Период массового запуска похожих друг на друга ИИ-агентов в Китае, похоже, подходит к концу. Крупные технологические компании переходят от внутренней «гонки проектов» к консолидации продуктов, команд и каналов распространения. Главная цель теперь — не выпустить как можно больше агентов, а создать единый, узнаваемый и востребованный рабочий интерфейс для пользователей и компаний.

Весной, после стремительного роста популярности OpenClaw, китайские корпорации активно запускали собственные аналоги и совместимые решения. Tencent представила QClaw, ByteDance развивала ArkClaw, Alibaba — несколько агентных продуктов для облака, рабочего стола и корпоративного мессенджера DingTalk. Однако продукты часто дублировали друг друга: отличались точкой входа и аудиторией, но решали почти одинаковые офисные задачи.

Сейчас компании начали объединять эти разрозненные инициативы. Alibaba объединила QoderWork, Wukong и MuleRun в новый продукт «Qianwen Office», которым руководит глава DingTalk Чэнь Юйсэнь. Tencent перевела связанные с QClaw команды в подразделение WorkBuddy. Параллельно крупнейшие ИИ-приложения, включая Doubao, Tongyi Qianwen и Yuanbao, стали закрывать публичные каталоги агентов и инструменты для создания пользовательских агентов.

Такие изменения отражают общий сдвиг в отрасли: вместо множества экспериментальных продуктов компании хотят сосредоточить ресурсы вокруг нескольких стратегических платформ. ИИ-агент — это не только модель и удобное окно чата.

Для его успеха нужны инженерная инфраструктура, интеграция с рабочими сервисами, каналы дистрибуции, продажи, поддержка и понятная бизнес-модель. Если эти элементы распределены между разными подразделениями, продуктам сложнее быстро развиваться и конкурировать за пользователей.

Alibaba делает ставку на связку Qianwen Office, DingTalk и Alibaba Cloud. DingTalk уже используется более чем 26 млн корпоративных организаций, поэтому компания рассчитывает встроить ИИ прямо в повседневные процессы: подготовку отчётов, работу с данными, диаграммами, документами и внутренними системами.

В таком подходе важна не только функциональность агента, но и эффект закрепления: если ИИ глубоко интегрирован в CRM, корпоративные процессы и рабочие документы, заменить его становится значительно труднее.

ByteDance придерживается более сложной модели. Вместо полной организационной консолидации она сохраняет несколько агентных продуктов в разных подразделениях — Feishu, Volcano Engine, Coze и Trae. При этом компания пытается унифицировать базовые технологии и модели, а прикладные продукты оставляет разными по назначению: один служит дополнением к корпоративному мессенджеру, другой продаётся как SaaS, третий развивает экосистему, четвёртый борется за место на рабочем столе пользователя.

Tencent, напротив, не стремится жёстко привязывать WorkBuddy к корпоративному WeChat. Сервис интегрируется не только с экосистемой Tencent, но и с DingTalk, Feishu, QQ и другими мессенджерами. Логика компании состоит в том, чтобы сделать агента самостоятельным рабочим входом с низким порогом использования, а не инструментом, запертым в одной корпоративной платформе.

Однако ключевая проблема рынка остаётся прежней: готовы ли пользователи платить? У корпоративных платформ огромная клиентская база, но проникновение платных функций часто остаётся низким. Например, при десятках миллионов организаций в DingTalk число платящих клиентов измеряется сотнями тысяч. Малый и средний бизнес может использовать корпоративный мессенджер, но не всегда готов глубоко внедрять ИИ-агента в процессы и платить за него на постоянной основе.

Наиболее перспективной зоной монетизации становится ИИ для программирования. Здесь пользователи готовы платить за реальную экономию времени и более высокую надёжность: анализ проектов из множества файлов, рефакторинг, запуск тестов, чтение логов ошибок и исправление кода. Но именно в этом сегменте китайские продукты сталкиваются с сильной конкуренцией зарубежных решений, прежде всего Claude Code. Даже при высокой стоимости API многие разработчики выбирают инструменты, которые, по их мнению, лучше справляются со сложными инженерными задачами.

Авторы материала подчёркивают: проблема заключается не только в результатах бенчмарков моделей. Для профессиональной аудитории критична способность агента последовательно выполнять сложную задачу в реальном окружении — понимать контекст, пользоваться инструментами, запускать код, проверять результат и исправлять ошибки. Именно надёжность выполнения, а не просто качество ответа в чате, определяет готовность платить.

Следующий этап конкуренции будет зависеть не от количества выпущенных ИИ-агентов, а от того, сможет ли конкретный продукт стать частью привычного рабочего процесса. Победит не тот, кто создаст больше «оболочек» вокруг модели, а тот, чьим агентом пользователю и компании будет действительно трудно перестать пользоваться.