Как будут развиваться ИИ‑агенты в 2026
Разбираем главные направления развития агентских технологий, и где от них реальный эффект для бизнеса в 2026.
Весь прошлый, 2025 год, по сути, прошел для разработки ИИ‑агентов под лозунгом «делай дешевле и лучше», хотя у технологических гигантов выходили новые большие модели. Совсем недавним прорывом стала Kimi K2.5. Она умеет создавать до ста субагентов, раздавать им собственные задачи и запускать параллельный инференс (когда модель применяет изученное на практике).
Если говорить прикладным языком, это мозг в виде языковой модели, руки в виде набора инструментов (кода, API или вызовов операционной системы) и органы чувств в виде контекста, который агент видит. Агент может видеть файлы, браузер, переписки, базы данных и так далее.
ИИ‑агент может быть активным и проактивным. Активный агент выполняет действия с помощью инструментов: пишет сообщения, вызывает код, нажимает кнопки в браузере.
Проактивный агент помимо этого сам решает, что делать прямо сейчас. Его задачи предполагают целеполагание, разработку плана и действия в соответствии с этим планом.
Сегодня тесты архитектур с открытым исходным кодом показывают, что они приближаются к агентам, построенным на GPT или Gemini. Эти прорывы будут продолжаться. Думаю, уже в этом году мы увидим дальнейшее снижение экономического порога и рост качества.
Скорее всего, появится и новый экономический эффект от таких агентов. Но, по правде говоря, сейчас никто не может предсказать, в чем именно он будет выражаться. Мы живем в ситуации «дикого запада» генеративных агентов: бизнесы и компании экспериментируют, пробуют разные подходы и смотрят, что из этого вообще может получиться хорошего.
«Я думаю, мы еще не достигли пика популярности искусственного интеллекта, и это восходящий тренд. Некоторые компании идут на гребне волны, другие не хотят быть пионерами и ждут проверенных результатов: внедрили, получили сокращение издержек на 20%. На рынке пока недостаточно показательных бизнес‑кейсов».
Петр Чернышев
Генеральный директор FriflexВ 2026 практика опережает теорию
Качество работы агентов повышается. Мозг больших языковых моделей развивается. Когда выходят новые базовые модели, которые ложатся в основу ИИ‑агентов, качество работы агентов автоматически повышается. Это первый, самый естественный путь агентских технологий.
Агенты становятся сложнее с точки зрения поведения. Это происходит за счет включения новых модальностей. Сначала были только текстовые ИИ‑агенты, потом появились такие, которые работают с текстом и визуальной информацией. Сейчас есть агенты, которые сочетают текст, картинку и аудио. Набор модальностей развивается: агенты мыслят не только текстом, но и образами, звуком.
Проще всего думать о модальности как о канале восприятия, через который агент видит мир. Это может быть текст, изображения, звук, видео или структурированные данные из систем и баз. Если агент работает только с одним типом данных, его называют одномодальным, а если он сочетает несколько — мультимодальным.
Агенты работают быстрее. Чем больше единиц времени агент может себе позволить, тем более сложный эксперимент он может поставить. Есть технический порог: предельное время работы и предельное время рассуждений.
Когда агенты только появились, порог был довольно большим, и какого‑то действия можно было ждать по 40 минут. Сейчас те действия, которые год назад требовали 40 минут предварительных рассуждений, у агентов на новых моделях рассуждений и инференса занимают, может быть, две минуты.
Это важное направление: чем быстрее работает агент, тем дольше он может искать наилучшее решение.
Практика опережает теорию. В области искусственного интеллекта, языковых моделей, AI‑агентов и всего, что с ними связано, практический опыт мы получаем быстрее, чем теоретический. Мы быстрее что‑то разрабатываем и внедряем в бизнесе, чем успеваем это понять научно. Это привело к тому, что фундаментальный вопрос «а что вообще нужно мерить» стал вызовом.
Бесплатная рассылка: как использовать ИИ в бизнесе
Узнайте, как писать эффективные промпты, создавать ИИ‑агентов для решения бизнес‑задач, и проходите мини‑практикумы в популярных сервисах. Всего — семь писем, которые помогут разобраться, как работать с нейросетями
Тест Тьюринга давно пройден, на что вообще смотреть сегодня
Для ИИ‑агентов есть открытые бенчмарки. Один из самых известных — это «вендинговый аппарат». Это достаточно известный кейс: ИИ‑агенту дают доступ к симуляции торгового автомата в офисе некой IT‑компании.
Агент может закупать товары, назначать цены, реагировать на колебания рынка, принимать решения на каждом этапе и вести учет бюджета. Его цель — приумножить доход от аппарата за год с первоначальным капиталом в тысячу долларов.
В своей второй и более широкой версии «вендинговый аппарат» учитывает стратегию, адаптацию, устойчивость и экономическое мышление ИИ‑агентов. Лучшие результаты сейчас показывает Gemini 3 Pro. Интересно, что эта модель предпочитает сразу находить поставщика с хорошими условиями, а не тратить время на переговоры.
Долгое время у этого бенчмарка были проблемы с моделями, у которых открытый исходный код. Но недавно они по своим показателям на этом вендинговом аппарате приблизились к самым дорогим и большим моделям. Сначала это был DeepSeek, сейчас уже справляется Kimi.
Исследователи думают и над другими способами, как оценить способности ИИ. Например, Санджив Арора и его коллеги из Принстона и Google DeepMind предложили анализировать комбинирование навыков и способность генерировать выводы, которых нет в обучающих данных.
Если коротко, то бенчмарков становится больше, но мы все еще не до конца понимаем, что именно правильно мерить. Практика в этой области пока заметно опережает теорию.
Где реальный эффект от ИИ‑агентов для бизнеса
У бизнеса есть понятный общий запрос: «Давайте какие‑то действия, которые с точки зрения новой технологии выглядят рутинными, переложим с плеч человека». Не упростим, а именно переложим: потому что человеку надо больше платить, он менее надежен.
В этом основная идея. Но многие, кто пытается так сделать, сталкиваются с одной и той же проблемой: людей увольняют, берут ИИ‑агентов, а через какое‑то время нанимают людей обратно. Это реальная ситуация, к примеру, в США, где 57% работодателей, которые заменили людей алгоритмами, теперь негласно увеличивают штат.
Кроме того, бизнес сталкивается с другими вопросами. Например, как правильно внедрить ИИ‑агента, чтобы сошлась экономика проекта и вы не платили за токены больше, чем он приносит пользы. Или как понять, действительно ли агент, которого вы развернули на MVP, будет решать задачи так, как вам нужно.
Но это не значит, что экономический эффект в принципе невозможен. Просто важно понимать, где ИИ‑агентов действительно можно использовать, а где не очень. Например, если поручить агенту задачи, которые требуют ответа в реальном времени, или создать на него большой поток нагрузки, агент будет работать медленно и тратить много токенов.
Если говорить об успешных сценариях применения ИИ‑агентов, я бы обратил внимание на два направления: процессы, связанные с документами, и общение с клиентами.
Процессы, связанные с документами. Самый простой пример — агент, который готовит документы, чтобы быстро заключить типовой договор. После получения персональных данных, если агент правильно сделан с точки зрения функциональности и безопасности, он сам формирует договор, смету. Финальное решение обычно принимает человек.
Еще один практический кейс — это SQL‑агент для аналитики. Бизнес‑аналитик, который не знает SQL, может через агента задавать вопросы к продуктовой базе данных. По сути, агент становится прослойкой между человеком и системой. В результате не нужно каждый раз привлекать программистов для простых аналитических запросов. Это тоже работа с формализованной информацией, просто в виде таблиц и запросов.
Общение с клиентами. Наглядный пример — автоматизация колл‑центра. Я имею в виду не робота, который отвечает: «Свяжу вас со специалистом». ИИ‑агент формирует заявку именно для клиента, отслеживает ее. В некоторых случаях он может принять решение о компенсации, например выслать купон на скидку.
К этой же категории относятся ИИ‑агенты поддержки, которые подсказывают ответы операторам. Яндекс говорит, что они снижают среднее время обработки обращения на 20%. Это тоже рабочий сценарий, где эффект для бизнеса можно измерить.
Дело не только в специализации ИИ‑агентов
Может показаться, что чем уже специализация AI‑агента, тем лучше результат. Но практика показывает, что не все так линейно.
Прежде всего, для работы со специализированными агентами важен хороший механизм синхронизации, чтобы контекст между ними перетекал плавно. Если каждый из них живет в своем отдельном куске контекста, они вряд ли смогут дать правильное качество.
К тому же, развитие специализированных ИИ‑агентов не значит, что большие модели (их еще называют энциклопедическими) потеряют смысл. Все последние эксперименты показывают, что модели должны работать по какому‑то плану. А вот с составлением этих планов как раз лучше справляются энциклопедические агенты.
Стандартная связка, которой мы сейчас пользуемся в компании, выглядит примерно так. План генерирует Sonnet или Opus, либо Sonnet Syncing 4.5, это энциклопедические модели. Кодовый агент — специализированный, например, QN‑Coder, GLM 4.6 или Chemic.
Если посмотреть на последние научные публикации о том, как по‑разному можно использовать агентов для решения задач, исследователи выявили много конфигураций, где десятки или сотни агентов сложным образом взаимодействуют друг с другом. Но единого консенсуса относительно лучшей конфигурации нет пока даже у них.
Рекомендации по внедрению ИИ‑агента
Универсальных рекомендаций по внедрению ИИ‑агента в бизнес нет. На мой взгляд, компании важно пройти два шага: аудит и расчет экономики.
Аудит процессов и данных. Часто перспективные точки для автоматизации не лежат на поверхности, и в ходе внешнего анализа обнаруживаются участки, где можно получить существенный эффект, хотя они не рассматривались как кандидаты на автоматизацию.
Например, в ходе кастдева с юридической компанией мы детально разбирали процесс работы с судебными уведомлениями. На поверхности это выглядело как рутинная операция: отслеживание публикаций, обновление календарей, передача задачи помощнику. Но при погружении стало понятно, что внутри этого процесса есть более глубокий уровень: анализ причин переноса заседаний, выявление недостающих документов и формирование управленческого сигнала о риске.
Расчет экономики. Речь идет о ревизии вычислительной инфраструктуры, выборе модели потребления (подписка или развертывание на собственном контуре), оценке предполагаемой нагрузки и сценариев использования.
В качестве примера можно рассмотреть один из заметных элементов экономики внедрения ИИ‑агента — стоимость единичного обращения к системе. Она зависит от архитектуры решения: используется ли одна модель или несколько, требуется ли дополнительный инференс для вспомогательных задач (например, классификации, поиска по базе знаний, проверки ответа), насколько типовой или кастомизированный контур задействован. Чем сложнее цепочка обработки, тем выше стоимость одного бизнес‑сценария.
К техническим факторам добавляются параметры самого бизнеса: количество пользователей, прогнозируемый месячный объем взаимодействий, пиковая нагрузка (RPS), средний размер запроса и ответа.
Отдельный фактор — рынок провайдеров моделей. Стоимость может существенно различаться: ее сравнивают по цене за миллион входящих и исходящих токенов у разных поставщиков — от крупных российских облачных платформ вроде Cloud.ru, Яндекса и Сбера до специализированных игроков.
По моим наблюдениям, проекты, построенные исключительно на подписочной модели без расчета фактической загрузки и экономического эффекта, часто оказываются убыточными. Если стоимость агента не соотносится с ценностью задачи, которую он закрывает, внедрение превращается в дополнительную статью расходов.
Например, для чат‑модели расчет строится по формуле, которая учитывает объем входящих и исходящих токенов и частоту обращений.
Обе переменные в формуле рассчитываются отдельно. Цена входных токенов зависит от длины системного промпта в токенах, средней длины сообщения пользователя и других параметров.
В каждом конкретном проекте на итоговую стоимость влияют условия провайдера, возможность комбинировать модели разной стоимости, использовать более доступные вычислительные ресурсы и перераспределять нагрузку между контурами.
Стоимость выходных токенов рассчитывается похожим образом.
Маршрут, который мы обычно используем для внедрения ИИ‑агента или подбора другого ИИ‑решения под конкретный процесс, я описал в этой статье. Он тоже не универсален, но помогает запустить пилот так, чтобы его можно было масштабировать до промышленной эксплуатации.
