Слово «агент» за последние пару лет обросло обещаниями быстрее, чем практикой. Ниже — разделение на три части: что в этой конструкции устроено понятно, что из неё действительно работает в маркетинговых задачах и какие утверждения рынка не подтверждены ничем, кроме демонстраций.
Что делает агента агентом
Одно свойство: модель не просто отвечает текстом, а вызывает инструменты и выбирает следующий шаг по результату вызова.
Обычный запрос — это один проход. Вы дали текст, получили текст, дальше решаете сами. В агентной схеме между заданием и ответом происходит цикл: модель формулирует, что нужно сделать, вызывает внешнее действие — запрос к данным, поиск, запись файла, обращение к сервису, — получает результат и решает, продолжать или заканчивать. Цикл повторяется, пока задача не признана выполненной.
Из этого следует всё остальное. Появляется способность довести многошаговую задачу до конца без человека на каждом шаге. Появляется и главный риск: действие в отличие от текста имеет последствия, а ошибка в середине цепочки не отменяется тем, что вы её потом заметили.
Модель внутри цикла остаётся той же самой и работает по тем же правилам, что описаны в разборе устройства языковых моделей. Она не приобретает намерений и не понимает цели — она подбирает правдоподобное следующее действие ровно так же, как подбирает следующее слово.
Надёжность падает с длиной цепочки
Это арифметическое свойство любой последовательности, а не особенность конкретной системы.
Пусть каждый отдельный шаг выполняется успешно в девяти случаях из десяти — само по себе неплохо. Цепочка из десяти таких шагов проходит целиком примерно в трети случаев: доли перемножаются, а не усредняются. Числа здесь условные и взяты для демонстрации механики; замером они не являются. Важен вывод, который от конкретных чисел не зависит: удлинение цепочки ухудшает результат быстрее, чем улучшение отдельного шага его исправляет.
Второе следствие менее очевидно. Ошибка на раннем шаге не остаётся ошибкой одного шага — она становится входными данными для остальных. Агент, неверно понявший задачу вначале, дальше добросовестно и последовательно делает не то, причём результат выглядит связным, потому что каждый следующий шаг согласован с предыдущим. Такой прогон труднее заметить, чем прогон, оборвавшийся с ошибкой.
Практический вывод один: резать длинные цепочки на отрезки с проверяемым результатом на стыках. Не «собери отчёт и разошли», а «собери — покажи — разошли по подтверждению». Точка контроля дороже одного лишнего шага и дешевле разбора последствий.
Где это работает в маркетинге
Разделительный признак простой: результат проверяется машиной или человеку придётся читать всё.
| Задача | Что агент делает сам | Что нельзя отдать |
|---|---|---|
| Сбор данных из разных систем | Обход источников, приведение к единому формату, сверка расхождений | Решение, какому источнику верить при расхождении |
| Регулярная проверка сайта | Обход страниц, поиск отклонений от заданных правил, список находок | Приоритет исправлений и оценку последствий |
| Разбор выгрузок | Очистка, группировка, поиск строк, выпадающих из диапазона | Интерпретацию причины и вывод для бюджета |
| Подготовка черновиков | Сборка структуры по заданному шаблону и данным | Утверждения о фактах и любой текст в публикацию без правки |
| Мониторинг упоминаний | Регулярный обход площадок, отбор новых упоминаний по правилам | Оценку тональности спорных случаев и решение об ответе |
| Ответы по внутренней базе | Поиск фрагмента и формулировку ответа со ссылкой | Разрешение противоречий между документами |
Общее в правой колонке — там, где нужен выбор между версиями и ответственность за последствия, автоматизация останавливается. Не из осторожности: агент такой выбор сделает, просто основания для него взять неоткуда, и он подберёт правдоподобное.
Отдельно про сбор данных. Это самая честная область применения, потому что результат сверяется с источником механически. Разбор того, какие величины вообще снимаются, а какие только оцениваются, есть в материале про учёт трафика из нейросетей; агент здесь ускоряет сбор и ничего не добавляет к точности.
Что из обещаний не подтверждено
Здесь важно разделить «пока не работает» и «не подтверждено» — второе означает, что проверяемых оснований нет ни за, ни против.
Автономная работа без надзора. Демонстрируется на подобранных задачах с чистыми данными. Публичных замеров на длинных рабочих процессах с грязными входными данными нет, а арифметика цепочки из предыдущего раздела играет против. Принимать демонстрацию за характеристику нельзя по той же причине, по которой скриншот удачного месяца не описывает канал.
Сокращение команды. Утверждение встречается в презентациях и не встречается в проверяемом виде. Наблюдаемое смещение другое: время переносится с выполнения на проверку, и совокупная экономия зависит от того, сколько стоит проверка в конкретном процессе. Пока эта величина не измерена у вас, любые обещания о сокращении — чужая арифметика.
Мультиагентные схемы решают сложное лучше. Несколько агентов, распределивших роли, выглядят убедительно и добавляют ещё один слой, где накапливается ошибка: теперь неверно понятая задача передаётся между участниками как факт. Что это устроено лучше одного хорошо поставленного прохода — не показано.
Агент найдёт инсайт в ваших данных. Он найдёт отклонение, что не то же самое. Отличить содержательное отклонение от артефакта разметки или сезонности можно, только зная предмет; ровно этот разрыв разобран в материале про инструменты веб-аналитики.
Экономия времени очевидна и не требует замера. Она требует замера ровно так же, как любая другая гипотеза, и проверяется тем же способом — сравнением с контрольным вариантом, а не ощущением. Механика в разборе проверки гипотез.
Что действительно подтверждается практикой — автоматизация с обратной связью по деньгам, существовавшая до нынешней волны. Стратегии назначения ставок работают именно потому, что у них есть измеримый критерий и понятная ответственность за результат. Надстройка на языковой модели такого критерия не приносит, и это главное различие между двумя видами автоматизации.
Агент отработал до конца, но сделал не то, что просили. Задача понята неверно на первом шаге, дальше всё согласовано с этим пониманием. Требовать пересказ задачи своими словами до начала работы — по тем же правилам, что для постановки задачи модели, и сверять пересказ, а не результат.
Результат выглядит правдоподобно, но числа не сходятся с источником. Где-то в цепочке данные достроены вместо того, чтобы быть взятыми. Требовать в выводе ссылку на конкретную строку источника и проверять выборочно; правдоподобное число — самая дешёвая часть ответа, как разобрано в материале про галлюцинации моделей.
На демонстрации работало, на рабочих данных ломается. Разница в чистоте входа, а не в модели. Прогонять на грязной выборке до внедрения и считать долю прогонов, потребовавших вмешательства, — это и есть честная оценка готовности.
Один и тот же запуск даёт разный результат. Нормальное свойство: выбор следующего шага не детерминирован. Задачи, где нужна воспроизводимость, автоматизируются обычным скриптом, а не агентом.
Границы применимости
Список того, где схема не подходит по устройству, а не по недоработке.
- Действия с необратимыми последствиями. Отправка, публикация, изменение бюджета, удаление. Здесь нужна не более умная модель, а подтверждение человеком.
- Задачи, требующие воспроизводимости. Отчёт, который должен собираться одинаково каждый месяц, пишется кодом. Вариативность агента здесь дефект, а не свойство.
- Работа без проверяемого критерия. Если нельзя сказать заранее, как выглядит правильный результат, оценить прогон нечем — и вы получаете правдоподобный текст вместо решения.
- Процессы с ценой ошибки выше выигрыша. Десять удачных прогонов не окупают один неудачный, если неудачный затрагивает клиента или деньги.
- Темы, где выборка данных вам не принадлежит. Агент не влияет на то, что о вас написано в открытых источниках, — это отдельная задача с четырьмя слоями видимости и своим темпом изменений.
- Ответы на редкие случаи. Как показывает замер 853 сгенерированных ответов, состав источников по одной теме широкий и меняется; строить автоматическое решение на том, что в подборку попадёт нужное, нельзя.
Общая черта — во всех шести случаях проблема не в качестве модели, и её улучшение положения не меняет.
Спорное место
Спорна осторожность самой этой позиции. Если считать проверяемые публичные замеры единственным основанием, то про быстро меняющуюся технологию нельзя сказать почти ничего — данные всегда отстают. Возможно, к моменту, когда появятся честные замеры длинных процессов, вопрос будет решён практикой тех, кто внедрял без них. Осторожность в таких условиях защищает от ошибки первого рода и не защищает от упущенной возможности.
Второе сомнение — про границу. Разделение «машина проверяет результат — можно отдать, человек читает всё — нельзя» удобно, но проходит не по задачам, а по тому, насколько хорошо задача описана. Многое из правой колонки таблицы попадает туда потому, что критерий приёмки не сформулирован, а не потому, что его нельзя сформулировать. Часть работы, которую сейчас считают неавтоматизируемой, на деле просто не описана — и это упрёк процессу, а не инструменту. Как выглядит описанная работа, видно в материалах про ChatGPT в задачах маркетолога и нейросети для текста: там, где критерий приёмки записан, разговор об автоматизации становится предметным.
Третье честнее назвать вслух. Наблюдения выше — про устройство, а не про рынок: они выводятся из механики цикла и арифметики цепочки. Утверждать по ним, что конкретный продукт не работает, нельзя; можно только требовать от продавца ту же проверку, которую вы применили бы к любому другому обещанию.
Частые вопросы
Чем агент отличается от чат-бота?
Можно ли поручить агенту вести рекламу?
Почему демонстрации выглядят убедительнее, чем работа на реальных задачах?
Сколько шагов агенту можно доверить подряд?
Заменяют ли агенты специалистов?