Gemini 4 Argon: агенты переходят от ответов к самостоятельному выполнению задач
Google выпустила агента Gemini 4 Argon для долгих сложных задач: предел вывода в миллион токенов, встроенная самопроверка и работа в среде разработки. Одновременно свои агентские продукты показали OpenAI, Anthropic, Microsoft и крупные китайские компании.
Google официально выпустила агента Gemini 4 Argon. Эта модель, рассчитанная на сложные долгие задачи, уже не ограничивается плавным диалогом или точным извлечением знаний, а нацелена на самостоятельное продвижение к цели и выдачу готового результата. Она способна написать десятки тысяч строк кода, подготовить глубокий профессиональный отчёт, несколько суток подряд вести стратегию в задачах защиты и атаки в кибербезопасности — всё это отмечает ключевой переход больших моделей от познавательного интеллекта к деятельному.
Одновременно OpenAI, Anthropic, Microsoft и ведущие китайские компании тоже выкатили свои агентские продукты: мировая гонка вокруг вопроса «кто заставит ИИ по-настоящему работать» вошла в самую горячую фазу.
Границы возможностей агента переопределены
Выпуск Gemini 4 Argon всколыхнул отрасль прежде всего потому, что модель преодолела три традиционных ограничения больших моделей: длину контекста, надёжность вызова инструментов и способность вести задачу до конца. Поддерживаемый предел вывода в 1 млн токенов — не простое наращивание цифры, а необходимая рабочая память для длинных цепочек рассуждений. Это означает, что агент может в одной связной цепочке мысли проработать архитектуру целого программного проекта, перекрёстно сверить несколько юридических договоров или провести полный цикл тестирования на проникновение, не теряя логику из-за обрезанного контекста.
Ещё важнее встроенный механизм самопроверки и исправления ошибок: по ходу работы модель сама следит, соответствует ли результат ожиданиям, и при расхождении автоматически возвращается назад и корректирует ход — это резко снижает частоту вмешательства человека. Такая замкнутая петля отличает её от прежних моделей, умевших только «отвечать за один проход», и даёт настоящую выносливость в непрерывной работе.
По способностям к программированию Gemini 4 Argon демонстрирует уровень, близкий к практике опытного инженера. Модель не только создаёт работающий код по описанию на обычном языке, но и разбирает структуру существующей кодовой базы, находит потенциальные уязвимости, предлагает рефакторинг и прямо выполняет правки в среде разработки. В авторитетных тестах вроде DeepSWE её результат на реальных задачах разработки заметно превосходит предыдущее поколение и большинство конкурентов. Это делает её серьёзным подспорьем для корпоративных команд разработки, особенно в трудоёмких сценариях — поддержке унаследованных систем, автоматической генерации тестов.
Качественный скачок произошёл и в создании содержания. В отличие от прежних моделей, выдававших лишь выжимки или черновики, Gemini 4 Argon умеет на разнородных входных данных (PDF с финансовой отчётностью, графики рыночных показателей, аудиозапись совещания) выдать профессиональный документ с законченной структурой и прочной доказательной базой. В финансовом анализе она автоматически вытягивает ключевые показатели, сравнивает компанию с конкурентами, пишет предупреждения о рисках и указывает источники данных; в юридической области — просматривает сотни страниц договорных условий, помечает рискованные места и предлагает правки. Это уже не «материал для справки», а полуфабрикат или даже готовый продукт, пригодный для решений и сдачи заказчику.
Однако такая сила подняла и порог доступа. Пока Gemini 4 Argon открыта для тестирования только по программе FairWind — строго отобранным командам по кибербезопасности и профессиональным разработчикам; обычный пользователь попробовать её не может. Это объясняется и соображениями безопасности — чтобы продвинутую самостоятельность не употребили во зло, — и точным прицелом Google на верхний сегмент рынка.
Цена (2 доллара за миллион токенов на входе и 10 долларов на выходе) заметно выше, чем у универсальных моделей, и явно указывает на корпоративных заказчиков, готовых платить за «сданный результат», а не за «потраченные вычисления». Примечательно, что в день выпуска Argon версии Gemini Flash и Pro официально перешли на платную модель: Google ускоренно строит многоуровневую систему монетизации, где базовые модели обеспечивают денежный поток, а флагманский агент занимает самые дорогие сценарии.
Разные пути крупных игроков
Кроме Google, другие технологические гиганты тоже выстроили собственные агентские направления, опираясь на сильные стороны своих экосистем.
OpenAI ещё в конце 2025 года представила агентов Operator и Codex, сделав упор на выполнение задачи от начала до конца. Operator сосредоточен на операциях между сайтами в браузере — бронировании поездок, заполнении форм, сравнении цен при покупках, — и его главная сила в точном распознавании элементов веб-страниц и моделировании человеческого поведения. Codex глубоко ушёл в программирование: он умеет самостоятельно работать в облачной песочнице с полноценной средой разработки, автоматизируя всё от разбора требований до развёртывания. По сравнению с Gemini 4 Argon OpenAI больше делает ставку на легковесное немедленное выполнение, что подходит частным пользователям и небольшим командам для повседневной продуктивности, но в очень длинных сложных задачах устойчивость пока отстаёт.
Anthropic вошла в эту область через Claude Computer Use и проект Vendetta, делая упор на безопасную и управляемую самостоятельность. Принципы «конституционного ИИ» заложены в исполнительный слой её агентов изначально, так что каждый шаг соответствует заранее заданным этическим и защитным ограничениям. Computer Use позволяет ИИ напрямую управлять настольными приложениями, но все действия требуют явного разрешения и полностью протоколируются; проект Vendetta нацелен на работу со знаниями внутри компании — строгое разделение прав и обезличивание данных позволяют агенту обрабатывать чувствительные задачи, не нарушая требований. Такая осторожная линия частично жертвует гибкостью, зато привлекает жёстко регулируемые отрасли вроде финансов и здравоохранения.
Самая практичная стратегия у Microsoft: агенты глубоко встроены в экосистему Microsoft 365. Copilot Agents — не отдельный продукт, а «родная возможность» приложений Word, Excel, Teams. Не переключая интерфейс, пользователь может поручить ИИ набросать письмо в документе, автоматически собрать формулу в таблице, вытащить из протокола совещания задачи и распределить их по команде. Главное достоинство — бесшовная стыковка с уже сложившимися рабочими процессами и низкий порог освоения; но и самостоятельность ограничена возможностями офисного пакета, поэтому межплатформенные и неструктурированные задачи ему тяжелы.
Китайские компании нажимают на локальные сценарии и отраслевую специализацию. Agent для Tongyi Qianwen от Alibaba уже подключён к корпоративным сервисам DingTalk и Alibaba Cloud и поддерживает местные офисные потребности в китайской языковой среде: согласования, формирование отчётов, обновление базы знаний службы поддержки. Агент Wenxin от Baidu опирается на поиск и ленту новостей и замыкает цикл в потребительских сценариях — создании содержания, подборе товаров в электронной торговле, консультациях по госуслугам. Платформа Coze от ByteDance даёт инструменты сборки агентов с минимумом кода, чтобы малые и средние предприятия быстро делали себе «ИИ-сотрудника» под свои нужды. В отличие от зарубежных игроков, гонящихся за универсальными способностями, китайские участники больше заботятся о немедленной отдаче: они плотно сращивают агента с действующими бизнес-системами, сокращая путь от технологии к деньгам.
Трудности и перспективы эпохи агентов
Хотя продуктов уже много, массовому распространению прикладных агентов мешает сразу несколько трудностей. Первая — надёжность: даже у самых продвинутых моделей в длинных цепочках сохраняется риск накопления галлюцинаций, и одна мелкая ошибка может разрастись на последующих шагах, полностью увести итог в сторону. Вторая — безопасность и доверие: когда у ИИ есть права на операционную систему, доступ к базам данных и отправку писем, как предотвратить ошибочные действия или злоупотребление? Существующие песочницы и системы разграничения прав ещё не закрывают все направления атак.
Третья — проверка бизнес-модели: готовы ли компании платить большие деньги за неопределённый результат? Нынешняя схема оплаты по токенам расходится с ожиданием платить за результат, и нужны новые способы измерять ценность. Эти три трудности переплетены и решают, выйдут ли агенты из демонстраций в массовое коммерческое применение.
На будущее у агентов вырисовываются три тенденции. Первая — специализация: универсальные агенты постепенно уступят место отраслевым моделям, настроенным под конкретные области (разработку лекарств, проектирование микросхем, юридическую поддержку). Вторая — зрелость схемы совместной работы человека и машины: ИИ не пытается полностью заменить человека, а встраивается в рабочий процесс как «усиливающий соработник», где на человеке надзор, решения и творческая часть, а на ИИ — исполнение, проверка и доработка. Третья — рост стандартизации и совместимости: агенты разных производителей, вероятно, научатся вызывать друг друга по единому протоколу, образуя «интернет агентов» и давая гораздо больший совместный эффект.
Выпуск Gemini 4 Argon похож на камень, брошенный в озеро: круги от него быстро расходятся по всей отрасли ИИ. Он доказал, что большие модели могут выйти за пределы понимания языка и действительно стать цифровой рабочей силой, способной брать на себя ответственность и приносить пользу. А острая конкуренция мировых производителей ускоряет переход этого замысла из лаборатории в реальность.