За последние две недели в мире AI случилось четыре события, которые вместе рисуют чёткую картину. DeepSeek выложила open-source-фреймворк, ускоряющий работу моделей на 85%. OpenAI выпустила GPT-5.6 - самую мощную модель в истории компании. Workday запустила Sana - агентскую систему, которая упирается не в возможности модели, а в права доступа. И Памела Паркер из MarTech посчитала, во сколько на самом деле обходятся AI-агенты. Каждое из этих событий по отдельности - просто новость. Вместе они показывают три реальных барьера, о которые спотыкается любой бизнес, пытающийся внедрить AI-агентов в работу.

Барьер первый: токены съедают бюджет

Памела Паркер из MarTech привела простой расчет. Типичный агентный пайплайн: поиск 200 результатов по ключевым словам, их суммаризация, генерация пяти вариантов заголовков. Это 4-5 тысяч токенов за один прогон. За месяц работы - больше 100 тысяч токенов. Этого хватает, чтобы сжечь подписку за 20 долларов задолго до конца месяца.

Проблема в архитектуре. AI-агенты передают всю историю задачи, свои рассуждения и внешние данные обратно в модель на каждом шаге цикла. Каждый вызов инструмента, каждый файл, каждый поиск в интернете - это новые токены. Как отмечают Скотт Бринкер и Франс Римерсма в отчёте State of Martech 2026, больше входных данных автоматически не означает лучший результат - но вы всё равно за это платите.

Решение, которое предлагает автор, не в том, чтобы меньше пользоваться AI. А в том, чтобы держать данные под контролем и отправлять модели только то, что действительно нужно. Простая фильтрация ключевыми словами или векторный поиск на порядки дешевле вызова LLM. Когда пайплайн собирает 500 твитов о бренде, фильтр выбирает 10 самых релевантных и отправляет в модель только их.

Цифры

Один агентный пайплайн в день - 4-5 тыс. токенов. Месяц работы - 100+ тыс. токенов. Подписка за 20 долларов заканчивается на второй неделе. Выход: предварительная фильтрация и, для некоторых сценариев, хранение данных под своим контролем.

Барьер второй: правительство решает, кому давать модели

В конце июня OpenAI выпустила GPT-5.6 в трёх вариантах: Sol (самая мощная), Terra (сбалансированная) и Luna (быстрая и дешёвая). Но важнее характеристик то, как проходил запуск. Решение о том, кому давать модель, принимал не OpenAI. Запрос пришёл из двух офисов Белого дома: Управления национального кибер-директора и Управления научно-технической политики. Министр торговли Говард Лютник лично обсуждал модель с Сэмом Альтманом до запуска. Суть: не выпускайте широко. Ограничьтесь небольшой группой доверенных партнёров.

OpenAI согласилась. Anthropic заблокировала Claude Fable 5 и Mythos 5 по тому же запросу. Две ведущие AI-лаборатории выпустили свои мощнейшие модели только по списку, утверждённому правительством. Закона, который это разрешает, не существует. Указ президента Трампа от начала июня предлагал AI-компаниям добровольно показывать модели за 30 дней до релиза. Ключевое слово - добровольно. На практике решение о запуске GPT-5.6 ушло из рук OpenAI полностью.

Самые мощные модели в мире теперь распространяются через госфильтр, клиент за клиентом, без закона, который определяет, когда агентство может это делать, по какому стандарту и как компания может обжаловать решение.

Для бизнеса это означает одно: если вы строите продукт на frontier-моделях, закладывайте fallback-опции. Доступ к самой мощной модели может измениться в любой момент. Open-source модели и мультивендорная архитектура становятся не роскошью, а необходимостью. Для компаний во Владивостоке и на Дальнем Востоке это дополнительный аргумент в пользу локальной инфраструктуры и собственных AI-решений.

Барьер третий: права доступа - узкое горлышко enterprise

Третья проблема, пожалуй, самая неочевидная и самая коварная. Корпоративные AI-агенты упираются не в мощность модели, а в разрешения. Каждый агентский workflow рано или поздно сталкивается с вопросом: что этому агенту можно трогать, от чьего имени и как система это вообще проверяет.

Workday запустил Sana - агентскую систему, которая размещает права доступа прямо в системе записи. Геррит Казмайер, президент по продуктам и технологиям Workday, объясняет: клиенты постоянно спотыкаются, когда пытаются склеивать решения для своих агентов из кусков. Sana гарантирует, что целостность согласований и модель безопасности всегда соблюдаются. Если ваши разрешения определены где-то за пределами того места, где реально живут данные - вы уже проиграли.

Проблема особенно остра для HR и финансов. Подумайте о начислении зарплаты или закрытии периода. Ошибка здесь - не баг, а реальные деньги и люди. Почти правильно - неприемлемо. И в отличие от большинства генеративных AI-выходов, у HR- и финансовых запросов часто нет контура обратной связи. К тому моменту, когда зарплата ушла не туда, ущерб уже нанесён.

Проблема AI-агентов в enterprise - не в том, что модель недостаточно умная. Модели уже достаточно умные. Проблема в том, что агент не знает, что ему можно делать, а систему контроля доступа для агентов никто толком не строил.

Workday Sana - одна из первых попыток закрыть этот пробел. Но для большинства компаний этой инфраструктуры пока нет. И это тормозит внедрение AI-агентов сильнее, чем любые ограничения моделей.

Есть и хорошие новости: open-source делает AI дешевле

Тем временем DeepSeek снова показала, что есть и другой путь. DSpark - их новый open-source фреймворк для спекулятивного декодинга, ускоряет генерацию токенов на 60-85% без изменения самой модели. DSpark использует маленькую лёгкую модель-черновик, которая предлагает несколько вероятных следующих токенов, а большая модель проверяет догадки пачкой - параллельно. Система решает одну из самых дорогих проблем развёртывания AI: обслуживать большие модели достаточно быстро для реальных пользователей, расходуя оборудование эффективно.

DeepSeek опубликовала всё под MIT-лицензией. DSpark совместим не только с собственными моделями DeepSeek, но и с Qwen, Gemma и другими open-source моделями. Главный урок DSpark: следующая волна прироста производительности AI придёт не от более крупных моделей, а от более умных способов запускать те, что уже есть.

Что меняет DSpark

V4-Flash: +60-85% к скорости генерации, +51% совокупной пропускной способности. V4-Pro: +57-78% к скорости, +52% пропускной способности. Лицензия MIT - можно использовать в коммерческих продуктах. Протестирован на Qwen и Gemma. Офлайн-тесты показали улучшение на 26-30% по сравнению с Eagle3.

Что это значит для бизнеса

Четыре новости за две недели показывают: AI-агенты реально работают, но их внедрение упирается в три конкретных ограничения. Токены дорожают - но это решается правильной архитектурой и предварительной фильтрацией. Модели уходят под госконтроль - но это решается open-source-стратегией и мультивендорным подходом. Права доступа для агентов никто не построил - но Workday, Google и другие уже начали.

Для бизнеса во Владивостоке и на Дальнем Востоке тренд прозрачен: порог входа в AI снижается, но подход должен быть системным. Готовых решений «под ключ» для AI-агентов в enterprise пока нет - их приходится собирать. Те компании, которые начнут строить свою AI-инфраструктуру сейчас, а не покупать подписки, окажутся в выигрыше через год.

Open-source-инструменты вроде DSpark, Hermes Agent, LangChain и CrewAI позволяют держать контекст под контролем. Модель остаётся гостем в вашей системе, а не хозяином. Вы платите за вычисления, а не за каждый чих. Внедрение искусственного интеллекта в бизнес-процессы становится доступнее - главное, делать это с умом.