Как GPT-6 Astra оптимизирует работу ИИ-агентов: опыт стартапа Parallel

OpenAI поделилась результатами внедрения модели GPT-6 Astra в рабочие процессы стартапа Parallel. Компания, создающая инфраструктуру для ИИ-агентов, зафиксировала двукратное снижение времени и затрат на выполнение сложных веб-исследований. Это важное событие для индустрии, так как оно демонстрирует переход от теоретических концепций автономных систем к их экономически оправданному практическому применению.

Создание агентов для интеллектуальной работы в интернете (knowledge work) всегда упиралось в ограничения моделей. Традиционно, чтобы алгоритм мог найти, проанализировать и структурировать сложную информацию, требовалось использовать самые большие и ресурсоемкие решения. Они выстраивали длинные цепочки рассуждений, делали множество промежуточных запросов к поисковикам и потребляли огромное количество токенов. Для клиентов Parallel, среди которых финансовые учреждения и юридические фирмы, это означало высокие издержки и медленную работу систем.

Показательным стал тест, в котором агенту поручили собрать и проанализировать статистику рынка труда в четырех штатах США за полгода. Процесс включал навигацию по разным веб-ресурсам, извлечение нужных цифр и компиляцию финального отчета. GPT-6 Astra выполнила эту задачу на 50% быстрее предыдущих поколений, а затраты на вычисления снизились вдвое. Как отмечает Девин Гупта, член технической команды Parallel, секрет кроется в точности. Модель формулирует более узконаправленные поисковые запросы и делает меньше лишних шагов, эффективно используя свои внутренние знания о мире для корректировки курса.

С технической точки зрения самое интересное здесь — это изменение архитектуры выполнения задач. Меньшее количество ошибок при поиске означает, что агент реже возвращается на предыдущие этапы. Более того, возросшая скорость и надежность GPT-6 Astra позволили Parallel перейти к параллельным вычислениям на уровне агентов. Теперь основная система может делить сложную задачу на части и поручать их субагентам. Вместо того чтобы искать данные по каждому штату по очереди, алгоритм делает это одновременно. Это классический подход из компьютерных наук, который теперь успешно применяется в управлении автономными системами.

Удешевление сложных когнитивных операций в два раза — это порог, за которым многие бизнес-модели становятся рентабельными. Мы наблюдаем, как ИИ-агенты перестают быть дорогим экспериментом и превращаются в стандартный инструмент для корпоративного сегмента. В ближайшем будущем можно ожидать появления целых экосистем специализированных агентов, которые будут взаимодействовать друг с другом для решения масштабных задач. Пока рано судить, как быстро эта технология вытеснит традиционные методы сбора данных, но направление движения индустрии предельно ясно: автономность становится быстрее, дешевле и надежнее.