Agentic AI vs Generative AI vs ИИ-агенты – цикл агента для видео

Кратко

Generative ИИ отвечает на запрос один раз и останавливается; agentic ИИ работает по циклу – наблюдает, рассуждает, действует с помощью инструментов, проверяет результат и повторяет эти шаги, пока цель не достигнута. «ИИ-агент» – это отдельная рабочая единица в рамках этой концепции; «agentic ИИ» – более широкий паттерн, в котором один или несколько агентов координируются для достижения цели при минимальном участии человека. Ключевой механизм, превращающий агента в нечто большее, чем простой чат-бот, – это агентный цикл: четыре этапа «восприятие, рассуждение, действие, наблюдение», впервые формализованные в статье ReAct 2022 года. Для видеопродукта это означает разницу между функцией, которая автоматически добавляет субтитры к одному видео, и системой, способной самостоятельно просматривать архив, находить инцидент, собирать доказательства и составлять отчёт.

Зачем это нужно

Если вы создаёте или покупаете видеопродукт – видеосвязь, видеонаблюдение, OTT, e-learning, телемедицину – слова «generative», «agent» и «agentic» теперь появляются в каждой презентации поставщика, будто они означают одно и то же. Это не так, и разница между ними определяет стоимость, уровень рисков и то, что вы реально можете пообещать клиенту. Эта статья – для менеджеров продукта, основателей и руководителей операций, которым важно чётко различать эти три понятия, чтобы оценить проект, задать поставщику правильные вопросы и эффективно общаться со своими инженерами. К концу вы сможете нарисовать цикл агента на доске и точно определить, где он уместен в видеопайплайне, а где – нет.

Начнём с трёх слов простыми словами

Самый быстрый способ запутаться в теме – считать «generative AI», «ИИ-агент» и «agentic ИИ» синонимами. Эти понятия относятся к трём разным уровням: одно – это способность, другое – единица, третье – паттерн поведения. Объясните каждое простыми словами, ещё до того как произнести сам термин, и путаница исчезнет.

Способность создавать контент, которую называют generative AI (генеративный ИИ), – это программа, генерирующая новый результат (текст, изображение, звук, краткое содержание, фрагмент кода) на основе закономерностей, выученных в процессе обучения. Вы задаёте запрос – она выдаёт ответ. Она реактивна: ждёт вопроса, отвечает и останавливается. Модель, которая составляет краткое содержание встречи по её расшифровке, – это generative AI. Та же, что рисует превью или черновиком отвечает, – тоже. Работа начинается и заканчивается одним ответом.

Отдельная рабочая единица, которую называют ИИ-агентом, – это программа, использующая генеративную модель как «мозг», но дополняющая её тремя вещами, которых у модели самой по себе нет: целью, возможностью вызывать инструменты и свободой выбора следующего шага. Агент не просто отвечает – он действует. Он может обратиться к базе данных, вызвать API, открыть веб-страницу, запустить скрипт, а затем проанализировать результат и решить, что делать дальше. IBM описывает ИИ-агента как систему, которая автономно выполняет задачи, самостоятельно проектируя рабочий процесс из доступных инструментов. Ключевое слово – автономно: порядок действий определяет сам агент, а не жёсткий скрипт.

Более широкое поведение, которое называют agentic AI (агентный ИИ), – это способность действовать ради цели при минимальном внешнем контроле: воспринимать ситуацию, анализировать её, разбивать задачу на шаги, выполнять действия и корректировать ход работы на основе результатов. Даже один достаточно продвинутый агент может считаться «агентным». Однако чаще термин agentic AI используется для описания системы из нескольких агентов, которые координируют действия, передают задачи друг другу и используют общую память – то, что в индустрии называют оркестрацией. NVIDIA и IBM описывают этот подход как переход от одной модели, отвечающей на один вопрос, к нескольким агентам, которые рассуждают, планируют и совместно работают на уровне различных программ.

Вот связь в одной строке. Generative ИИ – это двигатель. ИИ-агент – это машина, построенная вокруг этого двигателя. Agentic ИИ – это дорожная система, которая позволяет одной или нескольким машинам самостоятельно доехать до цели. Двигатель может существовать без машины, а машина – без согласованной дорожной системы, но agentic ИИ без двигателя внутри невозможен.

Нажмите, чтобы увеличить

Generative AI vs Agentic ИИ: единственное, что действительно их различает

Уберите маркетинг – и останется лишь одно различие: цикл.

Generative ИИ – это прямая линия. Запрос вошёл, результат вышел, взаимодействие закончилось. Если результат неверен, модель об этом не знает – ей нечем проверить свою работу относительно реального мира, потому что она этот мир не трогает. Она лишь выдаёт текст или пиксели.

Agentic ИИ – это замкнутый цикл. Система совершает действие, анализирует, что произошло, и использует этот результат для принятия следующего решения. Поскольку она видит последствия своих действий, она может корректировать курс. Попросите generative ИИ «найти момент, когда в этой 8-часовой записи с парковки приезжает фургон» – и она будет угадывать на основе того, что вы указали в запросе. Попросите agentic-систему о том же – и она запустит детектор по записи, получит список кандидатов-таймкодов, просит эти сегменты, отфильтрует ложные срабатывания и вернёт единственный фрагмент, где действительно виден фургон – потому что результат каждого шага влияет на следующий.

Цена этого цикла видна в цифрах. Допустим, генеративное краткое содержание часовой встречи стоит один вызов модели. Агент, который выдаёт то же содержание, но дополнительно сверяет пункты задач с календарём, проверяет, что каждый ответственный есть в каталоге сотрудников, и прикрепляет заметки к нужному проекту, может потребовать 8–12 вызовов модели плюс 6 вызовов инструментов. Если один вызов модели стоит $0,01, генеративный подход обходится примерно в $0,01, а агентный – в $0,10–$0,20: в 10–20 раз дороже, и при этом работает медленнее. Эта надбавка даёт надёжность и автономность. Плачь за неё стоит только тогда, когда задача действительно в них нуждается. Инженерные рекомендации Anthropic прямолинейны: выберите простейшее решение, которое работает, и добавляйте агентную сложность только тогда, когда более простой подход не справляется.

Таблица также отвечает на самый частый поисковый запрос по теме – agentic ai vs generative ai – не выбирая победителя. Они не конкурируют. Agentic ИИ использует generative ИИ как одну из своих составляющих. Правильный вопрос не «что лучше», а «требуется ли для этой задачи один ответ или цикл действий?»

ИИ-агенты vs Agentic ИИ: единица против паттерна

Вторая путаница тоньше, потому что эти термины действительно близки. Самый чистый способ их разграничить: ИИ-агент – это то, на что можно указать пальцем; agentic ИИ – это способ поведения.

Академическая таксономия 2025 года, обобщающая данное поле, проводит границу по принципу координации. ИИ-агент – это модульная система с одной сущностью: одна LLM, набор инструментов и задача. В их трактовке agentic ИИ характеризуется совместной работой нескольких агентов, динамическим разбиением задачи, устойчивой памятью между шагами и оркестрованной автономностью. Проще говоря: один агент, выполняющий работу, – это ИИ-агент. Несколько агентов, которые делят работу, передают результаты друг другу и ведут общий «блокнот» накопленных знаний, – это agentic AI.

Это важно при принятии решений о покупке, потому что поставщики намеренно размывают границы. Фраза «у нас есть ИИ-агенты» может означать как одного полезного ассистента, так и согласованный «флот» – а это принципиально разные продукты в эксплуатации. Полезная проверка, когда поставщик говорит про «агентичность»: спросите – сколько агентов и кто их оркеструет? Если ответ: «один агент, который использует инструменты», – вы приобретаете способного ассистента – ценного, но более простого в понимании. Если же ответ: «агент-планировщик, который делегирует агенту зрения и агенту отчётов», – вы покупаете многоагентную систему: мощнее, но заметно сложнее в тестировании, защите и поддержании в рамках бюджета.

Отсюда прямо следует частая ошибка. Добавление новых агентов само по себе не делает систему умнее. Куча агентов без координации – это просто больше движущихся частей, больше расходов и больше мест для сбоев. Агентное поведение возникает благодаря планированию и оркестрации, а не количеству агентов. Команды, которым удаётся добиться успеха, начинают с минимального рабочего решения – часто с одного агента – и добавляют новых лишь тогда, когда один однозначно не справляется со всей задачей.

Цикл агента: двигатель под капотом

Всё агентное работает на одном и том же механизме. У него есть название из научных исследований и достаточно простая форма, чтобы нарисовать её по памяти. Это цикл агента, а его канонический вариант – из статьи 2022 года Yao с коллегами из Принстона и Google под названием ReAct (сокращение от «Reasoning and Acting», то есть «рассуждение и действие»). Основная идея статьи: языковая модель работает гораздо эффективнее, когда чередует рассуждение вслух и совершение действий, а не ограничивается только одним из этих процессов.

В цикле четыре шага. Определим каждый из них до того, как дадим название, – так же, как объясняли бы человеку, который видит это впервые.

Сначала система принимает текущую ситуацию – что только что произошло, что вернул инструмент, о чём попросил пользователь. Этот шаг приёма называется восприятие (perceive, или observe). Для видеоагента воспринимать – это, например, прочитать последние результаты детекции или фрагмент расшифровки.

Во-вторых, система анализирует ситуацию: определяет, что она означает, и решает, как действовать дальше. Этот этап планирования называется рассуждение (reason). Модель делает краткую внутреннюю запись – «фургона в последний час записи нет, нужно расширить окно поиска» – которая направляет её к следующему шагу. Эти записи и есть те самые «следы рассуждений», ценность которых продемонстрировала статья ReAct.

В-третьих, система взаимодействует с внешним миром – запускает детектор, обращается к базе данных, вызывает API, отправляет сообщение. Этот шаг называют действием (act). Именно действие отличает агента от чат-бота: это единственный этап, при котором что-либо меняется за пределами самой модели.

В-четвёртых, система анализирует результат своего действия и возвращает его в начало цикла. Этот этап называется наблюдение (observe). Наблюдение становится следующим восприятием – и цикл повторяется снова.

Цикл повторяется, пока не произойдёт одно из двух: цель достигнута или сработало условие остановки – лимит шагов, лимит бюджета, тайм-аут или правило «теперь спроси человека». Это условие остановки – не формальность. Это педаль тормоза: без неё цикл может крутиться вечно и тратить ресурсы без ограничений.

Нажмите, чтобы увеличить

Чтобы увидеть, как цикл несёт реальную нагрузку, разберём пример из видеонаблюдения шаг за шагом. Цель: «скажи, заходил ли кто-нибудь в погрузочную зону после 22:00 прошлой ночью». Агент воспринимает запрос и доступные камеры. Он рассуждает, что нужно запустить детектор людей на камере погрузочной зоны в интервале с 22:00 до 06:00. Он действует, вызывая этот детектор. Он наблюдает: возвращаются три кандидата – фрагменты видео. Цикл повторяется: он рассуждает, что два из них – пробегающая кошка и тень, действует, более внимательно анализируя третий фрагмент с помощью модели компьютерного зрения, наблюдает человека в 23:14 – и, цель достигнута, действует в последний раз, составляя однострочную заметку об инциденте с таймкодом и ссылкой на фрагмент. Эту последовательность шагов не писал человек. Её выбрал агент, потому что каждое наблюдение меняло следующее решение. В этом и заключается суть.

Почему цикл естественно подходит для видео

Видео – одна из немногих областей, где цикл агента почти всегда окупается, и причина в одном: видео огромно и в основном пусто. Одна камера за сутки записывает 86 400 секунд, из которых интересный момент может длиться всего четыре секунды. Неделя записанных встреч – десятки часов, а нужное решение содержится всего в двух предложениях. Сам по себе генеративный ИИ здесь не поможет – невозможно загрузить неделю видео в один запрос. Нужна система, способная пойти и посмотреть, сузить фокус, ещё раз внимательно изучить и вернуть только самое важное. Именно это и делает цикл.

Именно поэтому в 2026 году самые ценные видео-ИИ-функции – агентные, а не генеративные. Поставщики видеонаблюдения теперь описывают поиск по записи на естественном языке, который превращает расследования «из дней в секунды»: оператор задаёт вопрос обычными словами, а система просматривает записи с тысяч камер и возвращает нужные фрагменты – и, по их данным, команды закрывают значительную долю тревог менее чем за минуту. Ничего из этого не является одной лишь задачей для модели. Это цикл агента, который последовательно выполняет детекцию, фильтрацию и проверку на «флоте» камер.

Четыре агентных паттерна повторяются в видеопродуктах, которые мы создаём и которые разрабатывают другие – каждый из них соответствует отдельному уроку этой серии. Первый – исследователь: агент, который ищет в архиве по заданному вопросу и возвращает доказательства, как в примере с наблюдением выше. Второй – копилот встреч: агент, присоединяющийся к живому звонку, следящий за ходом разговора и способный действовать во время или после него – будь то подбор нужного документа или постановка задач. Третий – асинхронный ревьюер: агент, который за ночь обрабатывает бэклог записанных видео – размечает, модерирует или проверяет качество – и показывает человеку только исключения. Четвёртый – реактор реального времени: агент, встроенный в живой пайплайн, который анализирует поток и запускает действия, например, тревогу при событии безопасности. Каждый из них – тот же цикл, но с иной целью и другим набором инструментов.

Нажмите, чтобы увеличить

Когда НЕ нужно строить агента

Самая дорогая ошибка в этой области – пытаться использовать агента там, где справится более простой инструмент. Цикл агента силён именно потому, что он открыт: а открытые системы медленнее, дороже и менее предсказуемы, чем фиксированные. Три правила помогут вам оставаться в рамках разумного.

Если шаги никогда не меняются – стройте не агента, а рабочий процесс (workflow). Anthropic чётко проводит эту границу: workflow – это система, в которой модели и инструменты оркестрируются по заранее заданным вами путям кода, а агент – система, где выбор пути осуществляет сама модель. «Расшифровать каждое загруженное видео, затем перевести субтитры, затем опубликовать» – это фиксированная последовательность. Вы заранее знаете каждый шаг, поэтому опишите их кодом. Результат будет быстрее, дешевле и проще в тестировании, чем у любого агента, а контроль останется за вами. Используйте агента только тогда, когда дерево решений действительно невозможно задать заранее – когда следующий шаг по-настоящему зависит от того, что обнаружил предыдущий.

Если на вопрос можно ответить одним вызовом модели – не используйте цикл. Превью, субтитры, резюме ролика, который у вас уже есть, – это генеративные задачи. Обернуть их в агента – значит добавить стоимость и задержку без какой-либо пользы.

Если цена ошибочного автономного действия высока, а контрольной точки с участием человека нет – не позволяйте агенту действовать без надзора. В регулируемых сферах – например, в телемедицине, при помеченных событиях наблюдения или во всех случаях, затрагивающих права человека – устойчивый паттерн таков: агент собирает доказательства и структурирует работу, а окончательное решение принимает человек. Это не ограничение, которое нужно обойти; в 2026 году это всё чаще становится требованием закона.

Где здесь Фора Софт

Мы создаём видеопродукты – видеосвязь, стриминг, OTT, видеонаблюдение, e-learning, телемедицину, AR/VR – и во всех них происходит один и тот же переход: от генеративных функций, выдающих единый результат, к агентным, которые запускают цикл по записям и звонкам клиента. В видеосвязи это копилот встреч, способный на большее, чем простая расшифровка. В системе наблюдения – агент-исследователь, который ищет в архиве по запросу на естественном языке. В OTT и e-learning – асинхронные ревьюеры, обрабатывающие накопленный контент и выделяющие только исключения. Наша задача – внедрять такие циклы там, где они окупаются, и не использовать их там, где более честным и дешёвым решением остаётся фиксированный workflow или однократный вызов модели.

Управление, которое требует цикл

Система, способная действовать самостоятельно, поднимает вопрос, который не возникал у чат-ботов: что будет, если она ошибётся? Регуляторы это учли. Согласно статье 50 Регламента (ЕС) 2024/1689 (EU AI Act), пользователи должны быть проинформированы о взаимодействии с ИИ-системой – это требование касается и агента, присоединяющегося к встрече по календарю, и видеоассистента, общающегося с клиентом. Аналитики также чётко определяют риски: Gartner прогнозирует, что к концу 2026 года количество судебных исков из-за недостаточных ограничений ИИ достигнет тысяч, а более 40% проектов на основе agentic-ИИ будут свёрнуты к концу 2027 года – в основном из-за высокой стоимости, неясной ценности и слабого контроля рисков.

Урок не в том, чтобы «избегать агентов». Он в том, чтобы заранее установить для каждого цикла лимит бюджета, лимит шагов, вести журнал аудита и обеспечить возможность передачи дела человеку до запуска системы. Урок 7.7 этой серии подробно разбирает эту дисциплину.

Главное

• Генеративный ИИ отвечает один раз; агентный ИИ работает по циклу и способен исправлять ошибки.
• ИИ-агент – это единая сущность с целью и инструментами; агентный ИИ – согласованный паттерн поведения.
• Цикл агента состоит из четырёх шагов: восприятие, рассуждение, действие, наблюдение – и повторяется снова.
• Агентный ИИ использует генеративный ИИ как часть своей архитектуры; они не являются конкурентами.
• Видео хорошо подходит для агентов: сигнал небольшой, а объём данных огромен.
• Если шаги фиксированы – стройте workflow; используйте агента только тогда, когда шаги не фиксированы.

Что почитать дальше

• Инструменты, память и планирование – базовые элементы агента
• LangGraph vs CrewAI vs AutoGen – как выбрать фреймворк для агентов
• Оценка, безопасность, стоимость и отслеживаемость агента – AgentOps