Гонка генеративного ИИ сменила дистанцию. Ещё недавно индустрия сверяла модели по размеру и строчкам в таблицах бенчмарков, а теперь главный спор звучит иначе: кто лучше управляет роем агентов? Рой — это сотни полуавтономных программ, у каждой своя задача, свои инструменты и своя память. Фреймворки для оркестрации таких роёв плодятся не по дням, а по часам, консольные помощники для разработчиков — как грибы после дождя. Вывод простой: модели стремительно превращаются в коммодити, а ценность утекает на уровень выше — туда, где рулят инструменты, память и диспетчеризация.
Харнесом, или обвязкой, называют всё, что окружает модель: инструменты, к которым она может тянуться, память о предыдущих шагах, правила планирования, механизмы проверки и починки собственных ошибок. Сама по себе языковая модель — генератор текста. Агентом её делает именно обвязка.
Разница между «голой» моделью и хорошим харнесом колоссальна, и бенчмарки это давно зафиксировали. Возьмём автоматическое программирование и SWE-bench: один и тот же чекпоинт с разной обвязкой выдаёт результаты, расходящиеся порой в разы. Агент, который умеет сам запускать тесты, читать логи и откатывать неудачные правки, добирается до задач, куда модель с примитивным скелетом просто не доживает. По ряду наблюдений, уверенные выступления моделей в агентных рейтингах отчасти объясняются тем, что под них затачивали исполнение — инструменты и сценарии работы, а не только веса.
Индустрия выводы сделала. Пограничные модели разных лабораторий, судя по публичным сравнениям, сближаются по качеству и взаимозаменяемы через API — дифференцировать продукт размером весов всё труднее. А вот качество оркестрации скопировать сложно: это годы инженерных итераций на реальных задачах.
Харнес устроен слоями. Первый — инструменты: коннекторы к файлам, браузеру, базам данных, корпоративным API. Здесь всё решает стандарт. Протокол MCP от Anthropic стал фактическим интерфейсом «модель — инструменты», Google в ответ продвигает A2A — протокол обмена между самими агентами. Чем больше готовых коннекторов, тем дешевле собрать агента под новую задачу. Обычная арифметика.
Второй слой — память и управление контекстом. Окно внимания у модели не резиновое, и харнес решает, что подать ей прямо сейчас, что сжать, а что выгрузить во внешнее хранилище. В длинных задачах грамотная компоновка контекста влияет на результат сильнее, чем выбор между соседними по классу моделями.
Третий слой — диспетчеризация. Паттерны «планировщик и исполнители», отдельный агент-критик, параллельные рои для перебора гипотез — всё это уже реализовано во фреймворках вроде AutoGen от Microsoft, LangGraph, CrewAI и Agents SDK от OpenAI. Рядом — песочницы для безопасного запуска кода, повторные попытки, лимиты, аудит действий. Именно тут и роится та самая тысяча агентов: кто-то должен раздавать им задачи, следить за бюджетом и собирать результат.
Самый наглядный индикатор сдвига — расцвет консольных агентов: Claude Code от Anthropic, Codex CLI от OpenAI, Gemini CLI от Google, плюс открытые Aider и OpenHands. На первый взгляд странно: зачем флагманам индустрии интерфейс уровня восьмидесятых? Ответ сугубо практичный. Терминал — это прямой доступ к файлам, сборке, тестам и скриптам, то есть готовая среда инструментов, которую не надо строить с нуля. Неудивительно, что консольных агентов, по имеющимся данным, пробуют ставить и в CI-конвейеры — там они способны долго работать без человека за клавиатурой.
С бизнес-логикой можно рассуждать так: ценность сидит не в самом клиенте, а в том, что он вызывает — в правах доступа, правилах запуска, интеграциях и памяти между сессиями. Обвязка становится продуктом, а интерфейс — лишь её витриной.
В России та же логика работает с поправкой на суверенность. Сбер развивает GigaChat и продуктовую обвязку вокруг него: ассистент для разработчиков GigaCode встраивается в IDE и забирает рутину кодинга, а библиотека GigaChain — адаптация популярного опенсорсного LangChain — позволяет собирать цепочки и агентные сценарии на отечественной модели. Яндекс тянет свой стек: YandexGPT доступен через облако и AI Studio, а Алиса потихоньку перерастает роль голосового помощника и становится поверхностью для агентных сценариев.
Специфика у рынка своя. Корпорации требуют установку внутри периметра: банкам, ритейлу и промышленности положено локализовать персональные данные, поэтому агентные платформы меряются не только качеством модели, но и умением развернуться on-premise. Ограничения тоже известны: дефицит дорогих ускорителей толкает к открытым весам и экономным схемам, а готовых коннекторов, по ряду оценок, пока меньше, чем на Западе.
Но перспектива заманчивая. Интеграционный слой — чистая софтверная инженерия: передовые GPU не нужны, зато нужны опытные разработчики и знание отраслевых процессов. У российских команд есть шанс строить не «свою GPT», а своих диспетчеров — от документооборота до поддержки клиентов и кода.
Сдвиг от гонки моделей к гонке обвязки — признак того, что индустрия повзрослела: базовый ресурс стал общедоступным, и конкуренция ушла туда, где рождаются продукты. Модель сегодня можно заменить за день, харнес — за годы; поэтому рвы копают вокруг инструментов, памяти и оркестрации. Пользователям это сулит следующее: очередной скачок полезности ИИ придёт не с новой версией любимой нейросети, а с новым слоем обвязки, который научит сотни агентов работать слаженно. А следить стоит за протоколами и фреймворками — именно они решат, кто окажется диспетчером в мире тысячи агентов.