За шесть недель Google, Anthropic и AWS выпустили почти один и тот же класс продукта: managed runtime AI-агентов. Для рынка это важнее любой красивой демки с «автономными командами»: базовая инфраструктура для агентных систем стремительно превращается в товарную функцию. Для русскоязычных разработчиков и техдиров это значит простую вещь: выбирать платформу только по факту наличия runtime уже поздно, теперь смотреть надо на экосистему, формат конфигурации, контроль доступа и цену владения.
Как пишет The New Stack, свежий толчок дискуссии дала Google на конференции I/O 2026, где компания переупаковала Antigravity из среды для кодинга в платформу для разработки и управления командами автономных AI-агентов. Сама подача знакомая до зевоты, и в этом как раз новость. Один вызов API поднимает удаленную Linux-песочницу, агент рассуждает, вызывает инструменты, пишет и запускает код, ходит в веб, а разработчик в основном описывает поведение через Markdown-файлы AGENTS.md и SKILL.md вместо самостоятельной сборки оркестрации.
Три релиза за шесть недель
Если вынести маркетинговые формулировки за скобки, Google здесь не открыла новый континент, а аккуратно встроилась в уже оформившийся паттерн. Anthropic вывела Claude Managed Agents в публичную бету 8 апреля 2026 года. Тогда компания прямо ставила диагноз рынку: узкое место в продакшн-агентах уже не в «интеллекте» модели, а в инфраструктуре вокруг нее. Песочница, цикл работы агента, состояние, ограничение учетных данных, безопасное исполнение инструментов — все это слишком тяжело каждый раз собирать руками. 22 апреля AWS добавила в Bedrock AgentCore preview-версию managed harness. Сам runtime у AWS существовал и раньше, но именно апрельское обновление принесло важную вещь: декларативную схему, где модель, инструменты и инструкции задаются конфигурацией, а не слоем самописной оркестрации. Дальше на сцену вышла Google со своим Managed Agents в Gemini API. Три вендора пришли к почти одной и той же форме продукта в пределах шести недель.
Для инженеров это очень показательный момент. Когда несколько крупных игроков независимо сходятся в одной архитектурной форме за такой короткий срок, функция перестает быть поводом для дифференциации. Иными словами, managed runtime AI-агентов становится тем, чем когда-то стали managed Kubernetes, managed CI/CD или облачные базы: скучной, ожидаемой, обязательной базой. Не тем, за что любят платформу, а тем, без чего ее просто не рассматривают. Для продуктовых команд это тоже плохая новость для презентаций и хорошая для эксплуатации. «Магии» меньше, предсказуемости больше.
Markdown вместо оркестратора
Отдельно любопытно, что у этого рынка на глазах появляется неформальный стандарт описания агентов. У Google Managed Agents задаются через AGENTS.md и SKILL.md. У Anthropic Agent Skills в виде Markdown-директорий появились еще в прошлом году, а SKILL.md уже стал важной частью сразу нескольких сценариев, включая Claude Code и Managed Agents. Сам AGENTS.md, по данным The New Stack, вырос из совместимой практики вокруг OpenAI Codex, Cursor, Amp, Jules и Factory, а теперь курируется Linux Foundation и уже присутствует более чем в 60 тысячах open source-репозиториев. Для отрасли это выглядит почти комично: никто не проводил большого голосования за стандарт, консорциумы не выпускали толстый PDF на 300 страниц, но конфигурация агентных систем постепенно сползает в обычный Markdown.
На практике это важнее, чем кажется. Если описание поведения агента, его ролей и навыков можно переносить между инструментами хотя бы на уровне концепции, у компаний появляется шанс не запираться намертво в одного поставщика. Да, совместимость пока далека от идеальной, и каждый вендор все равно будет тянуть одеяло на свою модель, свои лимиты, свою телеметрию и свои механизмы безопасности. Но сам факт, что агентная логика все чаще оформляется в читаемых текстовых спецификациях, а не прячется в толстом слое glue-кода, меняет правила игры. Для команд это означает более низкий порог старта, более понятный ревью и, возможно, менее болезненные миграции.
Есть и менее приятный вывод. Если runtime становится стандартной гигиеной, то конкуренция смещается туда, где больно по-настоящему: в доступ к данным, в управление секретами, в наблюдаемость, в сетевые политики, в стоимость одного «агентного» задания и в то, насколько безопасно вся эта красота ведет себя в корпоративной среде. На демо любой агент может открыть браузер, вызвать тулзу и сгенерировать код. В бою важнее другое: можно ли доверить ему внутренние репозитории, CRM, платежные данные, продовую инфраструктуру и цепочки согласования. Поэтому для IT-директора вопрос «есть ли у платформы runtime?» быстро уходит в чекбокс, а вперед выходят вопросы «как это аудировать?», «как это ограничивать?», «как это считать по деньгам?» и «что будет при сбое агента на длинной задаче?».
Для разработчиков сигнал тоже вполне приземленный. Не стоит больше тратить недели на сборку самодельного цикла агента, если рынок уже предлагает готовый managed runtime AI-агентов как базовую услугу. Но и очаровываться этим слоем не стоит: он больше не дает устойчивого преимущества. Выигрывать будут те команды, которые быстрее остальных настроят переносимые спецификации, нормальные guardrails, понятную структуру инструментов и контроль исполнения. Похоже, самая важная часть агентной инфраструктуры действительно становится самой скучной. И это обычно верный признак зрелости: рынок перестал спорить о том, нужен ли runtime, и начал спорить о том, чья обвязка вокруг него менее болезненна для продакшна.