Есть довольно смешной сценарий, который сейчас регулярно продают предпринимателю как будущее маркетинга: утром ты просыпаешься, открываешь ноутбук, а там уже трудится твой новый отдел мечты - AI-маркетолог изучает рынок, AI-стратег думает над позиционированием, AI-копирайтер пишет тексты, AI-сценарист сочиняет Reels, AI-дизайнер рисует баннеры, AI-видеограф генерирует ролики, AI-монтажёр их склеивает, AI-SMMщик всё согласовывает сам с собой, AI-автопостер разносит этот праздник технологического прогресса по соцсетям, AI-аналитик смотрит на результат и торжественно сообщает остальным AI-сотрудникам, что всё идёт по плану.
Ты в это время, разумеется, лежишь где-нибудь у бассейна.
Ну да.
А потом оказывается, что AI-стратег решил, что твоя компания продаёт не элитные деревянные лестницы, а «эмоциональный комфорт пространства», копирайтер написал пост «5 способов впустить гармонию в свой дом», дизайнер нарисовал женщину в бежевом свитере возле лестницы с семнадцатью ступенями, сценарист добавил фразу «лестница - это путь», монтажёр наложил бодрую музыку, автопостер отправил всё это в 
LinkedIn, 
Pinterest, 
Telegram и VK, а аналитик к вечеру сообщил: «Кампания успешно завершена, охват 12 438».
Продаж - ноль.
Зато девять AI-агентов продуктивно отработали смену.
И вот здесь начинается самое интересное: проблема не в том, что AI-агенты плохие. Наоборот, технология очень сильная. Проблема в том, что предпринимателю сейчас продают агента как результат, хотя агент - это всего лишь способ выполнения части работы.
И наука, кстати, довольно неплохо объясняет, почему между этими двумя вещами есть пропасть.
Anthropic проводит прямое архитектурное различие: workflow - это система, где модели и инструменты идут по заранее определённым маршрутам, а agent - система, где модель сама решает, что делать дальше и каким инструментом пользоваться. Для хорошо определённых процессов Anthropic отдельно отмечает преимущество workflow по предсказуемости и стабильности, а агентные схемы рекомендует добавлять там, где действительно нужна гибкость, причём их собственная инженерная рекомендация звучит довольно приземлённо: сначала ищите самое простое решение и повышайте автономность только тогда, когда это действительно оправдано.
То есть даже люди, которые непосредственно строят frontier AI, не говорят: «Срочно поставьте десять агентов, пусть они обсуждают ваш контент-план».
Скорее наоборот.
OpenAI в своём практическом руководстве по агентам пишет примерно ту же инженерную мысль: соблазн сразу сделать полностью автономную сложную систему велик, но клиенты чаще получают лучший результат при постепенном усложнении; рекомендация - сначала максимально использовать возможности одного агента и инструментов, а multi-agent добавлять только тогда, когда без него уже действительно плохо, потому что дополнительные агенты приносят дополнительные накладные расходы и сложность.
Это звучит немного менее сексуально, чем «виртуальный отдел маркетинга из 12 агентов».
Зато сильно ближе к реальной жизни. Представь обычный бизнес. У тебя стоматология. Ты собрал AI-отдел.
Первый агент анализирует аудиторию.
Он слегка ошибается и решает, что основной сегмент - люди, которые ищут отбеливание. В реальности основной денежный продукт клиники - сложная имплантация. Но ошибка пока выглядит безобидно.
Следующий агент получает вывод первого.
Он строит стратегию вокруг эстетики.
Третий пишет темы.
Четвёртый делает сценарии.
Пятый генерирует визуалы.
Шестой публикует.
Седьмой анализирует.
Через месяц вся эта цифровая бригада очень эффективно улучшила маркетинг услуги, которая вообще не была главным направлением бизнеса.
Это и есть один из фундаментальных минусов длинной агентной цепочки: следующий участник не исправляет ошибку автоматически, он часто наследует её как факт.
Есть даже простая математика, хорошо показывающая проблему. Допустим, совершенно условно каждый этап твоего AI-конвейера выполняется правильно в 95% случаев. Это довольно высокая надёжность. Но восемь независимых этапов подряд дадут полностью правильную цепочку примерно в 66% случаев: 0,95⁸ ≈ 0,66. Это не эмпирический benchmark и реальная зависимость ошибок сложнее, но сама арифметика отлично показывает, почему «добавим ещё агентов» не является бесплатным улучшением.
А реальные исследования multi-agent систем делают картину ещё веселее.
В работе Why Do Multi-Agent LLM Systems Fail? исследователи собрали более 1600 трасс работы семи популярных multi-agent фреймворков и выделили 14 различных типов отказов, сгруппированных в три большие категории: ошибки проектирования системы, рассинхронизацию между агентами и проблемы проверки результата. То есть цифровые коллеги умеют делать почти всё то же самое, что обычный офис: неправильно понять задачу, передать её соседу в искажённом виде, поспорить о том, кто должен был проверить результат, а потом дружно закончить работу.
Только обычный офис хотя бы можно собрать возле кофемашины.
Есть ещё более неприятный момент.
Люди часто оценивают AI-агента так: один раз дал задачу, он справился, значит работает.
Не то чтобы люди сами по себе такие, нет. Просто "лидеры мнения", "горе эксперты", при чем даже топовые школы и агентства, осознано делают так чтобы люди так оценивали AI-агентов.
Исследование надёжности агентов от команды Princeton, опубликованное на ICML 2026, показывает, что способность решить задачу и способность стабильно решать её снова и снова - далеко не одно и то же. За последние два года accuracy агентов росла заметнее, чем reliability; исследователи обнаружили серьёзную вариативность между одинаковыми запусками, чувствительность даже к поверхностным изменениям формулировки задания и особенно слабую динамику надёжности на открытых задачах. Авторы отдельно проводят очень полезную границу: 90% успеха может быть вполне приемлемо для copilot, где человек всё проверяет, но для автономной автоматизации непредсказуемые 10% ошибок становятся реальной проблемой.
А маркетинг - это как раз тот прекрасный болотистый участок, где половина входных данных приходит в виде:
«Ну, у нас клиенты разные».
«Мы вроде премиум, но цены средние».
«Главный конкурент... я сейчас ссылку найду».
«Tone of voice нужен экспертный, но не занудный, продающий, но не продажный, премиальный, но по-человечески».
Всё понятно, да?
Есть исследование EMNLP 2025 про работу агентов с неполными инструкциями, и там обнаружилась особенно жизненная штука: при недостающих параметрах агенты склонны не всегда остановиться и спросить человека, а додумать отсутствующие аргументы. Исследователи специально строили систему, которая учит агента спрашивать пользователя при неясности, именно потому что стандартное поведение может создавать галлюцинации и ошибки при использовании инструментов.
Теперь переведём это с языка исследователей на язык предпринимателя.
Ты говоришь своему AI-маркетологу: «Сделай стратегию для моего бизнеса».
Он не знает, что 60% прибыли у тебя даёт услуга, которой на сайте посвящено четыре строчки. Но агент вежливый. Работать надо.
Он не позвонит тебе в воскресенье и не скажет: «Слушай, тут какая-то хрень, объясни».
Он может взять то, что есть. И уверенно построить стратегию. Следующий агент уверенно её продолжит. Именно поэтому у меня довольно сильная аллергия на фразу:
«Мы заменили маркетинговый отдел набором AI-агентов».
Нет бл..ь! Ты не заменил отдел.
Ты создал отдел очень быстрых стажёров, каждый из которых умеет читать интернет, писать тексты, работать круглосуточно и периодически совершенно уверенно нести фигню. И поставил одного стажёра руководить остальными.
Теперь по-взрослому.
В чём тогда разница между этой схемой и ОХВАТОМ? Разница не в том, что ОХВАТ «не использует AI», а агенты используют. Это было бы странным сравнением.
Разница в уровне системы.
AI-агент - исполнитель, которому нужно дать цель, контекст, инструменты, права, память, критерий завершения задачи и механизм проверки.
ОХВАТ задуман как готовая операционная система контент-маркетинга, где маршрут работы уже определён продуктом: бизнес → анализ аудитории → конкуренты → позиционирование → стратегия → контентные воронки → контент-план → производство → адаптация → публикация → аналитика → следующий цикл.
То есть предприниматель не приходит собирать команду цифровых человечков. Он приходит с бизнесом.
И вот это принципиально разный UX.
В модели «AI-агенты» у тебя появляется довольно смешной новый вид работы. Раньше ты управлял людьми. Теперь ты управляешь агентами. Надо решить, какой агент будет стратегом. Какие данные ему показать. Куда положить память. Как агент-копирайтер получает стратегию. Как дизайнер получает текст. Что делать, когда генератор видео не понял сценарий. Кто проверяет цену. Кто имеет право публиковать. Что происходит, если Telegram API вернул ошибку. Как передавать аналитику обратно стратегу. Когда агент должен остановиться. Какие лимиты поставить. Кто проверяет, что четыре агента не называют один и тот же продукт четырьмя разными словами.
Поздравляю!
Ты хотел избавиться от маркетинговой операционки и стал CTO небольшой цифровой психиатрической больницы.
В ОХВАТЕ идея обратная.
Ты не должен знать, сколько внутренних моделей, workflows, API или агентных механик участвовало в создании результата.
Так же, как владелец интернет-магазина не обязан знать, какой алгоритм маршрутизации использовала служба доставки. Ему нужна посылка у клиента.
В ОХВАТЕ предпринимателю нужен:
нормальный анализ бизнеса;
понятная стратегия;
контент;
площадки;
регулярность;
цифры.
Всё.
Поэтому точка входа у нас не: «Создайте AI-агента-маркетолога».
Не: «Настройте AI-стратега».
Не: «Соедините агента-копирайтера с агентом-дизайнером через webhook».
А: Дай ссылку на бизнес или Telegram или карточка компании или Авито.
Дальше система начинает собирать контекст сама. И это, кстати, не маркетинговая мелочь. Контекст - одна из центральных проблем agentic systems.
Исследование Princeton AI Agents That Matter отдельно показывает ещё одну неприятную сторону хайпа: сложные агентные архитектуры не автоматически дают лучший практический результат; без учёта стоимости, надёжности и воспроизводимости можно получить систему намного сложнее и дороже, хотя более простая схема работает сопоставимо или лучше. Авторы прямо показывают случаи, где простые baselines были выгоднее сложных agent architectures по сочетанию точности и стоимости.
То есть «у нас 14 агентов» примерно так же впечатляет меня, как: «У нас в офисе 14 маркетологов».
Хорошо. А результат?
Количество участников процесса вообще никогда не было KPI бизнеса.
Иногда наоборот. Представь двух предпринимателей.
Первый посмотрел 
YouTube и решил собрать AI-отдел.
В понедельник он настраивает агента-стратега.
Во вторник выясняет, что агенту нужен нормальный контекст.
В среду строит базу знаний.
В четверг соединяет её с копирайтером.
В пятницу дизайнер генерирует баннер, где логотип почему-то слегка похож на логотип конкурента.
В субботу автопостер публикует тестовый пост.
В воскресенье предприниматель сидит с бокалом чего-нибудь успокаивающего и смотрит ролик: «Как правильно настроить memory для multi-agent marketing team».
Второй предприниматель прислал ссылку на сайт.
Получил анализ. Поправил два пункта. Выбрал три главные площадки. Согласовал контент. Пошёл работать. Вот в этой разнице и находится продукт.
Не в том, у кого AI умнее. А в количестве решений, которые человеку приходится принимать до того, как он получил пользу.
ОХВАТ пытается это число максимально приблизить к одному.
Вот мой бизнес. Разберитесь. И, кстати, это не означает, что агентные технологии бессмысленны. Наоборот. Они прекрасны внутри системы. AI-агент может исследовать конкурентов. Другой может классифицировать комментарии. Третий - подготавливать адаптацию. Четвёртый - помогать собирать аналитику. Только предпринимателю не надо продавать устройство двигателя. Ему надо продать машину, которая едет.
Вот здесь рынок AI-маркетинга сейчас, на мой взгляд, немного заигрался.
Все рассказывают про агентов. А бизнес всё ещё спрашивает: «Кто завтра сделает мне нормальный пост?» И это очень отрезвляет. Так что я бы сформулировал немного провокационно.
Предпринимателю пора забыть про AI-агентов как продукт.
Пусть про них думают разработчики. Пусть инженеры спорят про orchestration, memory, handoffs, tool calling и evals.
Тебе не нужен AI-маркетолог - тебе нужен маркетинг.
Не нужен AI-копирайтер - нужен текст, который говорит с твоим клиентом.
Не нужен AI-дизайнер - нужен визуал, который объясняет смысл.
Не нужен AI-автопостер - нужно, чтобы контент вышел вовремя.
Не нужен AI-аналитик - нужно понять, что дало заявку и что делать дальше.
Вот и вся декомпозиция.
Агенты - детали.
ОХВАТ - попытка собрать из этих деталей работающий процесс.
Поэтому можешь провести очень простой эксперимент. Не изучай сейчас очередную схему из двенадцати кружочков с надписями Strategist Agent, Copy Agent, Design Agent, Supervisor Agent.
Возьми ссылку на свой бизнес. Загрузи её в ОХВАТ.
Посмотри, что система сама поймёт про аудиторию, конкурентов, площадки и контент. Потом уже решишь, нужен тебе весь этот AI-цирк или нет. Есть подозрение, что больше всего предпринимателю понравится именно та технология, про которую ему вообще не придётся думать.
И да.
Если когда-нибудь ОХВАТ внутри будет гонять двадцать три агента, спорящих между собой о твоём Reels, я очень надеюсь, что ты об этом никогда не узнаешь.
Потому что к тому моменту пост уже должен быть опубликован, аналитика собрана, а ты должен заниматься бизнесом.
Вот это я называю автоматизацией.