State of AI 2026 вышел и там тонна полезной информации Отчёт огромный - 244 страницы. Читать всё подряд смысла мало, но я выбрал для вас несколько моментов (конечно не все), которые можно применить в работе уже сейчас: 1️⃣Не спешить менять модель, если агент работает не очень... В одном тесте GLM-5.1 не трогали вообще. Поменяли инструменты, контекст и обратную связь - результат вырос с 52,5% до 65,5% решённых задач. Иногда проблема вообще не в модели. Советую вот такой практический чек-лист перед очередным "давайте переедем на новую модель": 🔵хватает ли агенту контекста; 🔵понятны ли ему инструменты; 🔵видит ли он результат своих действий; 🔵можно ли проверить, что он сделал; 🔵не мешают ли старые инструкции новой модели. 2️⃣После обновления модели надо пересматривать всю обвязку. В отчёте отдельно отмечают: хорошая обвязка агента для старой модели может уже мешать более сильной. Старые подсказки, планы и ограничения стоит тестировать заново после апгрейда. 3️⃣В симуляции e-commerce один из агентов показал отличный итоговый баланс, но при этом 18,48% расходов на заказы ушло мошенническим поставщикам. Хорошая иллюстрация того, почему "задача выполнена" - слабая метрика. Для рабочего агента я бы отдельно смотрел: 🔵сколько ошибок он делает по пути; 🔵сколько раз требует вмешательства; 🔵какие деньги/данные может потерять; 🔵можно ли восстановить цепочку его действий; 🔵что он делает, когда не уверен. 4️⃣Цена токена - уже не главный показатель экономики Агенты вызывают модель много раз за одну задачу. Плюс инструменты, память, sandboxes, CPU, хранение состояния, повторные попытки. State of AI отдельно пишет, что бизнесу стоит смотреть шире, чем просто на стоимость токенов. Для компании полезнее считать стоимость законченной задачи: сколько стоит один обработанный договор / лид / тикет / анализ / релиз с учётом всех вызовов и ошибок. 5️⃣Если внедряете агентов - храните хорошие траектории работы В отчёте есть интересный блок про execution traces: не только финальный ответ, а вся цепочка решений, вызовов инструментов и исправлений. Именно такие данные сейчас активно покупают лаборатории для обучения агентов. Если сотрудник вместе с агентом хорошо решил сложную задачу, полезно сохранять не только результат, но и сам путь. Потом из таких примеров можно собирать: 🔵инструкции; 🔵примеры для агентов; 🔵базу типовых решений; 🔵материал для обучения команды. Жмём ❤️ если хотите 2 часть #AI_и_работа 💬 Присоединиться к обсуждению в чате Телеграм канал Андрей Анисимов @ideasforai