Весной 2023 года стартап Adept вышел из тени с амбициозной идеей: построить универсального AI-агента, который мог бы выполнять любые действия на компьютере — от заполнения таблиц до навигации по корпоративным CRM. Команда состояла из бывших инженеров OpenAI и Google, а сумма привлечённых инвестиций превысила $350 млн. Однако к середине 2024 года компания фактически прекратила самостоятельное существование: ключевые сотрудники перешли в Amazon, а технология была продана стартапу Atoma.
Для практикующих разработчиков и продакт-менеджеров история Adept — не просто очередной стартап-кейс. Это иллюстрация фундаментальных ограничений подхода «агент как замена GUI», который до сих пор остаётся одной из самых горячих тем в AI-сообществе.
Что обещал и как работал Adept
Основатели — Дэвид Луан (бывший вице-президент OpenAI), Ники Пармар (соавтор архитектуры Transformer) и Ашиш Васвани (соавтор Attention is All You Need) — позиционировали Adept как шаг к AGI. Их продукт, названный ACT-1, представлял собой модель, обученную имитировать действия человека с интерфейсом: клики, ввод текста, прокрутку, переключение вкладок.
Пользователь давал агенту задание на естественном языке: «Найди в Salesforce сделки на сумму более $50k и экспортируй в Google Sheets». Модель запускала виртуальный браузер, последовательно выполняла действия и возвращала результат.
Демонстрации выглядели впечатляюще. Однако за ними скрывалась ключевая проблема: модель не понимала семантику интерфейса — она лишь повторяла паттерны, на которых была обучена. Любое изменение дизайна, обновление кнопки или смена расположения элементов ломали сценарий.
Почему агент не стал массовым продуктом
Официальные заявления Adept и последующие отчёты инсайдеров в The Information и TechCrunch позволяют выделить три группы причин, почему продукт не взлетел.
Первая — техническая хрупкость. ACT-1 работал в sandbox-браузере и требовал стабильной DOM-структуры страниц. На реальных веб-приложениях с динамическим контентом (React, Angular) точность выполнения падала ниже 60%. Это делало продукт непригодным для enterprise-задач, где ошибка в цепочке действий может стоить дорого.
Вторая — конкуренция с API. Вместо того чтобы эмулировать клики, enterprise-интеграторы могут использовать API — они быстрее, надёжнее и дешевле. Adept пытался решить задачу, которая уже имела инженерное решение, но не для конечного пользователя, а для разработчика.
Третья — бизнес-модель. Продукт требовал постоянной поддержки совместимости с тысячами сайтов и приложений. Каждое обновление CRM, ERP или HR-системы могло сломать агента. Поддержка такого уровня силами одного стартапа оказалась непосильной.
Что произошло с командой и технологией
В июне 2024 года Amazon наняла сооснователей Луана и Пармара, а также значительную часть исследовательской команды. В официальном блоге Adept говорилось, что технология будет использоваться для «ускорения разработки AI-агентов в Amazon». Однако, по данным источников Bloomberg, речь шла скорее о покупке талантов, чем о приобретении готового продукта.
Оставшаяся часть интеллектуальной собственности была продана стартапу Atoma, который переориентировался на создание AI-агентов для разработчиков — с фокусом на интеграцию через код, а не через эмуляцию GUI.
С точки зрения рынка, Adept повторил путь многих «универсальных агентов»: продукт оказался слишком общим для массового пользователя и недостаточно надёжным для корпоративного клиента.
Что это значит для инженеров и продактов
История Adept даёт несколько практических уроков для тех, кто строит или выбирает AI-агентов сегодня.
| Аспект | Вывод из кейса Adept | Практическая рекомендация |
|---|---|---|
| Интерфейс взаимодействия | GUI-эмуляция хрупка и масштабируется плохо | Используйте API или headless-браузеры с селекторами |
| Обучение модели | Имитация действий без понимания контекста даёт <60% точности на динамике | Добавляйте семантические аннотации к интерфейсу |
| Enterprise-готовность | Поддержка совместимости с N приложениями требует команды размером с Microsoft | Фокусируйтесь на 1-2 платформах или дайте SDK |
| Бизнес-модель | Потребительский рынок требует zero-maintenance | Закладывайте стоимость адаптации в enterprise-лицензию |
Первое. Если вы разрабатываете агента для работы с веб-приложениями, откажитесь от эмуляции кликов в пользу прямого манипулирования DOM через Playwright или Puppeteer. Это даёт детерминированное выполнение и упрощает отладку.
Второе. Для корпоративных сценариев используйте API-шлюзы. Агент, который вызывает REST-эндпоинты вместо эмуляции браузера, будет работать в десятки раз быстрее и с предсказуемой задержкой.
Третье. Если вы выбираете платформу для автоматизации, проверьте, как она обрабатывает изменения интерфейса. Наличие визульных регрессионных тестов и fallback-стратегий — обязательное условие для production.
Где сейчас границы применимости
Важно не впадать в другую крайность и не списывать со счетов все AI-агенты. Узкие, специализированные решения показывают хорошие результаты.
Например, GitHub Copilot работает в строго определённой среде (IDE) и не пытается эмулировать произвольные GUI. Аналогично, агенты для автоматизации тестирования (Testim, Mabl) строятся на основе селекторов и семантического анализа, а не на имитации действий.
Основное ограничение, которое вскрыл Adept — отсутствие надёжного способа передавать контекст между шагами в произвольном интерфейсе. Пока эта проблема не решена на уровне архитектуры модели, универсальные GUI-агенты останутся экспериментальной технологией.
Что можно проверить уже сегодня
Для тех, кто хочет оценить текущее состояние технологии, есть несколько доступных вариантов.
Попробуйте open-source проекты, которые решают похожую задачу, но с другим подходом: Browser-Use (использует Playwright и LLM для навигации) или Open-Interpreter (работает через терминал, а не через GUI). Разница в надёжности и скорости будет заметна сразу.
Если вы работаете в enterprise, запросите демо у платформ, которые специализируются на RPA с AI-слоем — например, UiPath с AI Agent Builder или Microsoft Copilot Studio. Они используют гибридный подход: API-вызовы для транзакций и компьютерное зрение для legacy-интерфейсов.
Главный вывод из истории Adept прост: AI-агент не должен заменять интерфейс — он должен дополнять его там, где это даёт измеримый выигрыш в скорости или качестве. Остальное — пока что область исследований, а не production-развёртываний.