Больше, чем просто чат-бот: 4 уровня работы с ИИ – от простых вопросов до полной автономности

Большинство людей до сих пор используют искусственный интеллект как продвинутую замену Google. Задали вопрос – получили текстовый ответ. Но прямо сейчас в индустрии разворачивается переход к полной агентной автономности. И этот формат взаимодействия меняет роль человека: вместо роли обычного оператора текстового поля вы получаете возможность управлять целым штатом цифровых помощников.

Я подробно разобрал этот феномен, и сегодня хочу поделиться этой эволюцией с вами, чтобы вы понимали, где именно находитесь на этой лестнице технологий.

Весь наш опыт работы с большими языковыми моделями (LLM) можно разделить на четыре этапа:

Это классический формат, появившийся на волне релиза ChatGPT в 2022–2023 годах. Вы отправляете запрос – система возвращает текст. Примеры банальны: переписать письмо в уверенном тоне или расшифровать заключение врача. Это уровень взаимодействия «начальник – линейный сотрудник».

Агент способен «думать» и работать дольше обычного промпта. Он умеет самостоятельно использовать сторонние инструменты и выполнять последовательность из нескольких задач. Например, спланировать сложный трехдневный тур в Лиссабон, обращаясь к разным сервисам.

Как это выглядит на практике: Многие пользователи превращают свои чаты в Claude или ChatGPT в специализированных агентов под конкретные задачи – например, под сбор контекста для инвестиционного анализа или генерацию планов. Однако у агентов второго уровня есть минус: если цепочка действий ломается (например, не удалось забрать данные с сайта), агент останавливается и возвращается к человеку за подсказкой.

На этом этапе LLM помещается в специальный изолированный контейнер (Harness), что дает системе полноценную память и неограниченный доступ к инструментам (пример – OpenClaw). «Упряжь» помогает точнее адаптировать ИИ под человеческий вкус и нюансы задачи, убирая специфический «пластиковый» стиль нейросетей. Метафорически это управление уже не одним сотрудником, а целой группой.

Вершина текущего технологического стека – это петли (Loops). Это агент, снабженный оркестрационным слоем. Главное отличие петли – она не сдается при возникновении препятствий. Если ИИ сталкивается с ошибкой, он не идет к человеку, а циклически переписывает собственные промпты и ищет обходные пути до тех пор, пока задача не будет решена. Здесь вы становитесь CEO, который лишь ставит глобальную задачу совету директоров (C-suite), а тот уже управляет всеми процессами ниже.

Главная причина технологического прорыва – колоссальное увеличение времени автономной работы агентов.

Разработчики запускают агентов с флагом \goal в соцсети X (Twitter), и системы бьются над оптимизацией параметров или поиском багов по 3–5 дней в фоновом режиме, пока человек спит.

Причем для этого не всегда требуются гигантские новые дата-центры. Рост эффективности часто достигается за счет изменения фреймворков рассуждения (reinforcement learning и post-training) – модель заставляют многократно «прокручивать» задачу в своей голове, повышая качество вывода без увеличения базового масштаба нейросети.

Пока концепт петель кажется слишком открытым, и даже сами ИИ-лаборатории до конца не изучили все сценарии. Однако в двух сферах они уже заменяют тысячи часов дорогостоящего человеческого труда:

Идеальный пример петли: ИИ самостоятельно вытягивает логи живых ошибок вашего приложения, анализирует код, находит баг, пишет исправление, тестирует его, деплоит на сервер, проверяет работоспособность всей системы после обновления и заносит данные в базу для предотвращения подобных сбоев в будущем. Тот же Борис Черный из Anthropic полностью отказался от привычной среды разработки (IDE) в пользу настройки таких агентных петель. Дошло до того, что более 80% кода в самой компании Anthropic генерируется силами Claude.

Агент может прочитать PRD (документ с продуктовыми требованиями), самостоятельно разработать структуру нового функционала, создать мокапы, оценить их по внутренним критериям бренда и обновить статус проекта в зависимости от того, что параллельно сделали другие команды.

Автономная работа ИИ на протяжении дней сжигает астрономическое количество токенов. И здесь бизнес сталкивается с финансовой реальностью:

Но даже если у вас есть деньги, ключевой проблемой остается дефицит вычислительных мощностей и энергии. Нам физически не хватает энергоресурсов планеты для обеспечения тераватт, которые требуются для повсеместного запуска таких петель. Именно поэтому в будущем рынок, скорее всего, разделится: базовые рутинные задачи заберут более дешевые open-source модели (возможно, запущенные локально на мощных ПК вроде Mac Studio), а сложные задачи останутся за дорогими коммерческими frontier-моделями.

Когда люди видят возможности петель, у многих возникает страх замещения. Однако реальность выглядит иначе: автоматизация рутины не освобождает время для безделья (как предсказывали год назад), а дает колоссальный рычаг для масштабирования. Вы просто смещаетесь на более высокий уровень управления.

Пока что ИИ полностью лишен того, что называют «человеческим вкусом» и искренней заботой о продукте. Показательный пример – ситуация в iOS App Store: за последние полгода количество публикуемых приложений, созданных с помощью ИИ, взлетело вертикально, но объемы скачиваний и пятизвездочных отзывов остались на прежнем уровне или упали. Продуктам, созданным без вовлечения человека, не хватает внимания к деталям, дизайну и глубинного понимания того, как именно люди взаимодействуют софта.

ИИ-петли – это не замена человека, а инструмент максимального расширения нашего личного потенциала.