Когда у компании не один чат-бот, а десятки или сотни автономных помощников, экономика AI-агентов быстро становится важнее разговоров о том, какая модель «умнее на бенчмарках». Именно на этом сделал акцент Andi Gutmans, руководитель Agentic Data Cloud в Google: главная задача уже не в том, чтобы залить в систему максимум токенов, а в том, чтобы получить надежный результат при минимально достаточном контексте и вменяемой цене.
Об этом, как пишет Stack Overflow Blog, Gutmans рассказал во второй части беседы с директором по платформенной инженерии Stack Overflow Питером О'Коннором, опубликованной 3 сентября 2026 года. Разговор получился показательный: пока рынок продолжает обсуждать новые модели, Google предлагает смотреть на агентную разработку как на инженерную систему с ограничениями по стоимости, наблюдаемости и качеству данных.
Ключевой тезис Gutmans звучит почти провокационно для индустрии, которая привыкла мериться размером контекстного окна. По его словам, для многих задач нынешние модели уже «достаточно хороши». Узкое место теперь в другом: подобрать наименее сложную модель, которая справится с конкретной задачей по минимальной цене. В одном сценарии хватит легкой и дешевой модели, в другом понадобится более мощная. Но сам по себе переход на «самую сильную» модель не решает проблему, если система перегружена лишним контекстом, бесконечными reasoning-циклами и слабо настроенной подачей данных.
Отсюда и критика подхода, который можно назвать token maxing, когда в агент засовывают как можно больше информации в надежде, что он как-нибудь разберется. Для ручной работы человека это иногда еще сходит с рук. Для агентной инфраструктуры, где один сотрудник может курировать десятки агентов, работающих круглосуточно, такой подход превращается в прямую статью расходов. Чем больше ненужных токенов проходит через систему, тем дороже обходится каждый полезный результат. А если агент еще и склонен к лишним итерациям рассуждения, цена ошибки растет вдвойне: по бюджету и по времени.
В этом месте Google подводит разговор к своей сильной стороне. Gutmans утверждает, что рассматривать нужно не отдельно модель, а весь стек целиком: модель, обвязку, контекст, персонализацию и данные. Он отдельно подчеркивает, что Google, как гиперскейлер с собственной разработкой моделей и собственной платформой данных, может «подтягивать» эти части вместе. Идея не в том, чтобы просто улучшать LLM, а в том, чтобы совместно оптимизировать модель и знания, добиваясь нужного результата при наименьшем объеме контекста. Для рынка это важный сигнал: выиграют не только поставщики моделей, но и те, кто умеет строить вокруг них экономически внятную инфраструктуру.
Контекст больше не бесплатный
Отдельно Gutmans прошелся по теме, которую продавцы AI-платформ обычно стараются не драматизировать: проблему контекста никто толком не решил. Он прямо говорит, что скептически относится к заявлениям в духе «мы обогатили каталог данных, и модели сразу стали лучше». В реальности, по его версии, нужно не верить в красивую онтологию, собранную людьми, а долго и упрямо проводить evals: проверять, какой именно кусок контекста действительно влияет на результат, а какой просто раздувает стоимость запроса. Это уже не старый мир BI и не классическое knowledge management, где можно годами курировать идеальную схему данных. Если клиентом системы становится агент, а не человек, правила меняются.
Здесь интересна и еще одна мысль, которая особенно резонирует с платформенными командами. По словам Gutmans, агент нужно воспринимать как отдельную «персону» внутри компании наряду с разработчиком, дата-сайентистом и бизнес-пользователем. Иными словами, платформенная инженерия должна строить инструменты не только для людей, но и для машинных исполнителей. Речь о новых слоях наблюдаемости, контроле расходов, управлении траекториями выполнения, подборе релевантного контекста и механизмах, которые позволяют понять, почему агент сработал именно так, а не иначе. Для русскоязычных CTO, platform leads и тимлидов это довольно практичный тезис: если AI-агенты входят в производственный контур, их уже нельзя обслуживать как очередной эксперимент из песочницы.
Не менее показателен и фон беседы. В первой части этого же разговора, на которую ссылается Stack Overflow, обсуждались judgment, code review и активация данных. Во второй акцент смещается на то, что обычно ломает красивые демо при выходе в прод: стоимость, надежность и масштаб. Эта связка выглядит особенно правдоподобно на фоне общего тренда 2025–2026 годов, когда компании сначала запускали пилоты на волне интереса к агентам, а затем упирались в скучные вопросы: кто оплачивает токены, как контролировать ROI, где граница между автоматизацией и обязательным human-in-the-loop, и кто вообще отвечает за качество работы агентной фермы в три часа ночи.
Что это значит для команд
Для разработчиков из этой истории следует довольно приземленный вывод: умение писать промпты уже давно перестало быть достаточным навыком. Нужны evals, трассировка, грамотная маршрутизация по моделям, дисциплина в работе с контекстом и поиск, который не подсовывает агенту полкорпоративного интернета «на всякий случай». Для бизнеса вывод еще жестче: экономика AI-агентов не сходится автоматически только потому, что модель стала лучше. Если агентный слой строится без учета стоимости запроса, качества данных и платформенной наблюдаемости, счет за автоматизацию может оказаться заметно выше обещанной эффективности.
Любопытно, что в разговоре с О'Коннором этот скепсис звучит не как тормоз, а скорее как признак взросления рынка. Stack Overflow, по словам собеседника Google, и сам смотрит на контекстную проблему без иллюзий и делает ставку на подход, где агенты решают значительную часть задач, а человек подключается там, где нужна авторитетная проверка. В переводе с индустриального на человеческий это означает простую вещь: AI-агенты уже не экзотика, но и не магия. Это новый операционный слой, у которого есть цена, ограничения и требования к инженерной культуре.
Главный вопрос теперь не в том, появится ли еще одна более сильная модель. Куда важнее, кто первым научится строить вокруг нее дешевую, проверяемую и управляемую систему. Именно там экономика AI-агентов из красивой презентации превращается либо в рабочий инструмент, либо в очень дорогую привычку.