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, пока цель не достигнута. «ИИ-агент» – это отдельная рабочая единица внутри этой идеи; «agentic ИИ» – более широкий паттерн, где один или несколько агентов координируются ради цели при минимальном контроле человека. Двигатель, который превращает агента в нечто большее, чем чат-бот, – это цикл агента: четыре шага «восприятие, рассуждение, действие, наблюдение», впервые формализованные в статье ReAct 2022 года. Для видеопродукта это разница между функцией, которая делает субтитры к одному ролику, и системой, которая сама просматривает архив, находит инцидент, собирает доказательства и пишет отчёт.

Зачем это нужно

Если вы создаёте или покупаете видеопродукт – видеосвязь, видеонаблюдение, OTT, e-learning, телемедицину – слова «generative», «agent» и «agentic» теперь встречаются в каждой презентации поставщика, как будто это одно и то же. Это не так, и разница между ними определяет стоимость, риск и то, что вы реально можете пообещать клиенту. Эта статья – для менеджеров продукта, основателей и руководителей операций, которым нужно различать три понятия достаточно хорошо, чтобы оценить проект, задать поставщику правильные вопросы и поговорить со своими инженерами. К концу вы сможете нарисовать цикл агента на доске и точно сказать, где ему место 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. Они находятся на трёх разных уровнях. Одно – это способность, другое – единица, третье – паттерн поведения. Определите каждое простыми словами до того, как прозвучит сам термин, и путаница исчезает.

Способность создавать контент, которую называют generative AI (генеративный ИИ), – это программа, которая выдаёт новый результат (текст, изображение, звук, краткое содержание, фрагмент кода) на основе закономерностей, выученных при обучении. Вы даёте запрос – она даёт результат. Она реактивна: ждёт вопроса, отвечает и останавливается. Модель, которая пишет краткое содержание встречи из расшифровки, – это generative AI. И та, что рисует превью или набрасывает ответ, – тоже. Работа начинается и заканчивается одним ответом.

Отдельная рабочая единица, которую называют ИИ-агентом, – это программа, использующая генеративную модель как «мозг», но добавляющая три вещи, которых у модели самой по себе нет: цель, возможность вызывать инструменты и свободу выбирать следующий шаг. Агент не просто отвечает – он действует. Он может обратиться к базе данных, вызвать API, открыть веб-страницу, запустить скрипт, а затем посмотреть на результат и решить, что делать дальше. IBM описывает ИИ-агента как систему, которая автономно выполняет задачи, сама проектируя рабочий процесс из доступных инструментов. Ключевое слово – автономно: порядок действий выбирает агент, а не жёсткий скрипт.

Более широкое поведение, которое называют agentic AI (агентный ИИ), – это свойство работать ради цели при минимальном контроле: воспринимать ситуацию, рассуждать о ней, разбивать на шаги, действовать и корректироваться по результатам. Один достаточно способный агент уже может быть «агентным». Но чаще agentic ИИ описывает систему из нескольких агентов, которые координируются, передают работу друг другу и хранят общую память – то, что в отрасли называют оркестрацией. NVIDIA и IBM описывают это как переход от одной модели, отвечающей на один вопрос, к нескольким агентам, которые рассуждают, планируют и работают вместе на уровне разных программ.

Вот связь в одну строку. Generative ИИ – это двигатель. ИИ-агент – это одна машина, построенная вокруг двигателя. Agentic ИИ – это дорожная система, которая позволяет одной или многим машинам самостоятельно куда-то доехать. Двигатель может существовать без машины, а машина – без согласованной дорожной системы, но agentic ИИ без двигателя внутри не бывает.

Нажмите, чтобы увеличить

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

Уберите маркетинг – и останется 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 круг. Система совершает действие, смотрит, что произошло, и подаёт этот результат в своё следующее решение. Поскольку она видит последствия, она может скорректировать курс. Попросите generative ИИ «найти момент, когда в этой 8-часовой записи парковки приезжает фургон» – и она будет угадывать из того, что вы вставили в запрос. Попросите agentic-систему о том же – и она прогонит детектор по записи, получит список кандидатов-таймкодов, просмотрит эти сегменты, отбросит ложные срабатывания и вернёт тот единственный фрагмент, где действительно виден фургон, – потому что результат каждого шага влиял на следующий.

Цена этого цикла видна на цифрах. Допустим, генеративное краткое содержание часовой встречи стоит один вызов модели. Агент, который выдаёт то же содержание, но ещё и сверяет пункты задач с календарём, проверяет, что каждый ответственный есть в каталоге сотрудников, и подшивает заметки в нужный проект, может сделать 8–12 вызовов модели плюс 6 вызовов инструментов. Если один вызов модели стоит $0,01, генеративный путь обходится примерно в $0,01, а агентный – примерно в $0,10–$0,20: в 10–20 раз дороже, и результат к тому же медленнее. Эта надбавка покупает надёжность и автономность. Платить за неё стоит только тогда, когда задача в них действительно нуждается. Инженерные рекомендации Anthropic прямолинейны: найдите простейшее решение, которое работает, и добавляйте агентную сложность лишь тогда, когда более простой подход не справился.

Таблица заодно отвечает на самый частый поисковый вопрос по теме – agentic ai vs generative ai – не назначая победителя. Они не конкуренты. Agentic ИИ использует generative ИИ как одну из своих частей. Правильный вопрос не «что лучше», а «этой задаче нужен один ответ или цикл?».

ИИ-агенты vs Agentic ИИ: единица против паттерна

Вторая путаница тоньше, потому что эти термины действительно близки. Самый чистый способ их развести: ИИ-агент – это то, на что можно показать пальцем; agentic ИИ – это способ вести себя.

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

Это важно для решений о покупке, потому что поставщики размывают границу намеренно. «У нас есть ИИ-агенты» может означать одного полезного ассистента или согласованный «флот», а это очень разные продукты в эксплуатации. Полезная проверка, когда поставщик говорит «agentic»: спросите – сколько агентов и кто их оркеструет? Если ответ «один агент, который пользуется инструментами», вы покупаете способного ассистента – ценного, но более простого в понимании. Если ответ «агент-планировщик, который делегирует агенту зрения и агенту отчётов», вы покупаете многоагентную систему – мощнее, но заметно сложнее тестировать, защищать и удерживать в бюджете.

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 сбоя. Агентное поведение рождается из планирования и оркестрации, а не из числа агентов. Команды, у которых получается, начинают с минимального работающего дизайна – часто с одного агента – и добавляют агентов лишь тогда, когда один доказуемо не вмещает всю задачу.

Цикл агента: двигатель под капотом

Всё агентное работает на одном механизме. У него есть имя из исследований и форма, достаточно простая, чтобы нарисовать по памяти. Это цикл агента, и его канонический вариант – из статьи 2022 года Yao с коллегами из Принстона и Google под названием ReAct (сокращение от «Reasoning and Acting», «рассуждение и действие»). Идея статьи: языковая модель работает гораздо лучше, когда чередует рассуждение вслух и совершение действий, а не делает что-то одно.

В цикле четыре шага. Определим каждый до того, как назовём, – так же, как объясняли бы тому, кто 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 думает: решает, что означает ситуация и что делать дальше. Этот шаг планирования называется рассуждение (reason). Модель пишет короткую внутреннюю заметку – «фургона в последнем часе записи нет, расширить окно поиска» – которая ведёт её к следующему ходу. Эти заметки – те самые «следы рассуждений», ценность которых показала статья ReAct.

В-третьих, система делает что-то во внешнем мире – запускает детектор, обращается к базе, вызывает API, отправляет сообщение. Этот шаг называется действие (act). Именно действие отделяет агента от чат-бота; это единственный шаг, который меняет что-либо за пределами собственного текста модели.

В-четвёртых, система смотрит на результат своего действия и подаёт его обратно в начало цикла. Этот шаг называется наблюдение (observe). Наблюдение становится следующим восприятием – и круг поворачивается снова.

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

Нажмите, чтобы увеличить

Чтобы увидеть, как цикл несёт реальную нагрузку, пройдём 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 прогнать детектор людей по камере погрузочной зоны в интервале 22:00–06:00. Он действует, вызывая этот детектор. Он наблюдает, что вернулись три кандидата-фрагмента. Цикл повторяется: он рассуждает, что два фрагмента – это пробегающая кошка и тень, действует, рассматривая третий внимательнее с помощью модели зрения, наблюдает человека в 23:14 – и, цель достигнута, действует в последний раз, набрасывая 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 вся суть.

Почему цикл естественно подходит видео

Видео – редкая область, где цикл агента почти всегда оправдывает свою стоимость, по одной причине: видео огромно и в основном пусто. Одна камера за сутки выдаёт 86 400 секунд записи, в которых интересный момент может длиться четыре секунды. Неделя записанных встреч – это десятки часов, в которых нужное решение живёт в двух предложениях. Generative ИИ сам по себе тут не поможет – нельзя вставить неделю видео в запрос. Нужна система, которая может пойти и посмотреть, сузить, посмотреть ещё раз и принести только то, что важно. Это и есть цикл.

Именно поэтому самые ценные видео-ИИ-функции в 2026 году – 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 опрашивает записи с тысяч камер и возвращает нужные фрагменты – и команды, по их данным, закрывают значительную долю тревог менее чем за минуту. Ничего из этого не является одним вызовом модели. Это цикл агента, гоняющий детекцию, фильтрацию и проверку по «флоту» камер.

Четыре агентных паттерна повторяются в видеопродуктах, которые строим мы и другие, и каждый соответствует отдельному уроку этой серии. Первый – исследователь: агент, который ищет в архиве по вопросу и возвращает доказательства, как в примере с наблюдением выше. Второй – копилот встреч: агент, который присоединяется к живому звонку, следит за разговором и действует во время или после него – от подъёма нужного документа до постановки задач. Третий – асинхронный ревьюер: агент, который за ночь обрабатывает бэклог записанного видео – размечает, модерирует или проверяет качество – и выносит человеку только исключения. Четвёртый – реактор реального времени: агент внутри живого пайплайна, который смотрит поток и запускает действие, например тревогу по событию безопасности. Каждый – это тот же цикл с другой целью и другим набором инструментов.

Нажмите, чтобы увеличить

Когда НЕ нужно строить агента

Самая дорогая ошибка в этой области – тянуться за агентом там, где справился бы инструмент попроще. Цикл агента мощен именно потому, что он открытый, – а открытые системы медленнее, дороже и менее предсказуемы, чем фиксированные. Три правила держат вас в честных рамках.

Если шаги никогда не меняются – стройте не агента, а рабочий процесс (workflow). Anthropic проводит эту границу чисто: workflow – это система, где модели и инструменты оркестрованы по заранее написанным вами путям кода, а агент – система, где путь выбирает сама модель. «Расшифровать каждое загруженное видео, затем перевести субтитры, затем опубликовать» – фиксированная последовательность. Вы знаете каждый шаг заранее, поэтому опишите их кодом. Результат будет быстрее, дешевле и проще в тестировании, чем у любого агента, и контроль остаётся у вас. Берите агента только тогда, когда дерево решений действительно нельзя разметить заранее – когда следующий шаг по-настоящему зависит от того, что нашёл предыдущий.

Если на вопрос отвечает один вызов модели – не делайте цикл. Превью, субтитры, резюме ролика, который у вас уже есть, – это генеративные задачи. Обернуть их в агента – значит добавить стоимость и задержку ни за что.

Если цена ошибочного автономного действия высока, а проверочной точки с человеком нет – не давайте агенту действовать без надзора. В регулируемых сферах – заметка в телемедицине, помеченное событие наблюдения, всё, что затрагивает права человека, – устойчивый паттерн таков: агент собирает доказательства и структурирует работу, а финальное решение принимает человек. Это не ограничение, которое надо обойти; в 2026 году это всё чаще требование закона.

Где здесь Фора Софт

Мы строим видеопродукты – видеосвязь, стриминг, OTT, видеонаблюдение, e-learning, телемедицину, AR/VR – и во всех них идёт один и тот же сдвиг: от генеративных функций, выдающих один результат, к агентным функциям, гоняющим цикл по записям и звонкам клиента. В видеосвязи это копилот встреч, который умеет больше, чем расшифровка. В наблюдении – агент-исследователь, который ищет в архиве по вопросу на обычном языке. В OTT и e-learning – асинхронные ревьюеры, обрабатывающие бэклог контента и выносящие наверх только исключения. Наша роль – ставить цикл туда, где он окупается, и не пускать его туда, где честный и более дешёвый ответ – это фиксированный workflow или один вызов модели.

Управление, которого требует цикл

Система, способная действовать сама, поднимает вопрос, которого у чат-бота не было: что будет, если она ошибётся? Регуляторы это заметили. EU AI Act (Регламент (ЕС) 2024/1689) в статье 50 требует сообщать людям, что они взаимодействуют с ИИ-системой, – а это обязан соблюдать и агент, присоединяющийся к встрече по календарю, и видеоассистент, общающийся с клиентом. Аналитики тоже прямолинейны насчёт кривой риска: Gartner ожидает, что к концу 2026 года число судебных претензий из-за недостаточных ИИ-ограничителей пойдёт на тысячи, и прогнозирует, что более 40% agentic-ИИ-проектов будут свёрнуты к концу 2027 года – в основном из-за стоимости, неясной ценности и слабого контроля рисков. Урок не в том, чтобы «избегать агентов». Он в том, чтобы дать каждому циклу лимит бюджета, лимит шагов, журнал аудита и выход к человеку до того, как вы это выпустите. Урок 7.7 этой серии разбирает эту дисциплину полностью.

Главное

• Generative ИИ отвечает один раз; agentic ИИ работает по циклу и умеет исправляться.
• ИИ-агент – единая единица с целью и инструментами; agentic ИИ – согласованный паттерн.
• Цикл агента – четыре шага: восприятие, рассуждение, действие, наблюдение – повтор.
• Agentic ИИ использует generative ИИ как часть; они не конкуренты.
• Видео подходит агентам: сигнал крошечный, а записи огромны.
• Шаги фиксированы – стройте workflow; агента – только если они не фиксированы.

Что почитать дальше

• Инструменты, память и планирование – примитивы агента
• LangGraph vs CrewAI vs AutoGen – выбор фреймворка агента
• Оценка, безопасность, стоимость и наблюдаемость агента – AgentOps