Дайджест AI Intelligence — 27.05.2026
Экономика агентов: новый этап монетизации и поиск Product-Market Fit
Индустрия больших языковых моделей достигла критической точки в вопросах монетизации. Весна 2026 года ознаменовалась агрессивным изменением ценовой политики двух главных игроков — OpenAI и Anthropic. Обе компании перешли от модели фиксированных подписок для корпоративных клиентов к тарификации, привязанной к реальному использованию API.
Этот сдвиг указывает на то, что разработчики наконец нашли истинный «product-market fit». Основным драйвером роста стали специализированные агенты для кодинга и общего назначения, такие как Claude Code, Cowork и Codex. Эти инструменты стали повседневными помощниками для высокооплачиваемых профессионалов, прежде всего инженеров по программному обеспечению. Потребление токенов в таких сценариях кратно выше, чем при обычном использовании чат-ботов, что позволяет лабораториям AI значительно увеличить выручку.
Примером масштабов этого спроса служат сообщения о том, что компания Uber исчерпала свой AI-бюджет всего за несколько месяцев 2026 года из-за интенсивного использования Claude Code. В то же время Anthropic демонстрирует стремительный рост: по слухам, компания может впервые выйти на прибыльность во втором квартале, а ее ежемесячные расходы на вычислительные мощности (в частности, через соглашения по Colossus и Colossus II) достигают 1,25 миллиарда долларов.
Экспансия Anthropic: курс на Корею
На фоне финансового роста Anthropic активно расширяет свое глобальное присутствие. Компания назначила КиЁн Чоя (KiYoung Choi) представителем директора в Корее в преддверии открытия офиса в Сеуле. Южная Корея стала одним из самых активных рынков для Claude.ai, где темпы использования сервиса превышают ожидаемые в 3,5 раза.
Корейский рынок характеризуется высокой степенью технической зрелости и активным внедрением AI в корпоративном секторе. Так, компания Law&Company уже использует Claude для создания AI-помощника для юристов, а телекоммуникационный гигант SK Telecom внедрил кастомную модель Claude для улучшения качества обслуживания клиентов.
POLAR: эволюция персонализированных воплощенных агентов
Параллельно с бизнес-процессами развиваются технологии воплощенного интеллекта (Embodied AI). Одной из главных проблем современных мультимодальных моделей (MLLM) остается трудность работы с долгосрочной памятью и персонализацией. Обычные агенты неплохо справляются с общими командами, но пасуют, когда нужно найти конкретный предмет, который пользователь описывает косвенно, опираясь на прошлый опыт (например, «принеси те очки, что я купил перед поездкой осенью»).
Для решения этой проблемы была разработана платформа POLAR — фреймворк с расширенной памятью для воплощенных агентов. В отличие от простых логов или суммаризаций, POLAR организует информацию в виде мультимодального графа знаний, который делится на два типа памяти:
- Семантическая память: хранит краткие утверждения о специфических атрибутах объектов и их связях с пользователем. Это позволяет точно идентифицировать конкретный экземпляр предмета среди множества похожих.
- Эпизодическая память: фиксирует опыт прошлых траекторий перемещения. Она запоминает не всё подряд, а только релевантные для планирования детали: какие комнаты оказались бесполезными для поиска, а какие переходы были информативными.
В ходе испытаний с использованием передовых моделей, включая GPT-5, Gemini-2.5-Flash и Qwen3-VL, POLAR показал значительное превосходство над базовыми решениями. Оказалось, что простого увеличения контекстного окна недостаточно — для эффективной навигации и персонализации нужна именно структурированная память, позволяющая агенту адаптировать стратегию поиска под конкретного человека.
Технологический стек и архитектура управления
Современные воплощенные агенты переходят на иерархическую модель планирования. Высокоуровневый модуль отвечает за построение грубого маршрута по графу сцены (например, перемещение из спальни в гостиную), а низкоуровневый модуль взаимодействует с визуальными данными в реальном времени, выбирая конкретные действия: движение вперед или повороты.
Такой подход, подкрепленный возможностями новых MLLM, позволяет агентам не просто следовать инструкциям, но и рассуждать о контексте. Например, если пользователь просит «принести вещи для поездки», агент, используя память POLAR, может сделать вывод, что наиболее вероятным объектом будет рюкзак, который ранее был найден в гостиной, и соответствующим образом скорректировать свой маршрут.