Новый обзорный доклад от исследователей Tencent и ряда китайских университетов чётко формулирует то, о чём многие уже догадывались: нынешние AI-системы застряли в режиме ответов. Настоящим коллегой ИИ станет только тогда, когда научится выполнять задачи целиком — в постоянной рабочей среде, с памятью о предыдущих шагах и набором переиспользуемых навыков. Пока до этого далеко.
Контекст
Последние три года рынок был сфокусирован на качестве ответов: насколько умно модель рассуждает, насколько точно воспроизводит знания, насколько хорошо кодирует. ChatGPT, Claude, Gemini — все стали отличными собеседниками. Но собеседник и коллега — принципиально разные роли.
Коллега помнит контекст прошлой недели. Начинает там, где остановился. Знает, какие файлы создал и какие задачи уже закрыты. У него есть отработанные приёмы для типовых ситуаций. Он не говорит «вот как можно сделать» — он делает. Именно это разделение авторы доклада обозначают как переход от chatbot к digital colleague.
Агентные системы обсуждают уже несколько лет: AutoGPT, LangGraph, OpenAI Assistants, агентный режим Claude — индустрия давно ищет решение. Но нынешние реализации хрупки: агент справляется с цепочкой шагов в идеальных условиях и ломается при первой неожиданности. Доклад указывает на два системных дефицита: отсутствие постоянных рабочих пространств (persistent workspaces) и отсутствие переиспользуемых навыков (reusable skills). Без них AI — умный ассистент на один разговор, но не коллега.
Аналитика
Разница между «ответить» и «доделать» — не вопрос удобства. Это архитектурная проблема. Когда LLM отвечает на вопрос, он работает в вакууме: каждый запрос с чистого листа, без истории, без доступа к рабочей среде. Реальная работа устроена иначе: задача растянута во времени, зависит от предыдущих шагов, требует общих ресурсов, и её нужно завершить, а не прокомментировать.
Persistent workspace — это рабочий стол, который не очищается после каждого разговора. Агент знает, что сделал вчера, какие договорённости есть с клиентом, где остановился в проекте. Reusable skills — это функция в программировании: однажды освоенная последовательность шагов, воспроизводимая без повторного инструктирования. Комбинация двух этих элементов и есть то, чего не хватает текущим системам, чтобы стать полноценными участниками рабочего процесса.
Для AI-first компаний это сигнал: гонка за более умной моделью скоро уступит место гонке за лучшей агентной архитектурой. MCP (Model Context Protocol) от Anthropic, Projects в Claude, computer-use API — всё это признаки того, что индустрия движется именно туда. Тот, кто первым построит надёжную инфраструктуру для долгосрочных задач — память, инструменты, оркестрация — получит конкурентное преимущество, которое моделью уже не отыграть.
Кейсы применения в бизнесе
B2B-SaaS стартап: Онбординг клиента — типичная задача из 15+ шагов: welcome-письмо, настройка аккаунта, интеграции, обучение, first check-in. Сейчас это делает менеджер. Агент с persistent workspace ведёт этот процесс самостоятельно: помнит, на каком шаге каждый клиент, инициирует следующий, эскалирует человеку только нестандартные случаи. Без постоянной памяти это невозможно — агент каждый раз начинает с нуля и не понимает, что уже сделано.
Корпорация с legacy-системами: Финансовый отдел тратит часы на сбор данных из разных источников для ежемесячного отчёта. Агент, интегрированный в рабочую среду через MCP или RPA-слой, осваивает этот процесс как reusable skill — воспроизводит каждый месяц без повторного инструктирования, адаптируясь к изменениям в структуре данных. Это не автоматизация скрипта — это агент, который понимает, зачем он это делает.
SMB и локальный бизнес в КР/СНГ: Небольшая компания, где один человек закрывает 5 ролей. Агент с памятью о переговорах с клиентами, способный сформировать КП по шаблону, отправить напоминание, обновить таблицу — это реальная разгрузка. Для рынка Кыргызстана и СНГ особенно актуально: бюджета на отдельную CRM-команду нет, а один AI-коллега при грамотной настройке закрывает этот разрыв уже сейчас.
Кейсы в личной жизни
Разработчик: AI помогает написать функцию, но разработчик сам гоняет тесты, читает ошибки, правит, деплоит. Агент с постоянным контекстом проекта и набором навыков — запустить тесты, проверить линтер, прочитать логи — мог бы замкнуть цикл. Результат: в разы меньше ручных переключений контекста и потерянного времени на «объяснение» ситуации с нуля при каждом новом сеансе.
Контент-мейкер: Сценарий → исследование → черновик → правки → публикация. Сейчас каждый шаг — отдельный разговор с AI, и между ними теряется контекст. Агент, ведущий весь пайплайн в рамках одного persistent-проекта, перестаёт быть фантастикой: инструменты вроде Claude Projects или связки n8n с LLM уже дают приближение к этому сценарию.
Фрилансер: Управление несколькими параллельными проектами — постоянная головная боль: что кому обещал, на каком этапе, когда follow-up. Агент-ассистент с постоянной памятью по каждому клиенту превращается в персонального PM. Не «напомни мне написать» — а «напиши follow-up сам, если три дня не было ответа от клиента».
Как применить сегодня
- Переключись с разовых запросов на Projects в Claude — первый шаг к persistent workspace: агент помнит документы, контекст и предыдущие решения между сессиями.
- Декомпозируй любую повторяющуюся задачу в чёткую последовательность шагов и зафикси в системном промпте. Это reusable skill в ручном исполнении — пока агенты не научились строить их сами.
- Ставь AI полную задачу, а не вопрос: не «как написать КП», а «напиши КП для клиента X по этому шаблону». Разница в постановке напрямую влияет на качество результата.
- Изучи MCP (Model Context Protocol) — стандарт для подключения агентов к реальным рабочим средам: файлам, базам данных, API. Это инфраструктура для persistent workspace, доступная уже сейчас.
- Если строишь продукт — включи в архитектуру thread memory или vector store для пользовательского контекста. Агент без памяти — это более умный поиск, а не коллега.