От инструмента к коллеге: включаем агентный ИИ

Brian Long

До сих пор мы относились к ИИ как к толковому помощнику по ту сторону чата. Вы даёте ему фрагмент текста, он преобразует его и возвращает обратно, а суждение остаётся за вами. У этого помощника есть понятная модель (обработчик языка), измеримая величина (токен), способ поставить задачу (задача, роль, контекст, примеры) и дисциплинированный порядок проверки результата.

Теперь поговорим о новой способности: помощник может выполнять работу самостоятельно. Она позволяет ему найти нужный файл, прочитать его, проанализировать, собрать таблицу или написать черновик, проверить всё на корректность и положить результат туда, куда вы просили, — и всё это по одной-единственной инструкции. Это и есть «агентный ИИ», и 2026 год стал тем годом, когда он вышел из лаборатории и появился в приложениях, которыми вы уже пользуетесь.

Эта статья о том, как сделать шаг к этой способности, не забегая вперёд. Хорошая новость в том, что вам не нужны новые поставщики или дополнительный бюджет. Агент уже лежит в вашем ящике с инструментами. Ключ к его использованию — научиться ему делегировать, а это управленческий навык, который у вас уже есть.

Что меняется

Главное различие между чат-ботом и агентом такое: чат-бот разговаривает с вами, а агент работает за вас.

Чат-бот реактивен. Вы спрашиваете, он отвечает, но потом вы сами что-то делаете с этим ответом. Агенту же вы даёте цель — и он составляет план, выполняет действия в разных приложениях и файлах и проходит все шаги до нужного результата, попутно проверяя собственный прогресс. Чат-бот читает и пишет, а агент читает, пишет и действует. Агент может открыть папку, выполнить расчёт, заполнить таблицу, зайти на сайт и передать вам готовый результат вместо предложения.

Представьте разницу между сообразительным стажёром, который отвечает на любой ваш вопрос, и стажёром, которому можно по-настоящему поручить дело: «Пройди по счетам поставщиков за прошлый квартал, собери сводку по тем, кто поднял цены, и отметь всё, что выше десяти процентов». Первый экономит вам один шаг. Второй экономит вам целый день.

Вот в чём перемена. Это мощное усиление, которое приходит с возросшей ответственностью. Именно поэтому в предыдущей статье мы так подробно разобрали проверку — прежде чем дойти до агентов.

Что остаётся прежним

Всё, что мы говорили раньше о доверии к результатам ИИ, теперь применимо в ещё большей степени, а не в меньшей. Абзац, написанный чат-ботом, вы прочитаете за десять секунд. Но когда агент выполняет задачу из десяти шагов, есть десять мест, где он мог незаметно ошибиться. Делегирование увеличивает и экономию времени, и цену непроверенной работы.

Поэтому перенесём наши правила и сюда. Относитесь к результату агента как к черновику, требующему проверки, а не как к готовому продукту. Строгость проверки должна соответствовать ставкам. Для внутренней сводки хватит беглого взгляда, но всё, что касается денег, клиентов или права, нужно проверять тщательно. И всегда оставляйте человека в контуре там, где требуется суждение. Хорошо сделанные потребительские агенты спроектированы именно под это: они показывают ход своих рассуждений, позволяют скорректировать курс по ходу дела и спрашивают разрешения перед любым необратимым действием — например, перед удалением файла. Это не ограничение, которое надо обходить. Это как раз то, что делает делегирование безопасным.

Нужный настрой — тот же, что есть у любого хорошего руководителя: делегируй, потом проверяй. Вы ведь не поручите новому сотруднику ответственную задачу, чтобы затем отправить результат клиенту, не читая. Здесь так же.

С чего начать

Начните с агента, который уже есть в вашем наборе инструментов. Три инструмента, которыми большинство читателей уже пользуется, обзавелись агентными возможностями, так что следующий шаг — уверенно освоить тот, что у вас уже есть.

ChatGPT имеет режим Work в настольном приложении. Здесь вы описываете, что вам нужно, и позволяете ChatGPT пройти все шаги, чтобы создать то, что вы сможете проверить и использовать. После выдачи нужных разрешений и подключения инструментов он может работать с вашими файлами и взаимодействовать с поддерживаемыми сайтами и приложениями. Можно настроить и регулярные задачи — например, еженедельную сводку. Режим Local Work выполняется в песочнице на вашем компьютере, а Cloud Work — на инфраструктуре OpenAI.

Gemini от Google встроил агентный ИИ в свои приложения — Gmail, Docs и Sheets — через Google Workspace Intelligence, который работает как межприложенческий координатор: он непрерывно отслеживает контекст и запускает целые рабочие процессы, например автоматически ведёт структурированные заметки во время звонка в Meet, сверяет их с файлами на Drive и составляет письма-follow-up или формирует оформленные таблицы без ручного копирования. Gemini Spark — это постоянно работающий автономный фоновый агент на облачных виртуальных машинах, который ведёт запланированные задачи, повторяющиеся процессы и межприложенческую рутину даже тогда, когда ваши устройства выключены. Gemini Notebooks — самоорганизующаяся исследовательская среда, которая принимает файлы из разных источников и автоматически собирает интеллект-карты, аудиообзоры и структурированные конспекты. А Google Antigravity — это продвинутая многоагентная среда разработки и инженерии, рассчитанная на сложные технические задачи.

Claude предлагает Cowork в настольном приложении для нетехнических пользователей, а также Claude Code, и для того, кто наращивал навык на протяжении всей этой серии, это самый естественный следующий шаг. Вы описываете нужный результат обычными словами, отходите от компьютера и возвращаетесь к готовой работе: записка написана, анализ выполнен, таблица обновлена (Anthropic). Разумным местом для перехода его делает устройство: Cowork работает в изолированной песочнице на вашем собственном компьютере и может обращаться только к тем папкам, которые вы ему явно передали, — ни к чему больше на вашей машине — и спрашивает разрешения перед удалением чего бы то ни было.

Что бы вы ни выбрали, обратите внимание: навык требуется тот же самый, который вы уже отрабатывали. Хорошая инструкция агенту — это просто хороший бриф с глаголом в начале: задача (какой готовый результат должен появиться), роль (чьим стандартам следовать), контекст (файлы и факты, которых он сам знать не может) и пример того, как выглядит «сделано правильно». Единственная новая привычка — сузить работу до объёма, который вы сможете проверить, и действительно её проверить.

Возьмём для наглядности Марию, владелицу сантехнической и климатической компании из первой статьи. У неё есть папка с пятьюдесятью счетами поставщиков и не отпускающее ощущение, что расходы поползли вверх. По-старому: полдня с калькулятором. По-агентному: она указывает Cowork на эту единственную папку и говорит: «Прочитай эти счета, собери таблицу с ценами каждого поставщика за этот квартал и за прошлый и выдели любое повышение больше десяти процентов. Вот формат, который мне нужен». Через несколько минут таблица готова. Она выборочно сверяет несколько отмеченных цифр с исходными PDF-файлами, потому что ставки настоящие. Теперь она готова взять телефон и договариваться о новых условиях. Делегируй, потом проверяй.

Свой собственный ИИ: будущее локально

Всё описанное выше работает в облаке — даже локальная песочница в режиме Work у ChatGPT и в Claude Cowork. Ваши инструкции и файлы отправляются в центр обработки данных, работа выполняется там, а результаты возвращаются обратно. Для большинства задач это совершенно нормально и даже предпочтительно из-за мобильности. Но для юридической фирмы, работающей с привилегированными документами, для клиники с картами пациентов или для любого бизнеса, который просто не хочет, чтобы чувствительные документы покидали здание, вырисовывается убедительная альтернатива: агенты, которые целиком работают на вашем собственном оборудовании.

Здесь сходятся все линии этой серии. В статье о токенах мы увидели, что в долгосрочной перспективе по цене и мощности выиграют не те, кто запускает самую большую облачную модель, а те, кто получает полезный результат с помощью эффективного локального ИИ. Агентный ИИ — как раз тот случай, где это окупается, потому что постоянно работающий агент, занятый весь день, — это ровно та ровная и объёмная нагрузка, которую дорого арендовать и дёшево иметь у себя.

Стек локальных агентов быстро взрослеет. Открытые фреймворки вроде Hermes Agents от Nous Research рассчитаны на непрерывную работу на вашей собственной инфраструктуре, не привязаны к конкретной модели и построены с упором на надёжность, а NemoClaw от NVIDIA помещает такого агента в песочницу с аппаратной изоляцией, чтобы он мог быть одновременно всегда включённым и надёжно запертым, без выхода данных за пределы устройства во время работы (NVIDIA, блог NVIDIA). Связка этих двух — Hermes Agents поверх NemoClaw — даёт представление о том, как выглядит частный ИИ-коллега внутри вашей компании.

Загвоздка в том, какое для этого нужно оборудование, и именно поэтому это следующий шаг, а не первый. Локальный запуск агента требует от машины гораздо большего, чем чат-интерфейс к облачному сервису, и прежде всего — гораздо больше памяти. На практике это означает достойную видеокарту с практическим минимумом в 16 гигабайт видеопамяти для небольших и средних моделей (24 гигабайта — комфортный уровень) в паре с как минимум 32 гигабайтами системной памяти и быстрым накопителем (Local AI Master). Это существенная покупка, но для бизнеса, который уже тратит несколько сотен долларов в месяц на ИИ, вложения могут окупиться примерно за год. Разумеется, у настройки системы, на которую бизнес сможет положиться, есть множество деталей и оговорок, поэтому подробности сборки мы здесь разбирать не будем. Суть в том, что частный, собственный и эффективный агентный ИИ теперь доступен обычному бизнесу, а не только технологическим гигантам.

Созданием именно такого локального ИИ-стека мы и занимаемся в Synapses Technologies — под размер малого и среднего бизнеса и с приватностью, заложенной в конструкцию. Об этом — в следующих материалах.

Шаг за шагом

Эта серия — о пошаговом подходе к использованию и внедрению ИИ. Сначала понять инструмент: чем он является и чем не является. Затем научиться давать инструкции как полноценный бриф. Затем научиться проверять результат. Теперь — научиться делегировать. Каждый шаг невелик, но вместе они и составляют разницу между тем, чтобы наблюдать за разговорами об ИИ со скамейки запасных, и тем, чтобы наращивать накопительное преимущество, пока конкуренты всё ещё спорят о заголовках.

Агентный ИИ — это точка, где преимущество начинает по-настоящему множиться, потому что агент экономит не пару предложений, а целую рутинную работу. Бизнес, который научится передавать рутину осторожно, по одной проверяемой задаче за раз, обнаружит, что его недели заметно разгрузились, — и при этом ни разу не поставил компанию на кон ради «чёрного ящика».

Это и есть правильный путь: не прыжок, а следующий обдуманный шаг. Начните с агента в том приложении, за которое вы уже платите. Дайте ему на этой неделе небольшое, настоящее и проверяемое задание. Проверьте результат так же, как проверяете любую делегированную работу. А потом сделайте это снова.