Проект Opal от Google тихо показал корпоративным командам новый план создания ИИ-агентов

В течение последнего года сообщество специалистов по корпоративному ИИ ведет активные споры о том, какую степень свободы следует предоставлять ИИ-агентам. Если дать слишком мало свободы, получится дорогая автоматизация рабочих процессов, которая едва ли оправдывает звание «агента». Если переборщить — можно получить катастрофическую потерю данных, с которой столкнулись первые пользователи инструментов вроде OpenClaw. На этой неделе подразделение Google Labs выпустило обновление для Opal — своего визуального конструктора агентов без кода, — которое негромко, но уверенно предлагает свое решение. Оно содержит уроки, которые должен внимательно изучить каждый ИТ-лидер, планирующий стратегию внедрения агентов.

Обновление добавляет в Opal так называемый «шаг агента» (agent step), превращающий ранее статичные рабочие процессы с интерфейсом drag-and-drop в динамичные и интерактивные среды. Вместо того чтобы вручную указывать, какую модель или инструмент вызывать и в какой последовательности, разработчики теперь могут просто задать цель, а агент сам определит лучший путь для ее достижения: он выберет инструменты, задействует такие модели, как Gemini 3 Flash или Veo для генерации видео, и даже инициирует диалог с пользователем, если ему потребуется дополнительная информация.

Это звучит как скромное обновление продукта. Но это не так. То, что выпустила Google, представляет собой рабочую эталонную архитектуру для трех возможностей, которые определят корпоративных агентов в 2026 году:

1. Адаптивная маршрутизация

2. Постоянная память

3. Оркестрация с участием человека (human-in-the-loop)

…и все это стало возможным благодаря стремительно растущим способностям к рассуждению у передовых моделей, таких как семейство Gemini 3.

Переломный момент «схода с рельсов»: почему более совершенные модели меняют все в проектировании агентов

Чтобы понять, почему обновление Opal имеет значение, нужно осознать сдвиг, который уже несколько месяцев происходит во всей экосистеме агентов.

Первая волна платформ корпоративных агентов — такие инструменты, как ранние версии CrewAI и первые релизы LangGraph — определялась извечным противоречием между автономностью и контролем. Ранние модели просто не были достаточно надежными, чтобы доверять им принятие решений в условиях неопределенности. Результатом стало то, что практики начали называть «агентами на рельсах»: жестко ограниченные рабочие процессы, где каждая точка принятия решений, каждый вызов инструмента и каждая развилка должны были быть заранее запрограммированы человеческим разработчиком.

Этот подход работал, но имел ограничения. Создание агента «на рельсах» означало необходимость предвидеть каждое возможное состояние системы — комбинаторный кошмар для любых задач, выходящих за рамки простых линейных сценариев. Хуже того, это означало, что агенты не могли адаптироваться к нестандартным ситуациям, хотя именно эта способность делает агентный ИИ ценным в первую очередь.

Семейство моделей Gemini 3, наряду с недавними релизами вроде Claude Opus 4.6 и Sonnet 4.6 от Anthropic, преодолело порог, при котором модели стали достаточно надежными в планировании, рассуждении и самокоррекции, чтобы можно было начать избавляться от «рельсов». Само обновление Opal от Google является признанием этого сдвига. Новый шаг агента не требует от разработчиков предварительного определения каждого шага в рабочем процессе. Вместо этого он доверяет базовой модели оценку цели пользователя, анализ доступных инструментов и динамическое определение оптимальной последовательности действий.

Это тот же паттерн, который обеспечил жизнеспособность агентных рабочих процессов и вызова инструментов в Claude Code: модели достаточно хороши, чтобы определять следующий шаг агента и зачастую даже самостоятельно исправлять ошибки без ручного вмешательства человека при каждом сбое. Разница по сравнению с Claude Code заключается в том, что Google теперь упаковывает эту возможность в готовый для массового потребителя продукт без кода — явный сигнал того, что лежащая в его основе технология переросла экспериментальную фазу.

Для корпоративных команд вывод очевиден: если вы все еще проектируете архитектуры агентов, требующие предопределенных путей для каждого непредвиденного обстоятельства, вы, вероятно, усложняете систему. Новое поколение моделей поддерживает паттерн проектирования, при котором вы задаете цели и ограничения, предоставляете инструменты и позволяете модели самой управлять маршрутизацией — происходит переход от программирования агентов к управлению ими.

Память между сессиями: функция, отделяющая демонстрации от продакшн-агентов

Второе крупное нововведение в обновлении Opal — это постоянная память. Теперь Google позволяет Opal запоминать информацию между сессиями: пользовательские предпочтения, предыдущие взаимодействия, накопленный контекст — создавая агентов, которые совершенствуются по мере использования, а не начинают каждый раз с нуля.

Google не раскрывает техническую реализацию системы памяти Opal. Но сам этот паттерн хорошо зарекомендовал себя в сообществе разработчиков агентов. Такие инструменты, как OpenClaw, работают с памятью в основном через файлы в форматах markdown и JSON — простой подход, который отлично подходит для однопользовательских систем. Корпоративные развертывания сталкиваются с более сложной задачей: поддерживать память для множества пользователей, сессий и границ безопасности без утечки конфиденциального контекста между ними.

Этот водораздел между однопользовательской и многопользовательской памятью — одна из наименее обсуждаемых проблем при развертывании корпоративных агентов. Персональный помощник по программированию, который помнит структуру вашего проекта, принципиально отличается от клиентского агента, который должен поддерживать раздельные состояния памяти для тысяч одновременных пользователей и при этом соблюдать правила хранения данных.

Обновление Opal сигнализирует о том, что Google считает память ключевым компонентом архитектуры агента, а не опциональным дополнением. Для IT-руководителей, оценивающих платформы для агентов, это должно стать критерием при закупках. Фреймворк для агентов без четкой стратегии работы с памятью — это фреймворк, который выдаст впечатляющие демонстрации, но столкнется с трудностями в продакшене, где ценность агента возрастает за счет повторяющихся взаимодействий с одними и теми же пользователями и наборами данных.

Человек в контуре — это не резервный вариант, а паттерн проектирования

Третий столп обновления Opal — это то, что Google называет «интерактивным чатом» (interactive chat): способность агента приостановить выполнение, задать пользователю уточняющий вопрос, собрать недостающую информацию или предложить варианты выбора перед тем, как двигаться дальше. В терминологии архитектуры агентов это оркестрация с участием человека (human-in-the-loop), и ее включение в потребительский продукт весьма показательно.

Самые эффективные агенты, работающие в продакшене сегодня, не являются полностью автономными. Это системы, которые понимают, когда они исчерпали свой лимит уверенности, и могут изящно вернуть управление человеку. Именно этот паттерн отличает надежных корпоративных агентов от тех автономных систем, выходящих из-под контроля, о которых предостерегают по всей индустрии.

В таких фреймворк-системах, как LangGraph, участие человека традиционно реализовывалось как явный узел в графе — жестко закодированная контрольная точка, в которой выполнение приостанавливается для проверки человеком. Подход Opal более гибкий: сам агент решает, когда ему требуется вмешательство человека, основываясь на качестве и полноте имеющейся у него информации. Это более естественный паттерн взаимодействия, который лучше масштабируется, поскольку не требует от разработчика заранее предсказывать, где именно потребуется вмешательство человека.

Для корпоративных архитекторов урок заключается в том, что концепцию human-in-the-loop нельзя рассматривать просто как предохранительную сетку, прикрученную после создания агента. Она должна быть базовой возможностью самого фреймворка агентов — функцией, которую модель может вызывать динамически на основе собственной оценки неопределенности.

Динамическая маршрутизация: позволяем модели выбирать путь

Последняя значимая функция — динамическая маршрутизация, при которой разработчики могут определить несколько путей выполнения задачи и позволить агенту выбрать подходящий на основе заданных критериев. В качестве примера Google приводит агента для подготовки к встречам с руководящим составом, который выбирает разные пути в зависимости от того, встречается ли пользователь с новым или существующим клиентом: в одном случае он ищет справочную информацию в интернете, в другом — изучает внутренние заметки о встречах.

Концептуально это похоже на условное ветвление, которое LangGraph и аналогичные фреймворки поддерживали уже некоторое время. Но реализация в Opal значительно снижает порог входа, позволяя разработчикам описывать критерии маршрутизации на естественном языке, а не с помощью кода. Модель сама интерпретирует критерии и принимает решение о маршрутизации, избавляя разработчика от необходимости писать явную условную логику.

Для бизнеса это имеет огромное значение. Динамическая маршрутизация на основе критериев на естественном языке означает, что бизнес-аналитики и профильные эксперты, а не только разработчики, могут задавать сложное поведение агентов. Это превращает разработку агентов из чисто инженерной дисциплины в процесс, где главным узким местом становятся знания предметной области, что способно значительно ускорить их внедрение в нетехнических бизнес-подразделениях.

Что на самом деле строит Google: слой интеллекта агентов

Если отвлечься от отдельных функций, то общий тренд в обновлении Opal заключается в том, что Google создает уровень интеллекта (intelligence layer), который располагается между намерением пользователя и выполнением сложных многошаговых задач. Опираясь на уроки внутренней агентской SDK под названием «Breadboard», шаг агента — это не просто очередной узел в рабочем процессе, это оркестрационный слой, способный привлекать модели, вызывать инструменты, управлять памятью, осуществлять динамическую маршрутизацию и взаимодействовать с людьми, и все это работает за счет постоянно совершенствующихся возможностей рассуждения базовых моделей Gemini.

Это тот же архитектурный паттерн, который зарождается по всей индустрии. Инструмент Claude Code от Anthropic с его способностью автономно справляться с задачами программирования в течение ночи опирается на схожие принципы: способная модель, доступ к инструментам, постоянный контекст и циклы обратной связи, позволяющие проводить самокоррекцию. Плагин Ральфа Виггама (Ralph Wiggum) закрепил идею о том, что модели можно заставлять преодолевать собственные сбои для поиска правильных решений — это брутфорс-версия самокоррекции, которую Opal теперь частично упаковывает в отшлифованный потребительский продукт.

Для корпоративных команд вывод заключается в том, что архитектура агентов сходится к единому набору примитивов: целеполагающее планирование, использование инструментов, постоянная память, динамическая маршрутизация и оркестрация с участием человека. Дифференцирующим фактором станет не то, какие именно примитивы вы реализуете, а то, насколько качественно вы их интегрируете и насколько эффективно вы используете растущие возможности передовых моделей для снижения объема необходимой ручной конфигурации.

Практическое руководство для разработчиков корпоративных агентов

Тот факт, что Google выпускает эти возможности в бесплатном потребительском продукте, посылает четкий сигнал: базовые паттерны создания эффективных ИИ-агентов перестали быть передовыми исследованиями. Они стали готовыми продуктами. Корпоративные команды, которые ждали созревания технологии, теперь имеют перед глазами эталонную реализацию, которую можно изучать, тестировать и использовать — абсолютно бесплатно.

Практические шаги весьма прямолинейны. Во-первых, оцените, не являются ли ваши текущие архитектуры агентов излишне жесткими. Если каждая точка принятия решений требует жестко закодированной логики, вы, скорее всего, не задействуете возможности планирования современных передовых моделей. Во-вторых, сделайте память ключевым архитектурным компонентом, а не второстепенной деталью. В-третьих, спроектируйте участие человека как динамическую возможность, которую агент может задействовать по мере необходимости, а не как фиксированную контрольную точку в рабочем процессе. И в-четвертых, изучите маршрутизацию на естественном языке как способ привлечь предметных экспертов к процессу проектирования агентов.

Сам по себе Opal вряд ли станет той платформой, которую примут на вооружение крупные компании. Но воплощенные в нем архитектурные шаблоны — адаптивные, насыщенные памятью агенты, учитывающие участие человека и работающие на базе передовых моделей — это те самые паттерны, которые определят следующее поколение корпоративного ИИ. Google раскрыл свои карты. Вопрос для IT-лидеров заключается в том, следят ли они за игрой.