Разработчикам. Автоматизация исследований через агентов упирается не в код или эксперименты, а в креативность и способность менять курс. Если делаете AI-агента, закладывайте механизмы бэктрекинга и оценки перспективности гипотез — иначе он зациклится на первом тупиковом подходе.

Бизнесу. Обещания вендоров про самообучающийся ИИ стоит делить на два: автоматизация рутины (код-ревью, эксперименты) уже работает, но стратегическое мышление и креативные повороты — пока прерогатива людей. Планируя автоматизацию, разделяйте задачи на проверяемые (можно агенту) и открытые (нужен человек).

Инвесторам. Хайп вокруг рекурсивного самоулучшения (AI улучшает AI без людей) сильно опережает реальность. Инфраструктурные платформы (API, GPU) и инструменты для автоматизации узких задач — ставка безопаснее, чем ставка на полностью автономные исследовательские лаборатории.

• Платформа для «оркестрации» AI-агентов в исследованиях: человек ставит стратегию, агент выполняет эксперименты и рутину — гибрид, где каждый делает своё
• Сервис авто-оценки гипотез: инструмент, который на ранней стадии прогнозирует, стоит ли гипотеза дальнейших экспериментов (метрики перспективности до запуска)
• Консалтинг для компаний: аудит задач на автоматизируемость — разделить рутину (можно агентам) и креатив (нужны люди), чтобы не переоценить возможности ИИ
• Тренинговые датасеты для открытых задач: если проблема в reinforcement learning на проверяемых задачах, можно создавать синтетические среды для тренировки на открытых исследовательских кейсах
• Инструмент «ретроспектива агента»: AI, который анализирует провалы агента и предлагает, где стоило сменить подход (для обучения следующих версий моделей)

• Переоценка возможностей агентов приведёт к провалам проектов, где компании ставят на полную автономию там, где нужен человек-эксперт
• Вендоры будут продавать «самоулучшающийся ИИ» как маркетинг, хотя внутри всё равно нужен человек-контроль (как с «полностью автономными автомобилями»)
• Ограничения на доступ к моделям (как Mythos после требований администрации Трампа) усилят монополию крупных игроков, мелкие стартапы не смогут экспериментировать
• Исследование ограничено двумя статьями и субъективной оценкой авторов — выводы могут оказаться слишком пессимистичными (или наоборот)

Когда читаешь, как агент запускает сотни экспериментов, но потом отбрасывает перспективную гипотезу после двух неудач — понимаешь, почему ИИ-лаборатории без людей не взлетят. Модели тренируют на задачах, где есть чёткий критерий правильности (код скомпилировался — молодец, не скомпилировался — плохо). А в исследованиях нет единственно верного ответа: нужно чутьё, умение менять курс, понимать, когда гипотеза перспективна, а когда тупик. Это как разница между джуном, который делает всё по инструкции, и сеньором, который чувствует, где задача пойдёт не туда, и перестраивается на лету.

Вывод простой: ставки на гибридные системы (ИИ делает рутину, человек — стратегию) выглядят намного реалистичнее, чем фантазии про автономные AI-лаборатории. Если вы строите продукт или инвестируете — разделяйте задачи на проверяемые (можно агенту) и открытые (нужен эксперт). И не верьте обещаниям про «ИИ сам себя улучшит завтра» — это красивая история для презентаций, а реальность пока намного приземлённее.