Год Агента: как нейросеть перестала ждать команды

Утро вторника

Семь сорок две утра. Среднеевропейское время. Понедельник на самом деле, но какая разница.

На втором мониторе мигает сообщение от джуниора: «упало после деплоя». Скриншот: красное окно Error 500. Кодер открывает Cursor, печатает в композере одну строку — «посмотри логи, найди причину, поправь, прогони тесты, задеплой» — и идёт варить кофе.

Когда возвращается, экран уже другой. В правой колонке проматывается лента: Reading server.log. Found stack trace at line 482. Hypothesis: race condition in user.session.save. Reading user.session.ts. Writing patch. Running tests. Tests: 142 passed. git commit -m "fix(session): mutex on concurrent save". git push. Triggering CI. Deploy completed in 4m 12s.

Под лентой — три предложения от агента: «Нашёл race condition в user.session.save() при параллельных запросах. Добавил мьютекс. Протестировал на 1000 параллельных коннектов — стабильно. Запушил, передеплоил. Сайт работает.»

Кодер делает глоток. Кофе ещё не остыл.

В коммите автор — он. Подпись — его. Но писал не он. И обоим это уже не кажется странным.

Что такое Agentic AI

Agentic AI — это AI-агент, у которого есть собственный цикл «цель → план → действие → проверка → коррекция». В отличие от классического чата вроде ChatGPT образца 2022 года — где «вопрос на входе, ответ на выходе» — агент действует в петле: вызывает инструменты, читает их вывод, принимает решения, ошибается, поправляет себя, продолжает.

В коде это выглядит так: LLM получает не просто промпт, а ещё и список доступных функций — открыть файл, выполнить команду, запросить базу данных, отправить HTTP. Модель сама решает, что вызвать, в каком порядке и когда остановиться. Снаружи это смотрится как одно длинное действие. Внутри — десятки итераций, каждая из которых начинается с вопроса «что я сейчас знаю и что мне нужно сделать дальше».

Как мы сюда пришли

Хронология короткая. Хронология обманчива.

2022. ChatGPT выпускает джинна. Все играют. Никто не верит, что это надолго.

2023. OpenAI добавляет function calling. Это меняет всё, но почти никто этого не замечает. Модели учатся возвращать не текст, а структурированный JSON: «вызови такую-то функцию с такими-то аргументами». Появляется первое поколение инструментов — AutoGPT, BabyAGI. Они работают плохо: модели слишком слабы, чтобы держать длинные планы в голове. Зато идею прочитывают.

2024. Большие лаборатории берут идею всерьёз. Anthropic выпускает Claude 3 с tool calling, способным держать десятки шагов. Появляются IDE с встроенными агентами — Cursor выходит из беты, Devin собирает $200M на обещание «AI software engineer». Скептики смеются.

Конец 2024. OpenAI показывает o1 — первую публичную reasoning-модель. До этого LLM думали быстро и поверхностно. Теперь модель тратит десятки секунд на «внутренний монолог» перед ответом — и решает математические олимпиады уровня IMO. Этот шаг не был «улучшением чата». Этот шаг сделал агентов возможными в продакшене: чтобы агент не сбился через двадцать итераций, ему нужна способность думать долго.

Конец 2025. Anthropic публикует MCP — Model Context Protocol. По сути это USB-C для LLM: единый стандарт, по которому модели подключаются к инструментам, базам данных, документам компании. До MCP каждая интеграция писалась с нуля. После — серверы появляются как грибы: для Notion, GitHub, Postgres, Slack, Figma, Linear, Stripe. К весне 2026 их уже тысячи.

Май 2026. То, что в 2024-м было демо, в 2025-м — стартапом, в 2026-м — индустрией.

Где это уже работает

В разработке. Claude Code, Cursor Composer, GitHub Copilot Workspace — каждый из этих инструментов умеет принять задачу одной фразой и довести её до пул-реквеста. Не просто «допиши строку», как Copilot 2022, а «реализуй фичу, напиши тесты, проверь все edge cases, открой PR с описанием». Опытные разработчики говорят, что лучшие агенты заменяют им джуниора на простых задачах, и приятно ассистируют на сложных. Худшие — лгут уверенно, галлюцинируя функции, которых не существует. Разница между лучшими и худшими сейчас — это не модель, а гарантии: умеет ли среда выполнить тесты после изменения, прочитать stack trace, откатить плохой коммит.

В поддержке клиентов. Где раньше был чат-бот по сценарию — теперь агент, который читает CRM, поднимает историю клиента, делает возврат через Stripe API, пишет письмо, ставит задачу инженеру. Сразу видно, кто его настраивал, по одному параметру: разрешён ли агенту MCP доступ к платежам с правом на запись. Если нет — это симулятор. Если да — это сотрудник.

В аналитике. SQL-копайлоты прошлого поколения переводили запросы на естественном языке в SELECT. Новые агенты получают неточный вопрос топ-менеджера — «почему упала выручка в Германии в апреле» — и сами делают пятнадцать запросов, строят графики, замечают аномалию в одном из сегментов, открывают карточку клиента, проверяют гипотезу. Через час приходит отчёт. Корректный. С оговорками. С предположениями, которые нужно проверить вручную.

В юридическом узле. Кто отвечает, если агент удалил продакшен-базу. Кто автор кода, если ревьюер — человек, а коммитер — машина. Кто платит налоги с прибыли, которую сгенерировал агент, торгующий на бирже. У этих вопросов ещё нет ответов. У них есть только время.

С чем не путать

С автоматизацией. n8n или Zapier — это пайплайны: предопределённый граф действий, по которому скользит событие. Никакого решения там не принимается. Если на вход пришло X, сработает Y. Это полезно, но это не агент.

С чат-ботом. Чат-бот отвечает на сообщение. Агент действует в мире. Между «расскажи, как починить роутер» и «починю роутер» — пропасть.

С LLM. Agentic AI — это архитектура поверх LLM: модель плюс инструменты, плюс память, плюс цикл планирования. Сама по себе языковая модель — это компонент. Как двигатель не является автомобилем.

С AGI. Самая частая ошибка прессы 2025–2026 — путать «агент, который умеет писать код в IDE» с «искусственным интеллектом общего уровня». Текущие агенты узкие, хрупкие, бесполезны вне своего домена. Цинично точное определение: «агент — это GPT-приложение, которое разрешено выпустить наружу».

Что будет дальше

К концу года агенты будут стандартом в IDE — как линтер или git. Через полгода — в Excel и Notion: «возьми эту таблицу, нормализуй, найди дубликаты, проверь по нашему CRM». Ещё через полгода — в почте: «прочитай переписку с подрядчиком, выдели сроки, поставь напоминания, отправь сводку команде».

Структурно меняется одна вещь. До 2026 года стандартом было «человек делает работу, AI помогает». После — становится «AI делает работу, человек проверяет». Между этими двумя предложениями — несколько порядков ответственности и пара поколений профессий, которым предстоит исчезнуть.

Это не значит «нас всех заменят». Это значит, что значительная часть рутины — той, на которой строятся первые пять лет карьеры в десятках профессий — больше не нуждается в людях. Что станет с теми, кто только зашёл в индустрию, никто пока не знает. Что станет с теми, кто знал давно — кажется, скорее адаптация, чем потеря. Но это пока кажется.

Финал

Кодер возвращается к экрану. Кофе допит. Коммит в master, нотификация в Slack, спокойный сайт.

«Спасибо», — пишет он в композер. Машинально. Так пишут «спасибо» официанту в кафе, где привыкли. Агент отвечает: «Пожалуйста. Если хотите, я добавлю мониторинг concurrent saves, чтобы такое больше не повторилось». Кодер думает секунду. Пишет: «Добавь».

И уходит на встречу.

Где-то внутри ему как будто немного грустно. Но он не уверен, что грустно. Может быть, наоборот, спокойно. Никому из коллег он об этом не скажет. О таких вещах теперь не говорят. О них узна́ют по тому, как у кого изменилось расписание.