ИИ-агенты в 2025–2026: полный обзор, сравнение, кейсы и провалы

Ещё пару лет назад нейросети только отвечали на вопросы и генерировали текст. Сегодня они берут задачу целиком, сами разбивают её на шаги, открывают браузер, пишут код, читают почту и доводят дело до готового результата. 2025 год в отрасли окрестили «годом агента» — именно тогда ИИ-агенты окончательно перешли из разряда лабораторных экспериментов в рабочие инструменты, за которые компании платят реальные деньги.

Этот материал — подробный разбор того, что такое ИИ-агенты, какие они бывают, чем отличаются друг от друга, сколько стоят и на что реально способны. Мы собрали актуальный список агентов по категориям, сравнили их в таблице, разобрали успешные кейсы внедрения и — что не менее важно — провалы, ошибки и разочарования, о которых редко пишут в маркетинговых обзорах.

Что такое ИИ-агент и чем он отличается от чат-бота

Ключевое отличие формулируется просто: обычный ИИ отвечает, агент — действует. Чат-бот получает запрос, генерирует ответ и ждёт следующей команды. ИИ-агент получает цель, самостоятельно строит план, выбирает инструменты, выполняет действия, проверяет результат и при необходимости возвращается назад, чтобы исправить ошибку.

Разница видна на практике. Если попросить обычную языковую модель написать статью, она выдаст текст за один раз. Агент поступит иначе: соберёт информацию из нескольких источников, структурирует материал, подберёт заголовки и форматирование, а в конце сверит результат с исходным заданием. Всё это — одним непрерывным процессом, без дополнительных подсказок со стороны человека.

Три уровня, которые важно не путать:

• LLM (языковая модель) — «мозг», который умеет рассуждать и генерировать текст, но сам по себе ничего не делает. GPT, Claude, Gemini, DeepSeek — это модели, а не агенты.
• Чат-бот — интерфейс поверх модели для диалога: вопрос → ответ, вопрос → ответ.
• ИИ-агент — автономная система, где модель принимает решения, а внешний слой инструментов (браузер, терминал, API, файлы, базы данных) эти решения исполняет.

Грань между «ассистентом» и «агентом» проходит именно по уровню самостоятельности и способности выполнять цепочки действий. Полная автономность пока не достигнута — в критических операциях агенты запрашивают подтверждение человека, но в рутинных сценариях уже действуют от начала до конца.

Как устроен ИИ-агент

Почти любой современный агент — это связка из пяти компонентов:

• Мозг (рассуждающая модель). Современные агенты опираются на модели с «гибридным рассуждением», которые умеют переключаться между быстрыми интуитивными ответами и медленной пошаговой логикой — как это делает человек.
• Планирование. Агент разбивает цель на подзадачи, определяет порядок действий и при необходимости корректирует план по ходу работы.
• Инструменты. Веб-поиск, выполнение кода, браузер, обращение к API, чтение файлов, работа с базами данных и корпоративными приложениями. Набор инструментов — это то, что превращает «говорящую» модель в «действующую».
• Память. Краткосрочная (контекст текущей задачи) и долгосрочная (факты о пользователе, предпочтения, итоги прошлых сессий). Именно долгосрочная память избавила агентов от «разговорной амнезии».
• Петля обратной связи. Агент оценивает результат каждого шага и решает, двигаться дальше или вернуться и попробовать иначе.

Важный инфраструктурный элемент — изолированная среда (sandbox). Поскольку агент выполняет код и управляет программами, его запускают в песочнице, чтобы ошибочное или злонамеренное действие не затронуло основную систему.

Типы ИИ-агентов

По способу работы агентов делят на несколько классов:

• Реактивные — отвечают на события в реальном времени, не строя долгосрочных планов. Классический пример — агент клиентской поддержки, который обрабатывает входящие обращения.
• Целенаправленные (goal-oriented) — получают цель и самостоятельно планируют путь к ней. Большинство современных автономных агентов относятся именно сюда.
• Одиночные — один агент, который делает всё сам.
• Мультиагентные системы — команда из нескольких специализированных агентов, где один собирает данные, второй анализирует, третий готовит отчёт. Вывод одного становится входом для другого, агенты проверяют и исправляют работу друг друга.

По сфере применения удобно выделять агентов для кодинга, исследований и поиска, продаж и маркетинга, клиентской поддержки, корпоративных процессов (HR, финансы, юриспруденция) и персональной продуктивности. По такому принципу построен и каталог ниже.

Ключевые технологии: MCP, A2A и оркестрация

Чтобы агенты из разных систем могли пользоваться инструментами и общаться друг с другом, отрасль вырабатывает общие стандарты.

MCP (Model Context Protocol) — открытый протокол, предложенный Anthropic. Он описывает единый способ подключения инструментов и источников данных к агенту. На конференции Build 2025 Microsoft объявила о планах встроить MCP прямо в Windows — фактически превращая операционную систему в среду для агентов. На практике это означает: агент сможет сделать запрос к базе данных, сформировать отчёт в Excel и отправить его по почте — согласованно, через несколько приложений сразу.

Agent2Agent (A2A) — открытый протокол, инициированный Google, для взаимодействия агентов из разных систем и от разных разработчиков. Он позволяет объединять разрозненные решения в единую команду «цифровых работников».

Оркестрация — подход, при котором специальный слой управляет сразу несколькими агентами, работающими вместе. Производители корпоративного ПО описывают такие инструменты как «диспетчерскую вышку» для агентных команд: специализированные агенты в ИТ, поддержке, HR и других отделах общаются, делятся данными и передают друг другу задачи.

Рынок в цифрах и инвестиции

Цифры показывают, что агентный ИИ — уже не хайп, а оформившийся рынок:

• По данным PwC, почти 80% компаний в мире уже применяют ИИ-агентов в бизнес-процессах, больше половины из них отмечают рост продуктивности.
• Gartner прогнозирует, что к концу 2026 года 40% корпоративных приложений будут включать специализированных ИИ-агентов.
• Отраслевые отчёты за первую половину 2025 года фиксируют рост общей производительности на 7,8% и сокращение времени на рутинные задачи на 30% после внедрения агентов.
• Отдельные компании сообщают об автоматизации до 65% внутренних задач — например, обработки ИТ-заявок и типовых обращений клиентов.
• По данным Crunchbase, только за первые месяцы 2025 года венчурные инвесторы вложили около 700 миллионов долларов в посевные стартапы, разрабатывающие автономных агентов.

Инвесторы формулируют сдвиг так: раньше программное обеспечение давало людям «электроинструменты», а новая волна предоставляет компаниям виртуальных работников, способных самостоятельно выполнять значительную часть задач.

Каталог ИИ-агентов по категориям

Агенты для разработки и кодинга

• Devin (devin.ai) — первый автономный ИИ-инженер от Cognition Labs. Планирует, пишет код, отлаживает и разворачивает проекты по текстовому заданию, используя собственные shell, редактор и браузер. Создатели — команда бывших спортивных программистов во главе с CEO Скоттом Ву, финансирование — Founders Fund Питера Тиля.
• Cursor (cursor.com) — один из самых популярных AI-редакторов кода с агентным режимом. Идею автономного выполнения задач «под ключ» во многом популяризовал именно Cursor — на него, в частности, ориентировались создатели Manus.
• Claude Code (claude.com) — терминальный агент от Anthropic, позволяющий делегировать задачи вроде миграции кода и исправления багов прямо из командной строки.
• Codex (openai.com) — агент разработки от OpenAI, который пишет код, исправляет ошибки и прогоняет тесты в изолированной среде.
• GitHub Copilot (github.com) — AI-ассистент для разработки, глубоко встроенный в GitHub и редакторы кода.
• Replit Agent (replit.com) — агент внутри IDE Replit, который создаёт целые веб-приложения по текстовому описанию, сам правит ошибки и управляет зависимостями.
• Gemini CLI (github.com/google-gemini) — командная строка от Google для многоэтапных задач разработки: исправление багов, написание тестов, реализация функций.
• Jules (jules.google) — асинхронный агент от Google, встроенный в GitHub: сам чинит баги, пишет тесты и обновляет зависимости.
• Genie (cosine.sh) — агент кодинга от Cosine, один из конкурентов Devin.
• OpenHands (github.com/All-Hands-AI) — open-source платформа для автономной разработки (бывш. OpenDevin), свободная альтернатива Devin.
• Tusk (usetusk.ai) — агент, который берёт тикеты из Jira и GitHub, сам анализирует баг и готовит pull request.

Универсальные агенты и ассистенты

• Manus (manus.im) — универсальный автономный агент от Butterfly Effect, работающий в собственной изолированной среде. Выходит в интернет, использует редакторы кода, запускает несколько приложений параллельно и сам планирует многоэтапные задачи — от скрининга резюме до анализа акций.
• ChatGPT Agent (chatgpt.com) — автономный агент OpenAI с доступом к браузеру, терминалу и файлам; выполняет многоэтапные сценарии в изолированной среде, запрашивая подтверждение для ключевых действий.
• Claude (claude.ai) — ассистент Anthropic с функциями агента: веб-поиск в процессе рассуждения, работа с локальными файлами, длинные рабочие процессы. Архитектурная особенность — подход Constitutional AI к безопасности.
• Project Astra (deepmind.google) — мультимодальный агент Google DeepMind на базе Gemini, который понимает речь, видео и контекст, с прицелом на работу в очках и устройствах в реальном времени.
• Microsoft Copilot (microsoft.com) — ассистент, глубоко интегрированный в Word, Excel, Teams и другие продукты Microsoft 365.
• Perplexity (perplexity.ai) — поисковый агент с глубоким исследованием, отвечает с опорой на источники в реальном времени.

Фреймворки для создания собственных агентов

• LangChain и LangGraph (langchain.com) — самый известный open-source стек для построения агентных приложений: от одиночных агентов до графовых мультиагентных систем.
• CrewAI (github.com/crewAIInc) — Python-фреймворк для создания команд агентов с ролями, целями и инструментами.
• AutoGen (microsoft.github.io/autogen) — open-source фреймворк Microsoft для оркестрации мультиагентных систем.
• MetaGPT (github.com/geekan/MetaGPT) — платформа, где несколько агентов имитируют роли продакт-менеджера, архитектора, инженера и QA, создавая ПО «от начала до конца».
• OpenAI Agents SDK (openai.github.io) — инструментарий OpenAI для разработки агентов.
• smolagents (github.com/huggingface) — минималистичный фреймворк от Hugging Face, где агенты пишут действия кодом напрямую.
• Hermes Agent (github.com/NousResearch, документация) — open-source self-hosted агентная платформа от Nous Research. Работает в терминале, десктоп-приложении, мессенджерах (Telegram, Discord, Slack, WhatsApp и других) и IDE, поддерживает любые LLM-провайдеры. Ключевые отличия — самообучение через навыки (skills), постоянная память между сессиями и развёртывание на собственной инфраструктуре без передачи данных третьим сторонам.
• Browser Use (browser-use.com) — Python-библиотека, которая делает веб-сайты доступными для агентов: программное управление браузером, клики, заполнение форм.

Агенты для продаж и маркетинга

• 11x (11x.ai) — «цифровые SDR» Алиса и Джулиан, которые круглосуточно ищут лидов, ведут персонализированную переписку и назначают встречи.
• Artisan (artisan.co) — агент Ava автоматизирует до 80% задач исходящих продаж: поиск лидов, исследование компаний, гиперперсонализированные рассылки.
• Gong (gong.io) — платформа аналитики продаж, которая разбирает звонки и переписки, выявляя успешные тактики.
• Clay (clay.com) — инструмент для обогащения лидов и персонализации писем с встроенным исследовательским агентом.
• Agentforce (salesforce.com) — платформа Salesforce для создания агентов маркетинга, продаж и поддержки, интегрированная с CRM и Slack.

Корпоративные и отраслевые агенты

• Harvey (harvey.ai) — ИИ-помощник для юристов, анализирует документы, ищет судебную практику, помогает готовить дела.
• Sierra (sierra.ai) — конструктор агентов клиентской поддержки (чат, голос, SMS, email) с защитными механизмами.
• Decagon (decagon.ai) — агенты поддержки, которые общаются с клиентами без жёстких скриптов.
• UiPath (uipath.com) — лидер RPA, расширившийся в агентный ИИ: роботы, ИИ и люди в единой сквозной автоматизации.
• IBM watsonx (ibm.com) — платформа IBM для создания корпоративных агентов в HR, продажах и ИТ.
• Zora (Deloitte) — «цифровая рабочая сила» на базе NVIDIA AI для финансов, HR и маркетинга с упором на аудит действий.
• EY.ai — платформа Ernst & Young для автоматизации анализа документов, аудита и комплаенса.
• Hippocratic AI (hippocraticai.com) — медицинские агенты для задач с низким риском: сопровождение пациентов, коучинг.

Исторические и экспериментальные агенты

• AutoGPT (github.com/Significant-Gravitas) — агент 2023 года, который одним из первых показал идею «цель → подзадачи → инструменты». Стал самым быстрорастущим репозиторием GitHub своего времени, но именно на нём отрасль впервые набила шишки (подробнее — в разделе о провалах).
• AgentGPT (agentgpt.reworkd.ai) — веб-конструктор автономных агентов из той же волны, развился в платформу «непрерывных» агентов.
• BabyAGI — минималистичная демонстрация агента-планировщика, которая породила целое поколение open-source реализаций.

Сравнительная таблица

Цены ориентировочные, на момент написания; точные тарифы меняются — проверяйте на официальных сайтах.

Отзывы и реальный опыт

Вокруг агентов сложился примечательный разрыв между маркетингом и реальностью. Показательные истории — у Devin, Manus и AutoGPT.

Devin: восторг и скептицизм одновременно

Анонс Devin в марте 2024 года вызвал волну восхищения: инвесторы и инженеры хвалили «первого автономного ИИ-инженера», а CEO Perplexity Аравинд Шринивас назвал его «первым демо агента, которое, похоже, пересекает порог человеческих возможностей». Капитализация Cognition Labs за считаные месяцы выросла с 21 миллиона до оценок в сотни миллионов и даже миллиарды долларов.

Но параллельно возник скептицизм. YouTube-каналы вроде Internet of Bugs разобрали промо-ролик Devin, где агент выполнял задание с фриланс-площадки Upwork, и показали, что Devin на деле писал, тестировал и отлаживал код, не имеющий отношения к исходному запросу. Разработчики в соцсетях отмечали, что на задачах со сложными требованиями и творческой составляющей агент буксует. Дискуссия о том, заменит ли Devin программистов, переросла в споры о реальных пределах автономного кодинга.

Manus: ажиотаж, перепроданные инвайты и геополитика

Manus запустился 6 марта 2025 года в формате invite-only. Демо-ролик, где агент самостоятельно скринит резюме и анализирует акции, набрал более миллиона просмотров за 20 часов. Ажиотаж был таким, что коды-приглашения перепродавали на китайских площадках за 50–100 тысяч юаней — порядка 7–13,8 тысячи долларов по тогдашнему курсу.

Компания быстро росла: в апреле 2025 года привлекла 75 миллионов долларов от Benchmark при оценке в 500 миллионов, а к декабрю отчитывалась о годовой выручке около 125 миллионов долларов. Дальше началась сага с Meta: в декабре 2025-го Meta объявила о покупке Manus за 2–3 миллиарда долларов, однако в апреле 2026 года китайские регуляторы заблокировали сделку, в июне Meta официально разорвала связи, а в августе Manus объявил о работе как независимая компания. Это яркий пример того, что в мире ИИ-агентов риски бывают не только технологическими.

AutoGPT: первый великий хайп и первое разочарование

AutoGPT весной 2023 года стал вирусным: он первым массово продемонстрировал идею полностью автономного агента, который сам дробит цель на подзадачи и гоняет инструменты. Репозиторий рос рекордными темпами, заголовки обещали ИИ, «работающий без человека».

На практике энтузиазм быстро остыл: агент часто зацикливался на одной и той же подзадаче, сжигал платные токены без ощутимого результата и редко доводил сложную цель до конца. AutoGPT стал важной вехой и одновременно наглядным уроком — именно на нём отрасль осознала разницу между «демо, которое впечатляет» и «инструментом, который работает».

Успешные кейсы внедрения

Несмотря на оговорки, агенты уже приносят измеримую пользу в реальных процессах:

• Клиентская поддержка. Агенты круглосуточно обрабатывают типовые обращения, сокращая время ответа и разгружая операторов. Внедрения показывают рост удовлетворённости клиентов примерно на 6,7%.
• ИТ-операции. Агенты берут на себя до 65% обработки ИТ-заявок — от сброса паролей до диагностики инцидентов.
• Финансы и антифрод. Агенты автоматизируют цепочки выявления мошенничества, работая с транзакциями быстрее и непрерывнее человека.
• Медицина. Помощь врачам с автозаполнением документов и формированием возможных диагнозов, что освобождает время на пациентов.
• Ритейл. Динамическое управление запасами и автопополнение товаров на основе прогнозов спроса.
• Продажи и лидогенерация. «Цифровые SDR» вроде 11x и Artisan ведут верхнюю часть воронки, а менеджеры подключаются уже к квалифицированным лидам.
• Юриспруденция и консалтинг. Harvey, Zora от Deloitte и EY.ai автоматизируют разбор документов, поиск практики и аудит — с акцентом на прозрачность и проверяемость действий.

Общий вывод из этих кейсов: лучше всего агенты работают там, где задача повторяема, хорошо специфицирована и легко проверяется, а человек остаётся на этапе финального контроля.

Провалы, ошибки и критика

Честный обзор невозможен без разбора того, что идёт не так:

• Зацикливание и бесполезная трата ресурсов. Классика AutoGPT: агент повторяет одни и те же шаги, не приближаясь к цели, и сжигает платные токены.
• Галлюцинации и фактические ошибки. Агент уверенно выдаёт неверные данные, особенно если информация устарела или задача выходит за пределы его инструментов.
• Разрыв между промо и реальностью. История Devin с Upwork-задачей показала, что демонстрационные ролики не всегда отражают реальные возможности.
• Неоправданный хайп. Волна AutoGPT 2023 года породила завышенные ожидания, за которыми последовало разочарование и охлаждение интереса.
• Стоимость. Автономная работа агента с дорогими моделями может обходиться дороже, чем ручной труд, если задача редкая или плохо автоматизируется.
• Ответственность. Неясно, кто отвечает за неверное решение агента — особенно в финансах, медицине и праве, где цена ошибки высока.

Риски и безопасность

Автономность — обоюдоострый меч. Поскольку агенты умеют выполнять код, вызывать API и управлять программами, вокруг них сложился отдельный набор угроз:

• Prompt injection. Злонамеренно составленный ввод (например, текст на странице, которую агент читает) может «обмануть» агента и заставить выполнить вредное действие.
• Риски цепочки поставок. Агент может обратиться к непроверенному стороннему инструменту, который утечёт чувствительные данные.
• Утечка данных. Передача агенту документов и доступов расширяет поверхность атаки; корпоративные данные требуют строгого контроля.
• Предвзятость и непрозрачность. Решения агента трудно аудировать, а систематические ошибки модели могут масштабироваться.

Отраслевой ответ — это защитные механизмы по умолчанию: человеческое подтверждение для критических действий, ограничение прав агента, строгая аутентификация инструментов и аудит каждого шага. Компании всё чаще создают внутренние комитеты по надзору за ИИ и внедряют рамки управления, прежде чем давать агентам реальные полномочия.

Будущее ИИ-агентов

Направление движения понятно уже сейчас:

• Мультиагентные системы. Вместо одного универсального агента — команды специализированных, которые проверяют и дополняют друг друга.
• Стандартизация. Протоколы MCP и A2A сделают агентов совместимыми, как браузеры и веб-стандарты сделали совместимым интернет.
• Рост автономности. Постепенное расширение круга задач, которые агент выполняет без участия человека, — но с сохранением контроля в критических точках.
• Регулирование. Первая волна политик, адресующих автономное поведение ИИ, неизбежна — пример с блокировкой сделки Meta–Manus это уже показал.
• Специализация. Наибольшую ценность будут приносить узкие агенты, глубоко интегрированные в конкретные отраслевые процессы.

Главный вывод прост: агенты — не замена человеку, а новый слой автоматизации поверх того, что умеет генеративный ИИ. Они берут на себя рутину и повторяемые цепочки, оставляя людям контроль, творчество и ответственность за результат.

Источники

• Wikipedia: Manus (AI agent), Devin AI
• PwC AI Agent Survey — pwc.com
• Обзоры рынка ИИ-агентов 2025 — Plaan «ТОП-100 ИИ агентов», AllSee, vc.ru