Синдром молотка: почему AI-агентов суют туда, где хватит скрипта

За последний год «AI-агент» стал словом, которое лепят на любой продукт: от чат-бота с одним промптом до планировщика встреч. Anthropic выпустил Claude с инструментом computer use в конце 2024 года, OpenAI показал Operator в январе 2025-го, у Google появился Project Mariner. Одновременно с этим тысячи команд начали переписывать рабочие процессы под «агентов» там, где раньше стоял cron и десять строк кода. Итог предсказуем: медленнее, дороже и с ошибками, которых у старого скрипта не было.

Это классический синдром молотка — когда в руках новый инструмент, и каждая задача внезапно выглядит гвоздём. С agentic AI проблема острее обычного: агент недетерминирован, стоит денег за каждый вызов модели и может уверенно сделать не то.

Что такое агент и чем он отличается от обычного вызова модели

Разница не в маркетинге, а в архитектуре. Обычный запрос к языковой модели — это «вход текст, выход текст», один проход. Агент¹ строит цикл: модель решает, какой инструмент вызвать, читает результат, решает следующий шаг и так до достижения цели. Отсюда и его сила, и его цена.

Агент оправдан там, где вы не можете заранее прописать все ветки решения. Если ветки известны — вам нужен не агент, а обычный код с одним-двумя вызовами модели внутри.

Каждый шаг агентного цикла — это отдельный запрос к модели, а значит отдельные токены и задержка в секунды. Задача, которую детерминированный код решает за 200 миллисекунд бесплатно, у агента может занять 40 секунд и стоить несколько центов за прогон. На одном прогоне незаметно, на миллионе — это отдельная строка бюджета.

Где agentic AI действительно на месте

Агент выигрывает, когда путь к цели заранее неизвестен и требует реакции на промежуточные результаты:

• Исследовательские задачи. Собрать информацию из разных источников, где непонятно заранее, сколько шагов уйдёт и куда приведёт первая находка.
• Работа с плохо структурированным вводом. Разбор писем, тикетов, документов разного формата, где жёсткий парсер сломается на первом же исключении.
• Многошаговые операции с ветвлением. «Найди ошибку в логах, воспроизведи, предложи фикс» — путь зависит от того, что найдётся.
• Оркестрация инструментов под живую цель. Когда набор действий и их порядок диктует сама задача, а не фиксированный сценарий.

Где агент — это молоток по стеклу

Обратная сторона: если процесс детерминирован, повторяем и требует надёжности, агент только добавляет риска.

• ETL и перекладывание данных. Выгрузить из базы, преобразовать по известным правилам, залить в другую — это работа для SQL и скрипта, а не для модели, которая иногда «творчески» переименует колонку.
• Валидация по фиксированным правилам. Проверка формата ИНН, email, диапазона дат — регулярное выражение сделает это точно и бесплатно.
• Критичные к точности расчёты. Финансы, налоги, начисления. Модель не считает — она предсказывает правдоподобный ответ, и в арифметике это опасно.
• Высоконагруженные операции с жёстким SLA. Там, где важны предсказуемая задержка и стоимость на запрос, недетерминированный цикл — прямой антипаттерн.

Сравнение подходов к автоматизации

Кому это пригодится и кому нет

Пригодится

Команде поддержки, где входящие обращения разнородны и требуют похода в несколько систем: агент разберёт запрос, найдёт клиента в CRM, проверит статус заказа и соберёт ответ. Жёсткий сценарий тут ломается на каждом нестандартном обращении.

Разработчику, автоматизирующему рутину в репозитории: обновить зависимости, прогнать тесты, разобраться, что сломалось. Путь непредсказуем — и это как раз работа агента.

Аналитику, которому нужно собрать разрозненные данные под конкретный, каждый раз новый вопрос, а не по одному и тому же шаблону.

Не пригодится

Тому, кто хочет прогонять миллион одинаковых записей через одно и то же преобразование — здесь агент проиграет скрипту по всем параметрам сразу.

Продукту с жёстким требованием к задержке и стоимости на запрос: недетерминированное число шагов ломает и то, и другое.

Процессам, где цена ошибки высока и нет человека в контуре, чтобы её поймать. Агент ошибается уверенно и без предупреждения.

Как выбрать без синдрома молотка

1. Опишите задачу как список шагов. Если вы можете их перечислить полностью — агент не нужен, хватит кода.
2. Проверьте, зависит ли следующий шаг от результата предыдущего непредсказуемым образом. Если да — это довод в пользу агента.
3. Посчитайте стоимость на реальном объёме прогонов, а не на демо из трёх примеров.
4. Заложите проверку результата — тесты, валидацию, человека в контуре. Особенно там, где ошибка стоит денег.
5. Начните с самого простого работающего варианта и усложняйте, только когда упрётесь в его потолок.

¹ Агент — в контексте языковых моделей это система, где модель в цикле сама выбирает, какие инструменты и в каком порядке вызвать для достижения заданной цели, реагируя на промежуточные результаты. Отличается от одиночного запроса тем, что число и состав шагов не заданы заранее.