Пока одни спорят о баллах бенчмарков, разработчики продуктов уже делают следующий вывод: если топовый интеллект становится дешевле и доступнее, конкурентное преимущество смещается. Не в том, у кого модель умнее на 2 балла, а в том, у кого лучше выстроена оркестрация задач, система памяти агента и специализированные инструменты под конкретный домен.
Показательный пример — концепция «wiki-памяти» для AI-агентов: вместо пересчёта понимания документа при каждом запуске агент строит слой памяти в формате Markdown-вики поверх общей базы знаний, синхронизируемый через протокол FastMCP. Та же логика звучит в комментариях команды mem0: непрерывное обучение агента — это проблема архитектуры памяти, а не дообучения весов модели.
Взрослеет экосистема протокола MCP (Model Context Protocol) — стандарта, который позволяет AI-агентам подключать внешние инструменты и навыки. Perplexity добавила поддержку кастомных скиллов в свой Agent API, Nous Research выпустила desktop-агента с интеграцией в Unreal Engine. Исследовательская работа MemoHarness разбивает агентный харнес на шесть независимо настраиваемых модулей и показывает результат 0,806 против 0,722 у лучшего фиксированного харнеса на тесте Shell-Agent — при более низкой стоимости на задачу.
Вывод для многих стартапов: если твой продукт — обёртка над чужой моделью, окно возможностей сужается. Ценность утекает туда, где строится уникальная логика работы с задачами.
Во что углубиться:
- Model Context Protocol (MCP): как устроен стандарт подключения инструментов к AI-агентам
- AI-агенты с долговременной памятью: чем архитектуры памяти отличаются от простого увеличения контекстного окна
- Orchestration layer в AI-продуктах: почему компании делают ставку не на модель, а на управление задачами вокруг неё