ИИ-агенты позволяют одному человеку вести исследования, выпускать материалы, работать с кодом, анализировать данные и поддерживать несколько процессов одновременно. Однако количество запущенных агентов ещё не превращает человека в компанию. Реальная граница проходит там, где один владелец перестаёт справляться с постановкой задач, проверкой результатов, полномочиями и ответственностью.
Это часть серии «ИИ-компания», в которой я разбираю, как ИИ-агенты меняют ответственность, роли, процессы, экономику и границы человеческого контроля.
Соблазнительная картина
Представьте компанию из одного человека. У неё нет штата, отделов и постоянных исполнителей. Вместо них работают ИИ-агенты: один исследует рынок, другой готовит материалы, третий пишет код, четвёртый проверяет факты, пятый следит за задачами.
Они действуют параллельно и за несколько часов могут подготовить объём работы, для которого прежде понадобилась бы команда. Возникает ощущение, что компания уже существует: человек задаёт направление, рой исполняет.
Однако созданные тексты, исследования, таблицы и код сами по себе ещё не являются полезными результатами. Их нужно понять, проверить, принять и встроить в реальную работу. Чем быстрее агенты производят новые артефакты, тем заметнее становится очередь человеческих решений.
Здесь проходит первая граница микрокомпании.
Когда рой действительно полезен
Под «роем» могут скрываться разные системы. В управляемой конструкции главный агент получает задачу, разбивает её на части, передаёт их специализированным исполнителям и собирает итог. Такая схема называется orchestrator–workers: оркестратор и исполнители.
Внутренний исследовательский тест Anthropic показал, что многoагентная система лучше одиночного агента справилась с широким поиском по нескольким независимым направлениям. При этом она потребовала примерно в пятнадцать раз больше токенов, чем обычный чат. Это плата за дополнительный объём параллельной работы, а не экономия ресурсов.
Такая архитектура оправданна, когда задача распараллеливается, улучшение результата имеет высокую ценность, а независимые части можно надёжно собрать и проверить. В задачах с общей памятью и длинной цепочкой зависимостей дополнительные агенты могут мешать друг другу.
Исследование Google Research 2026 года подтверждает эту границу. В сравнении 180 конфигураций многoагентные архитектуры улучшали результаты на распараллеливаемых задачах, но ухудшали их на последовательных.
Параллельность полезна там, где работу действительно можно разделить. Если части задачи сильно зависят друг от друга, новые агенты могут увеличить стоимость координации вместо производительности.
Поэтому исходный вопрос звучит так: какие части работы действительно независимы и как будет проверено их объединение?
Производство растёт быстрее человеческого внимания
Обычная компания увеличивает объём работы постепенно. Вместе с исполнителями появляются руководители, правила, бюджеты и распределение ответственности. В агентной системе производство можно расширить почти мгновенно: достаточно создать несколько задач и запустить дополнительных исполнителей.
Но человеческая способность понимать происходящее, принимать решения и отвечать за последствия так же быстро не масштабируется.
Один владелец продолжает формулировать цели, расставлять приоритеты, давать контекст, разрешать противоречия, принимать риск и подтверждать необратимые действия. Поэтому узкое место перемещается из производства в управление вниманием.
OpenAI описывает похожую картину в практике агентной разработки и научных вычислений. По мере роста объёма работы ограничением становится проверка качества. Агенты хорошо выполняют определённые задачи, когда существует внешний эталон или измеримый критерий приёмки, но научная и предметная корректность всё ещё требует человеческого суждения.
Часть контроля можно передать тестам, автоматическим проверкам и другим агентам. Для этого сначала требуется среда, в которой правильность результата наблюдаема. Если критерий не определён, второй агент лишь добавит ещё одно убедительное мнение.
Считать нужно принятые результаты
Агент может быстро создать десять вариантов документа. Если человеку понадобится два часа, чтобы разобраться в них и заново собрать итог, производительность компании не выросла.
Поэтому количество агентов, файлов, слов, действий и токенов мало говорит о реальной ценности системы. Её полезнее измерять количеством принятых результатов.
Принятый результат соответствует задаче, прошёл проверку, пригоден для использования, имеет понятного владельца и не скрывает обязательную переделку.
Производительность агентной компании — количество принятых результатов на единицу человеческого внимания.
Если число агентов растёт, а очередь проверки увеличивается быстрее, система производит незавершённую работу.
Универсального коэффициента производительности пока нет
В 2025 году эксперимент METR на задачах в знакомых разработчикам зрелых репозиториях показал замедление работы с ИИ на 19%. Обновлённое исследование с инструментами конца 2025 года уже дало предварительные признаки ускорения. Однако авторы сочли новую оценку ненадёжной из-за отбора участников и сложности измерения параллельной агентной работы.
В опросе METR 2026 года 349 технических специалистов оценили рост создаваемой с ИИ ценности в 1,4–2 раза. Авторы отдельно предупредили, что самооценки могут заметно расходиться с наблюдаемым эффектом.
Анализ Anthropic примерно 400 тысяч сессий Claude Code показал другую устойчивую закономерность: люди чаще решали, что делать, а агент определял способ исполнения. Предметная экспертиза человека повышала вероятность успешного результата.
Эти исследования измеряют разные явления, поэтому из них нельзя вывести одну цифру для любой компании. Можно увереннее говорить, что агенты берут более продолжительные и сложные задачи. Реальный выигрыш зависит от типа работы, качества декомпозиции, способа проверки и цены человеческого внимания.
Собственная система должна измерять полный цикл: от появления задачи до принятого результата. Чужой бенчмарк эту проверку не заменит.
Где я нахожусь сейчас
Эту модель я проверяю в текущей работе над pimenov.ai. В подготовке одного материала участвуют разные агентные контуры: поиск публикаций, работа с источниками, проектирование структуры, написание текста, критическая проверка утверждений, создание изображений и подготовка редакционного черновика.
При этом человеческими остаются выбор темы, авторская позиция, решение о выводах от моего имени, подтверждение личного опыта и разрешение на публикацию.
Сейчас я нахожусь между человеком с ИИ-инструментами и агентной микрокомпанией. В одних процессах логика всё ещё держится у меня в голове: я передаю контекст и вручную собираю результат. В других уже существуют отдельные роли, последовательность работы, источники правды, проверка, стоп-линии и граница между подготовкой действия и разрешением его выполнить.
Поэтому эта серия описывает не готовую идеальную конструкцию. Я одновременно формулирую модель и проверяю её на собственной работе с pimenov.ai.
Шесть потолков микрокомпании
1. Смысл
Агенты могут предлагать цели, но владелец решает, какая из них действительно важна. Когда направлений становится слишком много, связь между производством и первоначальным замыслом начинает слабеть.
2. Декомпозиция
Параллельная работа требует правильно разделённых задач с понятными входами, выходами и критериями завершения. Если задача разбита плохо, агенты дублируют работу, расходятся в предположениях и создают несовместимые части.
Больше агентов не исправляет плохую декомпозицию. Оно её ускоряет.
3. Контекст
Агентам нужны актуальные источники правды, история решений, словарь терминов, описание процессов и текущее состояние задач. Без общей памяти каждый исполнитель работает в собственной версии реальности.
4. Проверка
Рост производства быстро упирается в способность принять результат. Автоматические тесты и независимый review отодвигают этот предел, если организация заранее определила, что считается правильным.
5. Полномочия
Подготовить платёж, письмо или публикацию и разрешить внешнее действие — разные уровни риска. Для каждого агента нужны точные границы доступа, журнал действий, стоп-линии и возможность отката.
6. Непрерывность
Если без владельца нельзя расставить приоритеты, разрешить спор, провести платёж или поговорить с клиентом, перед нами производительное рабочее место одного человека. До организации, способной полноценно существовать независимо от основателя, в реальном бизнесе ещё далеко.
Агенты уже поддерживают отдельные процессы и контролируют друг друга. Выбор направления, отношения с людьми, принятие неоднозначного риска и ответственность за последствия пока остаются привязаны к человеку.
Три состояния системы
Человек с ИИ-инструментами
Процессы находятся преимущественно в голове человека. ИИ помогает выполнять отдельные действия, контекст передаётся вручную, а качество проверяется ситуативно.
Агентная микрокомпания
Работа представлена как повторяемый граф задач. У агентов есть роли, входы, выходы, инструменты и границы. Существуют источники правды, журналы действий и контрольные точки. Один человек остаётся владельцем всей системы, но уже не выполняет каждый шаг.
Агентная компания
Появляются несколько человеческих владельцев независимых контуров. Между ними распределены ответственность, права решений и зоны риска. Операционная работа может оставаться преимущественно агентной, но организация больше не сходится к вниманию одного человека.
Переход от второго состояния к третьему и обозначает реальную границу микрокомпании.
Как проверить собственный предел
Выберите один повторяющийся процесс и зафиксируйте результат, роли, входной контекст, параллельные участки, критерии приёмки, человеческие решения и действия, требующие отдельного разрешения.
Проведите несколько полных циклов и измерьте:
- время от задачи до принятого результата;
- минуты человеческого внимания;
- долю переделок и отклонённых результатов;
- стоимость моделей и инструментов;
- время ожидания человеческого решения;
- количество ручных вмешательств.
После этого добавьте ещё один параллельный агентный контур. Если принятых результатов стало больше, а человеческая нагрузка выросла медленнее, система масштабируется. Если выросли очередь проверки, конфликты и переделки, предел находится в устройстве процесса.
Граница проходит по решениям
Рой расширяет производство. Общая память сохраняет контекст. Проверки защищают качество, а ограничения доступа уменьшают риск. Пока значимые решения сходятся к одному человеку, главным дефицитом остаётся его внимание.
Компания из одного человека и множества агентов уже возможна как рабочая модель. Её предел проходит там, где владелец больше не способен оставаться квалифицированным владельцем каждого критического результата.
В этот момент нужен новый человеческий центр ответственности: владелец отдельной области решений, риска, отношений или экспертизы. Так микрокомпания начинает превращаться в организацию.
Источники
- Anthropic: How we built our multi-agent research system
- Google Research: Towards a science of scaling agent systems
- OpenAI: Harness engineering
- OpenAI: Scientific computing in the age of agentic AI
- METR: We are Changing our Developer Productivity Experiment Design
- METR: Measuring the Self-Reported Impact of Early-2026 AI on Technical Worker Productivity
- Anthropic: Agentic coding and persistent returns to expertise
Следующий шаг
Если хотите понять, насколько ваша работа уже напоминает агентную компанию, начните с материала «10 контуров ИИ-компании: как отличить новую операционную модель от набора ИИ-инструментов». Возьмите один повторяющийся процесс и проверьте, существуют ли в нём владельцы результата, роли, источники правды, критерии приёмки, границы полномочий и журнал действий.
Связанные материалы
- Организация как граф задач: что приходит на смену отделам
- Люди + агенты в одном чате: как мы собрали рабочий контур в Telegram
- Права доступа и роли: почему агенту нельзя давать все ключи от квартиры
Если вы строите собственный агентный контур и хотите определить его реальную границу масштабирования, эту модель можно разобрать на вашем процессе.
Если захотите обсудить, как это применить у себя или в команде — пишите в Telegram @pimenov