AI-агенты, которые за последний год стали рабочим инструментом для программистов, добрались и до науки. Nature 19 мая 2026 года описал системы, которые умеют предлагать гипотезы, планировать эксперименты и разбирать результаты, а не просто отвечать на запрос в чате.
Для ИТ-рынка это важный сдвиг: речь уже не о «умном помощнике», а о программных связках, которые берут на себя куски исследовательского процесса. Но до полностью автономного учёного отрасль пока не дошла.
Из программирования агенты переходят в лаборатории
Google DeepMind в июле 2026 года прямо написал: агенты уже заметно изменили разработку ПО, а следующей областью может стать наука. Логика понятна: если модель умеет разбивать большую задачу на шаги, запускать инструменты и проверять промежуточный результат, тот же подход можно перенести из IDE в исследовательскую среду.
Отдельный сигнал пришёл от OpenAI. 30 июня компания представила GeneBench-Pro — тест для агентных систем в вычислительной биологии. В набор вошли 129 задач по 10 направлениям, от геномики до клинической диагностики. Это уже не игрушечные примеры, а проверка того, как модель ведёт себя в данных с шумом, неоднозначностью и длинной цепочкой решений.
Скорость растёт, но надёжность остаётся узким местом
Главная проблема здесь не в том, может ли агент что-то посчитать быстрее человека. Проблема в том, можно ли доверять его выводам. В том же материале OpenAI лучший результат на GeneBench-Pro составил 28,7% успешных решений, а в режиме Pro — 31,5%. Для рынка это холодный душ: прогресс заметный, но до уровня, где систему можно отпускать в самостоятельное плавание, ещё далеко.
Nature и DeepMind сходятся в одном: следующим дефицитом станет не вычислительная мощность, а проверка результатов. Иначе говоря, агент может нагенерировать гору гипотез, но кто-то всё равно должен отсеять шум, перепроверить методику и понять, где находка, а где красивая ошибка.
Значение для рынка
Для российских и СНГ-команд это история не про «замену учёных», а про автоматизацию рутины в R&D, биоинформатике и сложной аналитике. Такие системы могут ускорить подготовку пайплайнов, разбор данных и поиск рабочих сценариев, но потребуют сильной валидации, хороших данных и людей, которые понимают предметную область. Проще говоря: AI-агент уже может стать младшим исследователем, но научным руководителем ему пока рано.
Следующий этап очевиден: крупные игроки будут соревноваться не только в мощности моделей, но и в том, кто лучше встроит проверку, аудит и воспроизводимость в агентные научные системы.