В одном кабинете Alibaba AI-агент получил доступ к двум тысячам инструментов и перестал тратить 99% токенов на то, чтобы выбрать, какой из них применить. В другом офисе маркетологи скормили датасет из 144 000 строк Codex от OpenAI и получили аналитику без единой формулы. На стройке Trunk Tools сократила проверку документов с двух месяцев до десяти дней. Три разные истории. И одно общее: AI-агенты перестали быть тем, что «когда-нибудь заработает». Они работают уже сейчас. Вопрос только в том, у кого есть стратегия, чтобы извлечь из этого пользу, а кто ставит галочку.
Агенты, которые сами выбирают инструменты
Когда корпоративный AI-агент имеет доступ к тысячам инструментов, он тратит больше токенов на выбор нужного, чем на саму задачу. Исследователи из Alibaba нашли способ сократить эти расходы на 99%. Их фреймворк SkillWeaver использует механизм Skill-Aware Decomposition (SAD): агент не перебирает все инструменты в списке, а разбивает задачу на подзадачи, подбирает кандидатов для каждой, а затем возвращается к разбивке с учётом того, какие инструменты реально существуют в библиотеке.
Это цикл обратной связи, которого нет в других подходах. Тестирование на библиотеке из 2 209 реальных MCP-навыков показало: SkillWeaver сокращает потребление токенов более чем на 99% по сравнению с «наивным» подходом, когда агенту отдают всю библиотеку целиком.
Ключевые цифры: 99% экономии токенов. Библиотека из 2 209 MCP-навыков. Агент не перебирает все инструменты, а итеративно сужает выбор на основе обратной связи от реально доступных навыков.
Для бизнеса это прямой вывод: стоимость эксплуатации AI-агентов будет падать. Когда агенту не нужно перебирать всю библиотеку инструментов, обучение нового сотрудника (в смысле нового агента) обходится в разы дешевле. Компании во Владивостоке, которые уже сейчас выстраивают архитектуру вокруг AI-агентов, получат преимущество, когда конкуренты только начнут разбираться.
144 000 строк, ни одной формулы в Excel
Отдел маркетинга SmarterX попытался понять, как конкретный контент влияет на выручку. Ответ был погребён в дампе из 144 000 строк и 1 000 колонок. Открыть такой файл в Excel нельзя было - компьютер падал.
Вместо pivot-таблиц команда передала датасет Codex от OpenAI. Не с инструкциями вроде «сделай сводную по столбцу A», а с задачей: «разберись, что тут связано с выручкой». Codex работал как аналитик, который сидит рядом и сам разбирается, что к чему.
«Мы взяли датасет, который ни одна таблица не тянет, и скормили его Codex как аналитику. Без инструкций вида „сделай сводную по столбцу A\". Просто сказали: разберись, что тут связано с выручкой.»
Команда SmarterX, эпизод 222 The Artificial Intelligence Show
Набор данных, с которым ни одна таблица не справляется, стал доступен через обычный промпт. Не нужно писать SQL, не нужно гуглить синтаксис Excel, не нужно ждать дата-инженера.
Для малого и среднего бизнеса это серьёзный сдвиг. Аналитика больших данных перестала требовать команду профессионалов. Маркетолог с доступом к Codex или Claude Code может заменить целый BI-отдел на этапе разведки данных. Единственное ограничение - умение сформулировать задачу, а не знание синтаксиса.
Подробнее о Codex в маркетинге →
Нишевый AI побеждает универсальный
Trunk Tools разрабатывает AI для управления стройкой. Не чтобы писать код или отвечать на вопросы, а чтобы проверять подрядные документы на дефекты и завышение цен. Результат: цикл проверки сократился с 50-60 дней до 10.
Цифры. Один пропущенный дефект балки стоил бы 10 000 долларов. AI-агенты нашли 60 000 долларов завышенных цен у субподрядчиков по озеленению. Выявлен дефект камина до гипсокартона - сэкономлено около 100 000 долларов.
Что изменилось: цикл проверки документов сократился с 50-60 до 10 дней. Найдено дефектов на 160 000 долларов. Секрет - в трёхслойном стеке (восприятие, семантика, агенты), а не в универсальной LLM.
Секрет Trunk Tools - не в самой модели, а в архитектуре. Вместо одной универсальной LLM они построили трёхслойный стек: слой восприятия распознаёт специфичные для стройки форматы, слой семантики понимает отраслевые термины, слой агентов принимает решения на основе контекста. Каждый слой заточен под стройку, а не под «всё на свете».
Крити Фаудждар, старший продакт-менеджер по AI-инфраструктуре, объясняет: «Универсальные LLM обучаются быть нормальными везде, поэтому они плохи в любой нише». Переплачивать за GPT-5, если ваша задача - разбор документов, это всё равно что нанимать профессора математики считать сдачу в магазине.
Результат важнее часов: как изменились метрики
Пока одни инженеры оптимизируют агентов, другие переосмысляют, как измерять их эффективность. SEO-эксперт Ник Лерой сформулировал дилемму: клиент получает два результата, оба решают его задачу, оба точные. Разница только в том, что один занял 20 часов, а второй - 20 минут. Клиент доволен, пока не узнаёт про скорость.
Десятилетиями мы связывали ценность с затраченными усилиями. Долгая работа казалась ценной. Быстрая - подозрительной. Лерой приводит старую притчу об инженере, который починил корабельный двигатель одним ударом молотка и выставил счёт на 10 000 долларов. Владельцы потребовали детализацию. Ответ: «Удар молотком - 2 доллара. Знание, куда ударить - 9 998 долларов.»
Параллельно с этим меняется видимость в поиске. Semrush проанализировала 200 000 AI Overviews Google и выяснила: топовый органический результат цитируется только в 34% случаев на мобильных и 46% на десктопе. Первое место больше не гарантирует, что тебя увидят.
В AI-поиске единица измерения - не позиция в выдаче, а факт упоминания. Бренд либо есть в ответе, либо его нет. Привычные метрики SEO больше не работают - упоминания, цитирования и доля голоса становятся важнее CTR.
Для бизнеса на Дальнем Востоке это означает: качество контента и экспертиза становятся важнее времени, затраченного на его производство. Если AI-агент написал статью за 20 минут, а она попала в AI Overviews - это ценнее, чем статья за 20 часов, которую никто не цитирует. Переход от «часов к результату» неизбежен, и чем раньше компания его сделает, тем меньше будет organisational debt от старых метрик.
Что это значит для бизнеса
SkillWeaver экономит 99% токенов на выборе инструментов. Codex обрабатывает датасеты, с которыми Excel не справляется. Trunk Tools находит дефекты на 100 000 долларов. Три кейса, три отрасли, три разных подхода. И один общий вывод: технология перестала быть ограничением. Лимитирующий фактор теперь - стратегия внедрения.
Компании, которые внедряют AI-агентов без понимания, какую задачу решают, получают не ускорение, а новый слой хаоса. Сотрудники часами правят промпты, разные отделы используют несовместимые инструменты, руководство давит метриками, которые ничего не значат. По данным опроса SmarterX за 2026 год, 53% компаний уже перешли от экспериментов к реальному внедрению ИИ в процессы, но только 25% дошли до масштабирования. Остальные застряли - именно из-за отсутствия стратегии.
Те, кто строит архитектуру, получают результат. Не потому что модель дороже. А потому что они понимают, какая задача стоит перед агентом, какие границы у автоматизации и как измерять успех - не по затраченным часам, а по бизнес-результату.
Для компаний во Владивостоке и на Дальнем Востоке ситуация уникальная. Пока московские конкуренты спешат поставить галочку «мы внедрили ИИ», можно построить системный подход, который будет давать стабильный результат, а не точечную экономию.
Начните с бесплатного AI-аудита. Разберём ваши процессы, найдём точки, где AI-агенты дадут наибольший эффект, и подскажем, какую архитектуру выбрать. Не для того чтобы «внедрить ИИ», а чтобы решить конкретную бизнес-задачу.