Конечная цель в гонке Agent — не тот, кто самый умный, а тот, кто даст возможность как можно большему числу людей владеть Agent.

Статья: Deep Think Circle

Вы когда-нибудь замечали странную вещь: каждый раз, когда вы просите ИИ помочь вам выполнить ту же самую работу, вам приходится учить его заново? Сегодня пусть он упорядочит данные, а завтра та же задача снова требует объяснения с нуля. ИИ ведь становится умнее, почему же мы все еще занимаемся повторяющимся трудом?

30 марта 2026 года один из продуктов AI-компании CREAO из Кремниевой долины предложил другой ответ. Как только продукт был выпущен, он в течение 5 часов подряд занимал лидирующие позиции в мировых трендах в Top 3 горячих запросов на платформе X, вызвав множество самопроизвольных обсуждений со стороны технологических авторов и разработчиков из Северной Америки, Европы, Юго-Восточной Азии, Латинской Америки и других регионов. После того как я глубоко изучил этот продукт, я обнаружил, что то, что они делают, не похоже ни на один AI Agent-продукт на рынке. Эта составная команда из США и Китая, собранная из топовых специалистов Кремниевой долины вроде Google и Meta, нашла путь, который все игнорировали.

Реальная проблема текущих AI Agent

Сначала я хочу четко назвать одну вещь: эта ниша AI Agent в 2025–2026 годах действительно взлетела. OpenClaw, Claude Code, Devin, а также отечественный DeepSeek — эти продукты позволили многим впервые реально начать пользоваться AI Agent. Но как только вы ими пользуетесь, возникают новые проблемы — и эта проблема гораздо серьезнее, чем кажется.

Я сам сталкивался с подобными сценариями. На прошлой неделе я попросил Claude Code написать для меня скрипт для сбора данных: потребовалось примерно двадцать минут диалога туда-сюда, настройка деталей — и в итоге он заработал. На этой неделе я хотел применить ту же логику, чтобы собрать данные с другого сайта. Теоретически нужно было изменить лишь пару параметров, но я обнаружил, что мне приходится снова открывать окно диалога, заново объяснять мои требования и снова уточнять детали. ИИ не помнит, как мы в прошлый раз взаимодействовали, поэтому ему приходится начинать с нуля. Этот опыт заставил меня осознать: ключевая проблема текущих AI Agent — не в нехватке способностей, а в том, что каждое использование — разовое: использовал — и все.

Еще сильнее меня беспокоит то, что эти мощные AI Agent часто «ищут себе работу». Я просто хотел, чтобы он помог мне собрать ценовые данные с трех сайтов и записать их в таблицу, но он начал анализировать ценовые тренды, генерировать визуализации и даже сам предложил подготовить отчет по анализу конкурентов. Эти функции звучат круто, но мне они совершенно не нужны. ИИ демонстрирует границы своих возможностей, а не фокусируется на решении моей конкретной задачи. Такая степень обобщения впечатляет в демо, но в реальном использовании она приносит огромную ментальную нагрузку: мне приходится тратить время, чтобы останавливать его делать то, что мне не нужно, и снова и снова подчеркивать, что мне нужен лишь самый простой сбор данных.

Еще одна большая проблема — соотношение цены и ценности. Когда вы поручаете универсальному AI Agent выполнить простую повторяющуюся задачу, каждый раз он должен заново понять ваш замысел, заново спланировать маршрут выполнения и заново вызывать различные инструменты. Этот процесс не только занимает время, но и, если вы используете API с оплатой по token, затраты быстро накапливаются. Я посчитал: если использовать Claude или GPT-4 для выполнения простого задания синхронизации данных, которое запускается ежедневно по расписанию, то ежемесячные расходы на API-вызовы могут оказаться даже выше, чем если бы я напрямую нанял стажера и он делал это вручную. Это вообще нерационально.

Я обсуждал эту проблему с некоторыми друзьями-разработчиками — у всех ощущения были очень схожими: способности AI Agent развиваются быстро, но удобство использования в какой-то степени деградирует. Раньше, когда мы использовали автоматизацию вроде Zapier или n8n, конфигурирование было хлопотным, но после настройки все работало стабильно, без необходимости постоянно вкладываться снова. Теперь с AI Agent настройка стала проще, но каждый раз приходится перенастраивать. Это не прогресс — это подмена одной сложности другой. Ключевое противоречие в том, что дело не в том, что обычные люди не могут пользоваться AI Agent, а в том, что им сложно пользоваться надежно: они не удерживаются, не могут превратить один удачный диалог в повторно используемую систему автоматизации.

Философия «укрощения» CREAO

Когда я впервые увидел демонстрацию продукта CREAO, моя первая реакция была: это именно то, что я все время искал. Они дали своему продукту очень интересный позиционирующий термин: Agent Harness, по-китайски это можно понимать как «укрощение Agent». Это слово точно описывает то, что они делают: не сделать ИИ сильнее, а «застолбить» и «укротить» способности ИИ, чтобы ими мог управлять обычный человек.

Ключевой опыт CREAO очень прямой. Вы описываете рабочий процесс естественным языком — например: «Каждый понедельник в 9 утра сканируй изменения цен на трех сайтах конкурентов, записывай в Google Sheets и, если отклонение превышает 10%, уведомляй меня в Slack». Система делает такие вещи: понимает ваш замысел, автоматически пишет код выполнения, подключает нужные вам инструменты (Gmail, Google Sheets, Slack, Feishu и т. д.; у них уже интегрировано более 300 платформ), а затем — самый важный шаг: вы можете одним кликом сохранить весь этот процесс как Agent, задать расписание запуска, и после этого он будет выполнять его автоматически в заданное время, без участия ИИ — полностью детерминированное выполнение.

Этот последний шаг — душа всего продукта. После окончания диалога система продолжает работать. Эта фраза звучит просто, но она решает проблему, которую весь отрасль систематически обходит. ChatGPT, Claude и другие диалоговые AI-продукты: стоит закрыть окно — и все исчезает. OpenClaw, Claude Code и подобные инструменты для разработчиков, хоть и могут выполнять сложные задачи, требуют от вас самостоятельного развертывания и обслуживания. То, что делает CREAO, — это сочетание гибкости ИИ и детерминизма традиционных инструментов автоматизации, чтобы один успешный AI-диалог можно было превратить в систему автоматизации, которая работает долго.

Мне особенно нравится, как они принимают технические решения. Многие продукты AI Agent стремятся сделать ИИ более умным, более универсальным и способным решать более сложные задачи. Путь, который выбрали в CREAO, прямо противоположный: они хотят, чтобы сгенерированный ИИ рабочий процесс мог работать независимо от ИИ. Это означает, что им нужно решить проблему детерминизма генерации кода: код, который генерирует ИИ, должен быть достаточно стабильным, чтобы продолжать выполняться без вмешательства ИИ. Им также нужно решить проблему стабильности оркестрации множества инструментов: когда рабочий процесс включает несколько платформ — Gmail, Sheets, Slack и т. п., — как гарантировать, что передача данных между ними не будет сбоить из-за формата. Все эти вопросы уже решены традиционными инструментами автоматизации, но в контексте AI Agent их нужно заново решать, потому что рабочий процесс больше не задается людьми вручную, а генерируется ИИ по естественному языку.

Я сам попробовал, и реальный опыт действительно отличается от других продуктов. Я описал естественным языком задачу: «Каждый день в 5 часов автоматически суммируй письма из моего Gmail, помеченные как важные, извлекай отправителя и тему, записывай это в таблицу Google Sheets; если есть письма от клиентов — @мне в чате Feishu». Весь процесс настройки занял меньше 5 минут. Я мог в реальном времени видеть, как CREAO генерирует код, тестирует соединения и проверяет логику. После завершения настройки я нажал кнопку «Сохранить как Agent», установил запуск каждый день в 5 часов — и больше не нужно было ни о чем заботиться. На следующий день в 5 часов я действительно получил уведомление в чате Feishu. Открыл Google Sheets — данные уже были структурированы по моим требованиям. Ключ этого опыта в том, что мне не нужно каждый день в 16:55 открывать диалог CREAO и снова описывать задачу. Это как «укрощенный» помощник: он знает, что должен делать каждый день, и просто делает это сам.

Встроенная нативная интеграция более чем с 300 платформами — еще одно важное преимущество продукта. Это означает, что в большинстве типичных сценариев рабочих процессов у CREAO уже готовы коннекторы, и пользователю не нужно самому искать документацию по API, настраивать авторизацию, разбираться с преобразованием форматов данных и подобными деталями уровня «ниже». Вы говорите «запиши данные в Google Sheets» — система уже знает, как это сделать. Вы говорите «отправь сообщение в Slack» — система тоже знает, как это сделать. Плавность этого опыта несопоставима с тем, когда вы пишете код или используете традиционные инструменты автоматизации. Я считаю, что именно так команда CREAO понимает потребительские продукты: снижать стоимость настройки, чтобы обычные люди могли быстро собирать собственные системы автоматизации.

Не делать самым сильным — сделать самым легко «укрощаемым»

В процессе исследования CREAO я постоянно думал: почему другие компании, делающие AI Agent, не выбрали этот путь? Потом я осознал, что здесь конкурируют две совершенно разные философии продукта.

Посмотрите на Claude Code от Anthropic или Devin от Cognition — их цель в том, чтобы создать самый мощный универсальный Agent. Эти продукты рассчитывают, что ИИ сможет понимать любые требования, выполнять любые задачи и даже принимать решения автономно без четких инструкций. Это путь «сделать Agent умнее». На этом пути ценность продукта обеспечивается способностью ИИ к обобщению: он может разбираться со множеством сложных проблем, принимать правильные решения в большом количестве неопределенностей и ближе всего имитировать рабочий стиль человеческого разработчика. Этот курс, конечно, имеет ценность, но он естественным образом ориентирован на разработчиков и профессиональных пользователей, потому что именно им нужна и под силу такая гибкость.

CREAO выбрал другой путь: не «самый сильный Agent», а «Agent, которого легче всего приручить/укротить обычному человеку». Ценность их продукта не в том, насколько умным является ИИ, а в том, насколько легко обычным пользователям закрепить возможности ИИ как свои собственные специализированные инструменты. В философии продукта CREAO хороший Agent — это не тот, кто умеет все, а тот, кто стабильно делает одну вещь и при этом может быть повторно использован. Именно эта «сходимость» — характеристика, которой больше всего не хватает потребительским продуктам.

Мне приходит в голову удачная аналогия. Универсальный AI Agent похож на всемогущего консультанта: вы можете обращаться к нему каждый раз, когда у вас есть вопрос. Он даст вам много советов, но вам каждый раз нужно объяснять контекст, описывать требования и обсуждать решения. CREAO создает обучаемого помощника: один раз научите его, как делать конкретную вещь — и дальше он сам будет регулярно выполнять ее без необходимости повторно направлять вас. Первый вариант показывает широту возможностей, второй — эффективность использования. Для обычных пользователей эффективность важнее, чем способности.

Эта разница философий продукта уже подтверждена рыночной реакцией. В день запуска CREAO более 50 ведущих технологических KOL по всему миру синхронно опубликовали материалы с глубоким описанием опыта, охватив рынки с разными языками — английским, испанским, португальским, корейским и т. д. Такая многоязычная самопроизвольная «виральность» встречается крайне редко: это говорит о том, что CREAO решает глобальную проблему, выходящую за рамки культур. Где бы вы ни находились — в Северной Америке, Европе, Юго-Восточной Азии или Латинской Америке — если вы обычный пользователь, которому нужно обрабатывать повторяющиеся рабочие процессы, вас притянет этот продукт. Рынок уже проголосовал ногами: людям нужен не более сильный ИИ, а ИИ, которым проще управлять.

Я также заметил интересное сопоставление. Если посмотреть на продукты, которые стремятся к универсальным Agent, их демонстрационные кейсы обычно звучат как «ИИ помог завершить сложную задачу разработки» или «ИИ самостоятельно проанализировал бизнес-проблему и предложил решение». Эти примеры потрясают, но их трудно повторить. Обычные пользователи после просмотра часто думают: «Вау, как круто», но не понимают, как применить это к своей работе. А сценарии использования CREAO очень конкретны: мониторинг цен конкурентов, синхронизация данных в таблицы, отправка отчетов по расписанию, сортировка писем, управление задачами. Это то, чем каждый человек занимается каждый день, просто теперь это можно автоматизировать. Такая разница в позиционировании продукта и объясняет, почему у CREAO естественно более широкий круг пользователей.

Между диалоговыми AI и традиционными системами автоматизации CREAO нашел удачный баланс. Он сохраняет простоту диалогового AI — вам не нужно учить программирование или разбираться в сложных интерфейсах конфигурации, достаточно естественным языком выразить запрос. Он также унаследовал надежность систем автоматизации: после настройки он выполняет задачи детерминированно и не выдает неожиданных результатов из-за случайности ИИ. Такой баланс очень редок, потому что большинство продуктов «качает» между двумя крайностями: либо слишком гибкие — и тогда нестабильные, либо слишком фиксированные — и тогда недостаточно умные. CREAO позволяет пользователям наслаждаться гибкостью ИИ на этапе настройки и детерминизмом автоматизации на этапе работы.

Прозрение продуктовой команды из Кремниевой долины

Мне любопытно, какая именно команда может создать такой продукт. После более глубокого знакомства я узнал: штаб-квартира CREAO находится в Кремниевой долине в США. В ядро команды входят китайские AI-элиты, приехавшие из топовых компаний Кремниевой долины вроде Google и Meta, а также технические костяки из отечественных стартапов крупных языковых моделей и звездных интернет-компаний. Это действительно межкультурная команда «США–Китай» в прямом смысле.

Я считаю, что этот бэкграунд очень важен. Инженеры, выросшие в больших компаниях Кремниевой долины, глубоко понимают базовые технологии и знают, как строить стабильные и надежные системы. А продуктовые менеджеры и инженеры отечественных интернет- и AI-компаний обладают сильной чувствительностью к опыту пользователей уровня C, понимают, какие проектные решения реально снижают барьер входа. Сочетание этих «генов» и позволило CREAO стать проектом, в котором есть и техническая глубина, и продуктовая «температура».

Насколько мне известно, команда CREAO потратила месяцы, чтобы специально решить одну проблему: как сделать так, чтобы вывод ИИ продолжал «жить» даже после окончания диалога. Проблема вроде бы простая, но за ней стоит множество технических вызовов. Код, который генерирует ИИ, по природе содержит случайность: даже при одинаковом описании требований два раза сгенерированный код может полностью отличаться. Как гарантировать, что эти коды достаточно стабильны и могут продолжать работать без вмешательства человека? Как обрабатывать исключения — если какой-то API-вызов не удался, система должна повторять, деградировать функциональность или уведомлять пользователя? Как гарантировать, что передача данных между несколькими инструментами не прервется из-за проблем с форматом? Все эти инженерные задачи — то, что традиционные системы автоматизации уже решали за последние десятилетия. Но в сценарии AI Agent эти вопросы приходится переосмысливать и решать заново, потому что способ генерации рабочих процессов изменился.

Особенно меня впечатляет, что команда CREAO не выбрала самый простой подход. Они могли бы, как многие AI-продукты, сохранить сгенерированный рабочий процесс и давать пользователю запускать его вручную каждый раз. Тогда техническая сложность была бы намного ниже, но качество пользовательского опыта сильно упало бы. CREAO выбрал настоящую автоматизацию: запуск по расписанию, автономное выполнение, обработка исключений, запись логов — все стандартные функции традиционных систем автоматизации есть в CREAO, и реализованы они на основе рабочих процессов, сгенерированных ИИ. Чтобы находить точный баланс между гибкостью ИИ и стабильностью системы, требуется большой объем инженерного накопления и доводки продукта.

Еще один момент, который произвел на меня впечатление: базовая архитектура, механизм выполнения и интеграционный протокол в CREAO полностью разработаны ими самими. В текущей среде AI-стартапов многие компании выбирают быстрый «шаблон»: берут API OpenAI или Anthropic, добавляют фронтенд — и можно выпускать продукт. Такой путь позволяет быстро проверить рынок, но сложно построить настоящую технологическую стену. Команда CREAO пошла по более сложному пути: они начали с «низов», чтобы гарантировать контроль над каждой частью системы. Такие технологические вложения, возможно, не сразу видны в краткосрочной перспективе, но в долгосрочной — это единственный способ построить конкурентные барьеры.

Стоит также отметить, что CREAO уже в течение года завершил три раунда финансирования на суммы свыше десятков миллионов долларов США каждый раз, и после запуска продукта привлек широкое внимание со стороны финансового рынка. Это показывает, что инвесторы тоже увидели ценность направления: на рынке AI Agent не выигрывает тот, у кого самая большая модель, и не тот, у кого самый умный Agent. Выигрывает тот, кто реально превращает возможности ИИ в продукт, которым могут пользоваться обычные люди, и тот, кто сможет занять высшую позицию на рынке.

Финальная развилка в нише Agent

После того как я изучил CREAO, у меня появилось несколько новых мыслей о нише AI Agent. Я считаю, что финал этой гонки — не в том, у кого самый умный Agent, а в том, у скольких людей появится свой Agent. Это фундаментальный сдвиг понимания.

За последние два года весь отрасль «соревновалась» в мощности моделей, в Agent-фреймворках и в инструментах для разработчиков. Все сравнивали, кто способен заставить ИИ решать более сложные задачи, и кто при меньшем числе вмешательств человека может добиться большей автономности. Эта логика конкуренции имеет спрос в техническом сообществе, потому что она соответствует вкусу инженеров — стремление к пределу, вызов границ, прорыв невозможного. Но с точки зрения бизнеса и продукта это может быть не самая важная линия фронта. Самое важное заключается в другом: как снизить порог использования, как повысить повторное использование, как дать обычным людям ощутить рост эффективности от AI Agent.

Путь, который олицетворяет CREAO, по сути заключается в том, чтобы «снизить порог укрощения», а не «повышать универсальные способности». Эти направления не противоречат друг другу — они обслуживают разные рынки. Разработчикам и профессиональным пользователям действительно нужны более сильные универсальные Agent, потому что их требования сами по себе сложны и непостоянны. Но для обычных людей, которые составляют более 90% пользователей, нужны не «всеядные» помощники, которые могут все, но каждый раз требуют заново объяснять, а специальные Agent, которые стабильно решают конкретные задачи. Именно на эти 90% рынка нацелен CREAO.

Я особенно согласен с одним тезисом: повторяемость (reusability) — это следующая линия фронта для потребительского AI. Сейчас почти все AI-продукты на рынке — будь то ChatGPT, Claude или различные инструменты Agent — по сути разовые: пользователь задает вопрос, ИИ дает ответ, а ценность этого диалога заканчивается. Даже если ИИ дает отличное решение, когда вы сталкиваетесь с похожей проблемой снова, пользователю все равно приходится заново задавать вопрос, заново ждать и заново проверять. В такой модели ценность ИИ растет линейно: пользователь делает 10 раз или 100 раз — в сумме полученная ценность просто складывается. А если вывод ИИ можно повторно использовать — например, после одной настройки он продолжает работать постоянно — ценность растет экспоненциально: один раз настроил — используешь сто раз, и при каждом новом применении не нужно вкладываться заново. CREAO как раз и превращает разовое потребление в повторно используемый актив.

Мне это напоминает классический сдвиг в софтверной индустрии. Раньше разработка ПО: каждый функционал нужно было писать с нуля. Потом появились библиотеки функций, фреймворки, компоненты — разработчики могли повторно использовать чужой код, и эффективность резко выросла. Затем появились платформы low-code/no-code, и даже люди, не умеющие программировать, смогли собирать приложения. Эволюционный путь AI Agent может быть похожим: сначала каждый диалог нужно начинать с нуля, затем появятся Agent, которые можно сохранять и повторно использовать, а позже может возникнуть рынок Agent, где люди будут делиться и обмениваться укрощенными Agent. То, что делает CREAO сейчас, — это ключевой скачок от первого этапа ко второму.

Мое предположение такое: AI Agent разделится на несколько разных форм продуктов, каждая будет обслуживать свою аудиторию и сценарии использования. Появятся Agent, ориентированные на максимально универсальные возможности, для разработчиков и профессиональных пользователей; появятся Agent, сфокусированные на конкретных вертикальных областях — например, право, медицина, финансы; и появятся платформы Agent уровня CREAO, сфокусированные на потребительской автоматизации. Эти направления не конкурируют напрямую — они сосуществуют и вместе формируют полноценную экосистему AI Agent. И в этой экосистеме потребительский сегмент, выбранный CREAO, может оказаться самым большим по числу пользователей и с самым широким коммерческим потенциалом.

От «самого сильного Agent» к «Agent для тех, у кого больше всего людей» — это не только смена позиционирования продукта, но и переопределение ценности AI. Ценность AI не должна проявляться лишь в том, что он справляется с самыми сложными задачами. Она должна измеряться тем, сколько людей он помогает повысить эффективность, решать проблемы и улучшать жизнь. Продукт такого типа, как CREAO, показывает мне возможность того, что AI действительно идет к массовой аудитории. Когда у каждого появляется свой персональный Agent и можно автоматически разбирать повторяющиеся, рутинные и отнимающие время задачи в повседневной работе, AI по-настоящему выполняет свою миссию — не заменить людей, а освободить человека от механического труда, чтобы он мог заниматься более творческими и более ценными делами.