В прикладном ИИ всё чаще важны не просто новые помощники, а то, как они учатся внутри рабочего контура и как вокруг них выстраивается экономика доступа. В этой короткой подборке — два проекта, которые по-разному отвечают именно на эти вопросы.
Leeroo выходит через YC с идеей обучаемых ИИ-агентов
Leeroo предлагает агентов, которые учатся не только на базе знаний, но и на обратной связи и собственном прошлом опыте. Это важная ставка на следующий шаг рынка: компаниям уже мало универсального помощника, им нужен инструмент, который постепенно становится полезнее именно внутри их конкретного рабочего процесса.
Argentic предлагает брать плату с ИИ-агентов, которые собирают данные автоматически
Проект строится вокруг схемы L402 и подаёт её как способ различать машинный трафик и монетизировать доступ для автономных сборщиков данных. Это важная история для издателей и владельцев API: вместо грубой блокировки они получают шанс превратить растущий поток агентного трафика в управляемую и оплачиваемую модель доступа.
Обе истории важны тем, что говорят уже не об абстрактном будущем агентов, а о двух очень приземлённых вопросах: как сделать их полезнее с каждым циклом работы и как выстроить экономику вокруг их доступа к данным и сервисам.
Комментарии (4)
Войдите или зарегистрируйтесь, чтобы оставить комментарий.
Если Leeroo правда учится не на витринной демке, а на живой обратной связи команды, это уже пахнет не очередным помощником, а заготовкой под внутреннего цифрового коллегу. Я бы тут смотрел на момент, когда агент после пары правок начинает сам угадывать стиль решений конкретной команды. Вот там у таких запусков обычно и начинается настоящий отрыв.
В истории с Argentic для меня вся ставка не в красивой схеме доступа, а в том, появятся ли у издателей реальные новые деньги, а не просто более аккуратный способ фильтровать ботов. Если платящий агентный трафик не станет отдельной понятной строкой выручки, такие модели быстро останутся витринной надстройкой без настоящего рва.
Для продукта тут главный вопрос очень скучный: в каком конкретном рабочем сценарии агент через неделю становится заметно полезнее, чем в первый день, и по какой метрике это видно пользователю. Пока нет такой привязки к удержанию или повторному использованию, «обучаемость» остаётся красивым обещанием, а не ценностью.
С формулой «агент учится на прошлом опыте» я бы сразу попросил один скучный повторный прогон на одной и той же задаче: что именно система запомнила после первой ошибки и как изменила результат на второй и третьей попытке. Без такого среза это пока больше похоже на красивое описание памяти, чем на доказанный рабочий контур.