Сегодня вокруг AI-агентов много шума, но если отбросить маркетинг и красивые демонстрации, остаётся один главный вопрос: может ли агент действительно довести сложную задачу до конца? По этой логике, именно длинная задача — и есть единственный серьёзный критерий зрелости Agent.

Почему так? Потому что короткие задачи можно решить за счёт памяти и локального контекста. А вот длинная задача требует совсем другого уровня: нужно удерживать исходную цель на протяжении сотен шагов, не терять нить, корректировать стратегию при ошибках и не разрушать качество по мере итераций.

Короткий запрос — это, по сути, проверка способности модели ответить здесь и сейчас. Она может сгенерировать текст, написать кусок кода, предложить идею или выполнить отдельное действие. Но всё это ещё не делает её полноценным агентом.

Длинная задача совсем иная. Например:

создать приложение с нуля;

пройти через несколько этапов проектирования;

исправлять ошибки, не ломая архитектуру;

работать с внешними инструментами;

сохранять цель, даже если процесс уходит в десятки шагов.

Именно здесь выясняется, понимает ли Agent задачу по-настоящему или просто умеет имитировать полезность.

Исследования, на которые ссылается материал, показывают неприятную вещь: у лучших современных агентов прохождение длинных задач всё ещё ниже 20%. Более того, по мере итераций качество кода часто ухудшается, а не улучшается.

Это очень важный сигнал. Проблема не сводится к тому, чтобы “добавить ещё параметров” или “сделать модель больше”. Вопрос глубже: нужны другие принципы архитектуры.

Речь идёт о целом наборе вещей:

управлении контекстом;

организации рабочего процесса;

распределении ролей между несколькими агентами;

защите от деградации качества;

способности к самопроверке и самокоррекции.

Именно поэтому длинная задача — не просто тест, а экзамен на зрелость всей системы.

Сравним два направления развития Agent-систем: Claude и Codex.

Claude делает ставку на большой контекст и кооперацию. Это означает, что модель может держать в голове огромный объём информации и использовать вспомогательных субагентов, которые ищут, фильтруют и суммируют данные. Такая схема снижает шум и позволяет главному агенту принимать более осмысленные решения.

Codex, напротив, делает акцент на сверхсильной отладке и самоулучшении. Его сила — в способности находить сложные ошибки и решать проблемы, которые другим моделям не поддаются. Это другой путь эволюции: не столько “видеть всё”, сколько “чинить то, что сломано”.

На практике, вероятно, победит не один из этих путей, а их сочетание. Для длинных задач нужен и большой контекст, и способность к точной диагностике.

Почему контекст — это не просто объём

Обычно говорят: чем больше контекстное окно, тем лучше. Но материал справедливо уточняет: важен не только объём, но и качество контекста.

Если модель забита лишней информацией, она начинает терять важное. Поэтому в долгих задачах возникает необходимость регулярно очищать контекст, убирать шум, проверять, не исказилась ли исходная цель.

Иными словами, хороший Agent должен уметь не просто “помнить много”, а помнить правильно.

Это ключевой момент. В длинной задаче победит не тот, кто накопит максимум токенов, а тот, кто сумеет сохранить смысл, структуру и приоритеты.

Когда Agent выполняет сложную работу, токены перестают быть просто технической единицей. Они становятся реальным ресурсом.

Если короткий вопрос требует тысячи токенов, это одно. Но если агент делает задачу, на которую у человека ушли бы часы или дни, то расход в сотни тысяч или миллионы токенов уже выглядит оправданным.

То есть токены — это уже не только “стоимость ответа”, но и стоимость выполненной работы.

Из этого вытекает важный вывод: чем лучше Agent справляется с длинными задачами, тем выше ценность его токенов. Если агент доводит сложный процесс до результата, то его вычислительная стоимость превращается в бизнес-ценность.

AI-агенты постепенно меняют саму экономику программного обеспечения.

Традиционная SaaS-модель строилась на оплате за место, за пользователя, за подписку. Но если AI снижает объём человеческого труда, эта модель начинает трещать. Логика “платим за доступ” постепенно уступает логике “платим за результат” или “платим за выполненную работу”.

А это уже совершенно другая бизнес-реальность.

Проблема в том, что длинные задачи плохо укладываются в простую бухгалтерию. Трудно заранее сказать:

сколько токенов уйдёт;

кто именно создал ценность — человек или агент;

как правильно измерить вклад AI в итоговый результат.

Но именно здесь и рождается новый рынок.

Пока агент умеет только отвечать, он остаётся впечатляющей игрушкой. Но когда он способен завершить сложную многошаговую задачу — он превращается в инструмент.

Разница огромна.

Игрушка вызывает вау-эффект.Инструмент меняет рабочие процессы, экономику и повседневную жизнь.

Поэтому длинная задача — это не просто один из тестов. Это граница, за которой начинается настоящая полезность AI-агента.

Agent можно считать зрелым только тогда, когда он умеет работать с длинными задачами без распада качества и потери цели.

Именно длинная задача показывает:

понимает ли агент контекст;

умеет ли он планировать;

способен ли исправлять собственные ошибки;

сохраняет ли архитектурную целостность;

создаёт ли он реальную ценность, а не демонстрационный эффект.

В эпоху AI побеждает не тот агент, который красиво отвечает, а тот, который способен довести дело до конца. Поэтому длинная задача — это действительно самый честный тест для Agent.