снижает привязку к одному вендору. Выбирать сегодня стоит не «самую умную модель», а ту, что ближе к вашим данным и инструментам и чью цену вы понимаете заранее.

¹ Агент — программа на основе языковой модели, которая по заданной цели сама планирует последовательность шагов, вызывает внешние инструменты и корректирует действия по их результату, а не просто выдаёт один ответ.

² Контекст (контекстное окно) — объём текста и данных, который модель удерживает «в поле зрения» за один запрос. Чем больше шагов делает агент, тем больше контекста накапливается и тем дороже обработка.