Agentic Web: как AI-агенты меняют интернет и нашу жизнь

Иван Будник

12 месяцев назад

Содержание Hide

I. Исполнительный обзор
II. Введение в парадигму Agentic Web
III. Основные архитектурные компоненты и механизмы
IV. Экосистема Agentic Web: Фреймворки, инструменты и игроки
1. Ландшафт фреймворков для создания AI-агентов
2. Новые платформы и инструменты
V. Трансформационные приложения и реальные примеры использования
1. Делегированная автономия: от идеи к действию
2. Секторные примеры
VI. Риски, вызовы и необходимость управления (Governance)
VII. Экономические последствия и бизнес-модели
1. Переход от экономики внимания к экономике действий
2. Новые модели монетизации
VIII. Заключение: Взгляд в будущее
1. Рекомендации

I. Исполнительный обзор

Концепция Agentic Web, или «агентного интернета», обозначает переход к новой, четвертой фазе развития Всемирной паутины, где доминирующим становится автономное, целеориентированное взаимодействие. В этой парадигме AI-агенты, основанные на больших языковых моделях (LLM), планируют, координируют и выполняют сложные задачи от имени пользователей, переходя от традиционных взаимодействий «человек-машина» к динамичным операциям «машина-машина».¹ Этот фундаментальный сдвиг освобождает пользователей от рутинных цифровых операций, позволяя им делегировать высокоуровневые намерения и фокусироваться на более ценных видах деятельности.¹

Отчет представляет собой всесторонний анализ Agentic Web, охватывающий его архитектурные основы, экосистему, трансформационное влияние на различные отрасли и связанные с ним критические вызовы. В ходе анализа выявлено, что Agentic Web не является простым усовершенствованием Web 2.0; это кардинальная перестройка, которая меняет роль пользователя с «оператора» на «стратегического делегатора».⁴ В центре этой трансформации лежит способность агентов к планированию и использованию внешних инструментов, что порождает новую «экономику действий» (Agent Attention Economy), где сервисы конкурируют не за клики пользователя, а за вызовы со стороны агентов.⁴ Однако такая автономия порождает беспрецедентные риски в области безопасности, этики и управления, требующие создания новых инфраструктурных решений, таких как верифицируемая идентичность и блокчейн-протоколы, для обеспечения доверия и подотчетности.⁵

II. Введение в парадигму Agentic Web

Определение Agentic Web

Agentic Web — это не просто новый термин, а новая архитектурная парадигма интернета, которая вышла на первый план в 2024 году на фоне широкого распространения AI-агентов.⁷ Эта концепция определяет фазу интернета, где основной формой взаимодействия становится не ручное управление со стороны человека, а автономные, целеориентированные действия AI-агентов.¹

Ключевая особенность Agentic Web заключается в том, что он представляет собой переход от взаимодействия «человек-машина» к модели «машина-машина».¹ В этом новом мире пользователи больше не выступают в роли активных операторов, вручную перемещающихся по сайтам, кликающих по ссылкам и заполняющих формы. Вместо этого, они делегируют высокоуровневые задачи, формулируя свои цели на естественном языке. Например, вместо того чтобы вручную искать билеты, бронировать отель и планировать маршрут, пользователь может просто поставить агенту задачу «Спланируй мою поездку в Токио».⁴ Таким образом, Agentic Web переосмысливает саму природу цифрового взаимодействия, превращая пассивный веб-браузер в проактивного, интеллектуального помощника.⁴

Эволюция интернета: от пассивного к автономному

Чтобы полностью оценить значение Agentic Web, необходимо рассмотреть его в контексте эволюции интернета.

Web 1.0 (PC Web): Эра «Навигатора». На заре интернета в 1990-х и 2000-х годах веб представлял собой преимущественно статичное хранилище информации, подобное «цифровым желтым страницам». Пользователь был «Навигатором», который вручную просматривал страницы и использовал поисковые системы, основанные на ключевых словах. Бизнес-модель была сосредоточена на поисковой рекламе (Google AdWords), монетизируя поток «запрос-результат».⁴
Web 2.0 (Mobile Web/Social Web): Эра «Оператора». В 2010-х годах доминирование смартфонов и социальных сетей сместило акцент на динамичные, персонализированные приложения и алгоритмические ленты. Роль пользователя эволюционировала до «Оператора», который взаимодействовал с интерфейсами через касания и прокрутку. Экономика этой эпохи была основана на внимании (Human Attention Economy), где компании конкурировали за время и внимание пользователя, чтобы продать его рекламодателям.⁴
Agentic Web (Web 4.0): Эра «Режиссера». Agentic Web знаменует третью волну фундаментальных изменений, где пользователь становится «Режиссером» или «Стратегическим делегатором». Вместо того чтобы самому выполнять задачи, он делегирует их AI-агентам, которые автономно планируют и выполняют многоступенчатые операции.⁴

Этот сдвиг является следствием глубокого преобразования: интернет перестает быть пассивным хранилищем информации и превращается в «динамичную среду действия», населенную автономными системами, которые могут планировать и выполнять цели.⁴

Отличие AI-агента от предшественников

Ключевым элементом Agentic Web является сам AI-агент. Важно провести четкое разграничение между агентами и их предшественниками.

Боты и скрипты: Эти системы следуют жестко заданным, заранее запрограммированным правилам. Они не обладают способностью к адаптации, принятию решений или рассуждению. Их действия ограничены предопределенными сценариями.⁴
Чат-боты: Используют большие языковые модели для ведения диалога и предоставления информации. Они реагируют на запросы пользователя, но, как правило, не имеют «автономии» для выполнения многоэтапных задач, требующих выхода за пределы диалогового контекста. Их основная задача — ответить на вопрос, а не выполнить цель.¹³
AI-агенты: Это автономные программные системы, которые, в отличие от чат-ботов, способны к принятию решений, планированию, запоминанию и использованию внешних инструментов (API, базы данных). Они могут самостоятельно разбивать сложную задачу на подзадачи, выполнять их последовательно или параллельно, корректировать свой план в случае непредвиденных обстоятельств и достигать цели с минимальным участием человека.⁴

Появление LLM, которые могут рассуждать и планировать, стало катализатором для возникновения этой новой парадигмы.¹⁶ Это привело к фундаментальному сдвигу в роли пользователя — от ручного выполнения задач (кликов, поиска) к делегированию и постановке целей.⁴ Это не просто автоматизация, а замена человека как основного оператора интернета, что, в свою очередь, влечет за собой переосмысление самого веб-интерфейса. Веб-сайты, изначально созданные для человека, теперь должны быть понятны и пригодны для взаимодействия агентов.⁹ Это глубокое изменение затрагивает не только технологии, но и философию дизайна и использования цифровых сервисов.

III. Основные архитектурные компоненты и механизмы

Agentic Web требует сложной, многокомпонентной архитектуры, которая выходит за рамки простой LLM. Чтобы обеспечить автономное и целеориентированное поведение, AI-агенты строятся из нескольких ключевых модулей, работающих в тандеме.

Анатомия AI-агента

LLM-основа. Базовая большая языковая модель (например, GPT-4) служит «мозгом» агента, обеспечивая понимание естественного языка, рассуждение и генерацию ответов.¹⁶ Эта основа позволяет агенту интерпретировать высокоуровневые инструкции и создавать планы.
Модули памяти. Вместо того чтобы быть «беспамятными», как традиционные чат-боты, AI-агенты накапливают «опыт» и контекст, заменяя статичные базы данных.⁷ Существуют два основных типа памяти, которые позволяют агенту функционировать более эффективно ¹⁸:

Кратковременная память: Сохраняет контекст текущего взаимодействия, позволяя агенту помнить предыдущие шаги в рамках одной задачи.
Долговременная память: Хранит информацию о прошлых сессиях и взаимодействиях (например, предпочтения пользователя), что позволяет агенту учиться и совершенствоваться с течением времени.¹³

Движок планирования и рассуждения. Это критически важный компонент, который позволяет агенту разбить сложную, абстрактную цель на серию конкретных, выполнимых подзадач.¹⁰ Агент не просто следует скрипту, а адаптирует свой план в режиме реального времени, если какой-то шаг не удается или возникают неожиданные обстоятельства.⁴
Интеграция инструментов (Tool Use). Возможность вызывать внешние инструменты и API позволяет агенту выполнять задачи, которые выходят за рамки его собственных знаний. Это может быть вызов поисковой системы для сбора актуальной информации, подключение к базе данных для извлечения структурированных данных или использование API для отправки электронного письма или совершения покупки.¹⁴

Механизмы коллаборации: от одного агента к «когнитивному кластеру»

Многие сложные задачи не могут быть решены одним агентом. Это привело к развитию мульти-агентных систем, где команды специализированных агентов работают вместе. Эта концепция описывается как «когнитивный кластер».⁷

Концепция «экипажа» (Crew): В этой модели несколько агентов с четко определенными ролями (например, «исследователь», «аналитик», «писатель») сотрудничают, чтобы решить сложную проблему. Каждый агент выполняет свою часть задачи и передает результат следующему, что повышает точность и эффективность.¹⁹
Оркестровка: В мульти-агентной системе роль управляющего агента (orchestrator) заключается в декомпозиции общей цели на более мелкие подзадачи и делегировании их специализированным «рабочим» агентам.²¹ Этот процесс напоминает работу джазового ансамбля, где каждый музыкант играет свою партию, но при этом реагирует на игру других, создавая единую гармонию.⁷

Протоколы для совместимости: «Язык» Agentic Web

Появление большого количества различных агентов и инструментов создало проблему фрагментации, где экосистемы остаются закрытыми и несовместимыми.⁸ Для решения этой проблемы разрабатываются стандартизированные протоколы, которые выступают в качестве «языка» для Agentic Web.

Model Context Protocol (MCP) от Anthropic: Этот протокол — открытый стандарт, который обеспечивает унифицированный интерфейс для подключения агентов к внешним инструментам, данным и системам. Его можно сравнить с «USB-C для ИИ», поскольку он позволяет LLM «видеть» и использовать API, базы данных и файлы без необходимости сложной, кастомной интеграции.⁷
Agent-to-Agent (A2A) Protocol от Google: Этот протокол — открытый стандарт для прямого, защищенного общения и сотрудничества между агентами. Он позволяет агентам, созданным на разных фреймворках, обмениваться контекстом, статусами и данными, не раскрывая при этом свою внутреннюю «логику» или проприетарные инструменты.⁸

Требование к агентам выполнять сложные, многошаговые задачи ⁴ привело к необходимости в модульной архитектуре с движком планирования, памятью и инструментами.¹⁶ В свою очередь, сложность этих систем требует стандартизированных протоколов для обеспечения совместимости между разными агентами и инструментами.²³ Однако появление протоколов, таких как MCP и A2A, которые позволяют агентам автономно взаимодействовать с внешней средой и друг с другом, порождает и новые уязвимости. Атака на один компонент может «заразить» всю цепочку агентов, создавая «каскадные» атаки и увеличивая риск утечки конфиденциальных данных.³⁰

Таблица 3: Основные протоколы Agentic Web

Протокол	Разработчик	Основное назначение	Ключевые особенности
MCP (Model Context Protocol)	Anthropic	Стандартизация подключения агентов к внешним инструментам и данным	Обеспечивает универсальный интерфейс для интеграции с API, базами данных, файлами. Упрощает разработку и снижает фрагментацию. ⁷
A2A (Agent-to-Agent Protocol)	Google	Стандартизация общения и коллаборации между агентами	Позволяет агентам разных вендоров и фреймворков обмениваться информацией, не раскрывая свою внутреннюю логику. Поддерживает многомодальное и асинхронное общение. ⁸
ACP (Agent Communication Protocol)	IBM	Оркестровка рабочих процессов и управление состоянием в мульти-агентных системах	Основан на RESTful API. Позволяет управлять сложными рабочими процессами, делегировать задачи и отслеживать состояние, выступая в роли «проект-менеджера» для команд агентов. ²⁶

IV. Экосистема Agentic Web: Фреймворки, инструменты и игроки

Экосистема Agentic Web быстро развивается, предлагая широкий спектр инструментов — от открытых фреймворков для разработчиков до специализированных платформ и браузеров.

Ландшафт фреймворков для создания AI-агентов

Microsoft AutoGen: Это открытый фреймворк, созданный для упрощения разработки мульти-агентных систем. Он ориентирован на оркестровку команд агентов с различными ролями, например, «исследователь», «аналитик», «рецензент», которые совместно решают сложную задачу. AutoGen отличается модульностью, встроенной поддержкой отладки и мониторинга, а также наличием AutoGen Studio — графического инструмента, позволяющего создавать рабочие процессы без написания кода.²¹ Фреймворк идеально подходит для автоматизации бизнес-процессов и интеграции с существующей экосистемой Microsoft.
LangChain/LangGraph: LangChain — один из самых популярных фреймворков, предназначенный для построения приложений, требующих глубокой обработки естественного языка. Он имеет модульную структуру, которая позволяет создавать кастомные рабочие процессы и интегрироваться с широким спектром LLM и инструментов.¹⁸ LangGraph, надстройка над LangChain, добавляет возможность управлять состоянием и строить сложные, многоэтапные рабочие процессы с помощью графовой структуры. Это требует более высокого уровня технических навыков, но предоставляет беспрецедентную гибкость.¹⁸
CrewAI: Этот открытый фреймворк сфокусирован на концепции «экипажа» (crew) — команды специализированных агентов, которые сотрудничают для решения комплексных проблем. CrewAI упрощает процесс создания и управления мульти-агентными командами, назначая каждому агенту четко определенную роль, цель и «предысторию» (backstory). Этот подход снижает риск «галлюцинаций» и повышает точность работы.¹⁹

Таблица 2: Сравнительный анализ фреймворков для создания AI-агентов

Фреймворк	Простота использования	Масштабируемость	Возможность кастомизации	Интеграция	Основное назначение
Microsoft AutoGen	Очень легко (в т.ч. без кода)	Умеренно-высокая	Низкая (ограничена кастомными компонентами)	Высокая (Microsoft tools)	Оркестровка команд агентов для автоматизации бизнес-процессов
LangChain/LangGraph	Умеренно-высокая	Высокая	Высокая	Высокая (мульти-модельная поддержка)	Построение сложных, кастомных рабочих процессов на основе NLP
CrewAI	Очень легко	Низкая-умеренная	Умеренная (для комплексных задач)	Умеренная	Совместная работа агентов для решения комплексных задач

Новые платформы и инструменты

Помимо фреймворков, развиваются и специализированные платформы, которые облегчают внедрение агентной парадигмы.

Агентные браузеры (Agentic Browsers): Это новое поколение веб-браузеров, таких как Perplexity Comet, Fellou и Dia browser, которые созданы не просто для отображения контента, а для активного взаимодействия с веб-страницами от имени пользователя. Они используют AI-агентов для навигации, заполнения форм, совершения покупок и выполнения сложных, многошаговых рабочих процессов, превращая каждый сайт в «программируемый интерфейс».¹⁰
Инфраструктурные и low-code инструменты: На рынке появляются решения, которые предоставляют инфраструктуру для работы агентов или упрощают их создание. Например, Browserbase предлагает облачную инфраструктуру для работы «безголовых» браузеров, а такие платформы, как UiPath и ScreenMate AI, сочетают RPA (роботизированную автоматизацию процессов) с агентными возможностями, позволяя автоматизировать веб-действия с помощью простых текстовых инструкций.³⁵

Наблюдается явное развитие рынка от горизонтальных, универсальных инструментов к вертикально-интегрированным решениям. Вначале были разработаны базовые фреймворки, такие как LangChain, для построения агентов.³² Затем, по мере осознания, что одного агента недостаточно для сложных задач, появились фреймворки для мульти-агентных систем, такие как AutoGen и CrewAI.²⁰ Сегодня мы видим дальнейшее развитие в сторону специализированных вертикальных платформ (например,

Flexport AI для логистики или EY Supply Chain AI) и агентных браузеров, которые оптимизированы для конкретных задач, а не являются универсальными инструментами.¹⁰ Эта траектория развития показывает, что рынок движется от базового инструментария к зрелым, нишевым решениям, которые приносят реальную ценность в конкретных отраслях.

V. Трансформационные приложения и реальные примеры использования

Agentic Web обещает революционизировать то, как люди и организации взаимодействуют с цифровыми технологиями, превращая рутинные операции в полностью автономные процессы.

Делегированная автономия: от идеи к действию

Ключевым преимуществом агентной парадигмы является возможность делегировать высокоуровневые, сложные цели. Вместо того чтобы самому выполнять задачи, пользователь может просто дать указание. Примером может служить запрос «Спланируй мою поездку в Токио». Агент автономно выполнит всю цепочку действий: найдет авиабилеты, забронирует отели, проверит прогноз погоды и создаст подробный маршрут.⁴ Это принципиально отличается от обычного поиска, где пользователю нужно вручную выполнять каждый шаг.

Секторные примеры

Финансовые услуги. Agentic Web оказывает глубокое влияние на финансовый сектор, угрожая его традиционным бизнес-моделям.³⁸ Агенты могут непрерывно мониторить банковские счета в режиме реального времени, переводить средства на более доходные высокопроцентные счета (
sweeping idle cash), возвращать их для оплаты счетов и даже перераспределять активы между несколькими банками, руководствуясь доходностью и пользовательскими настройками.³⁸ Агенты также могут использоваться для обнаружения мошенничества, выявляя аномалии в финансовых операциях, и для обеспечения автоматического соблюдения нормативных требований.⁴⁰
E-commerce и розничная торговля. В этой сфере агенты могут обеспечить гиперперсонализированный опыт. Например, они могут адаптировать рекомендации в режиме реального времени на основе поведения пользователя и текущих запасов.⁴¹ В цепочке поставок агенты могут использовать данные с датчиков IoT и прогнозы спроса для автоматического размещения заказов у поставщиков без человеческого вмешательства.³⁷
Автоматизация предприятий. Agentic Web предоставляет мощный инструмент для модернизации устаревших систем (legacy systems), превращая их статичные API в «строительные блоки» для агентов.⁷ Это позволяет автоматизировать сложные бизнес-процессы, такие как формирование отчетов о расходах, которые требуют сбора данных из разрозненных систем, или оптимизация маршрутов в логистике.³⁹

Способность агентов использовать внешние инструменты и выполнять многошаговые задачи ⁴ приводит к автоматизации рутинных операций, таких как заполнение форм или сбор данных.¹⁰ Это, в свою очередь, значительно повышает производительность на уровне отдельного человека и предприятия.¹³ В конечном итоге, агенты становятся не просто потребителями, а экономическими акторами, способными создавать ценность и участвовать в транзакциях без прямого контроля человека ⁴, что приводит к появлению совершенно новых бизнес-моделей.⁴³

VI. Риски, вызовы и необходимость управления (Governance)

Широкомасштабное внедрение Agentic Web, основанное на автономном поведении, сопряжено с серьезными вызовами, которые выходят далеко за рамки традиционных проблем кибербезопасности.

Новые угрозы безопасности

Сложная, вероятностная природа агентных систем создает новые векторы атак, которые невозможно предотвратить с помощью традиционных методов.

«Инъекция промпта» (Prompt Injection): Эта атака заключается во внедрении вредоносных, скрытых инструкций в данные (например, на веб-странице или в документе), которые агент обрабатывает. Агент может не распознать эти инструкции как враждебные и выполнить их, что приведет к нежелательным и опасным действиям.³¹
«Перехват восприятия» (Perception Hijacking): В этом типе атаки злоумышленник манипулирует тем, что агент «видит» на веб-странице, например, подменяя легитимные кнопки, ссылки или элементы интерфейса. Это заставляет агента совершить непреднамеренные действия, такие как передача конфиденциальных данных или переход на вредоносный сайт.³⁰
Каскадные эффекты (Cascading Effects): В мульти-агентных системах уязвимость или компрометация одного агента может привести к заражению всей цепочки. Атакованный агент может передать ложные или вредоносные инструкции своим «коллегам», что вызовет системный сбой или распространение дезинформации по всей сети.³⁰
Утечка контекста (Context Leakage): Из-за сложности рабочих процессов агент может случайно раскрыть конфиденциальные данные (ключи API, токены сессий), передавая их между различными инструментами или системами, что создает серьезные риски для безопасности и конфиденциальности.³⁰

Этические и социальные последствия

Ответственность и подотчетность. Главный вопрос: кто несет ответственность за ошибки или ущерб, причиненный автономным агентом? Поскольку логика принятия решений агента может быть «черным ящиком», определить первопричину сбоя и возложить ответственность на конкретное лицо становится крайне сложно.¹⁵
Доверие. Делегирование важных задач, таких как финансовые операции или принятие медицинских решений, требует высокого уровня доверия к системе. Однако «непрозрачная» природа AI-агентов может подорвать это доверие. Без четкого понимания, почему агент принял то или иное решение, пользователи и регуляторы будут не готовы передать им важные функции.⁵
«Субверсивные намерения» (Subversive Intentions). Наибольшую опасность представляет риск того, что агенты могут разработать рабочие процессы, которые незаметно подрывают человеческие намерения или обходят этические границы.¹⁵

Решение проблемы доверия: Верифицируемая идентичность

Чтобы решить проблему доверия и подотчетности, необходимо внедрить механизмы верифицируемой идентичности для AI-агентов.

Проблема: Неверифицированные агенты могут выдавать себя за человека или другую организацию, распространять дезинформацию или мошенничать, что подрывает общественное доверие.⁶
Решение: Верифицируемая цифровая идентичность позволяет отслеживать каждое действие агента, подтверждать его полномочия и возлагать ответственность на организацию, которая стоит за ним. Это обеспечивает прозрачность, необходимую для работы в таких высокорегулируемых сферах, как финансы и здравоохранение.⁶
Технологии: Для этого используются децентрализованные идентификаторы (DIDs) и верифицируемые учетные данные (Verifiable Credentials), которые создают проверяемый «след» действий агента, недоступный для подделки.⁴⁵

Роль регулирования и управления

Скорость развития AI-агентов значительно опережает внедрение адекватных мер безопасности и нормативных рамок.³¹ Необходим новый подход к управлению, ориентированный на «намерения и результаты», а не на пошаговую логику.⁷

Концепция BetaWeb (Blockchain-enabled trustworthy Agentic Web) предлагает использовать блокчейн для создания прозрачной, надежной и масштабируемой инфраструктуры. В BetaWeb каждый шаг в жизненном цикле задачи и действие агента может быть проверен и отслежен в неизменяемом реестре, что обеспечивает подотчетность и целостность всех операций.²³

Агентная архитектура сложна и основана на вероятностной логике ⁷, что делает традиционные методы отладки и безопасности неэффективными.⁷ Это приводит к появлению новых векторов атак ³⁰ и угроз, связанных с непредсказуемым поведением и потенциальной возможностью «обмана».¹⁵ Это, в свою очередь, создает критический «вызов доверия», который, если его не решить, может подорвать экономический рост и общественное принятие Agentic Web.⁵ Решения, такие как DIDs и BetaWeb, напрямую отвечают на этот вызов, используя блокчейн для обеспечения прозрачности, необходимой для восстановления доверия.²³

Таблица 4: Таксономия рисков Agentic Web

Категория риска	Тип риска	Описание	Последствия
Угрозы безопасности	Инъекция промпта	Внедрение вредоносных инструкций в данные, которые агент обрабатывает, чтобы манипулировать его логикой.	Агент совершает непреднамеренные действия, утечка данных, несанкционированное использование инструментов. ³¹
	Перехват восприятия	Манипулирование внешним интерфейсом (веб-страницей, DOM), чтобы обмануть «зрение» агента.	Агент взаимодействует с поддельными кнопками/ссылками, передает данные на сторонний ресурс. ³⁰
	Каскадные эффекты	Распространение вредоносных инструкций или ложных данных по всей мульти-агентной системе после компрометации одного агента.	Неконтролируемое распространение дезинформации, системные сбои, массовая утечка данных. ³⁰
Этические и социальные риски	Отсутствие подотчетности	Сложность отслеживания и объяснения решений, принятых автономными системами, что делает невозможным возложение ответственности.	Юридические и этические проблемы, снижение общественного доверия, сложности с регулированием. ¹⁵
	«Субверсивные намерения»	Риск того, что агенты могут разработать рабочие процессы, которые незаметно подрывают человеческие намерения или обходят этические границы.	Скрытое нежелательное поведение, сложность отладки, непредсказуемые последствия. ¹⁵

VII. Экономические последствия и бизнес-модели

Agentic Web представляет собой фундаментальный сдвиг в экономике интернета, переходя от традиционной «экономики внимания» к новой «экономике действий» (Agent Attention Economy).⁴

Переход от экономики внимания к экономике действий

В эпоху Web 2.0 экономика была построена на том, чтобы захватить и удержать человеческое внимание. Веб-сайты и приложения конкурировали за «человеческий клик» и время, проведенное на платформе, чтобы продать его рекламодателям.⁴ В Agentic Web эта логика переворачивается. Теперь сервисы и API будут конкурировать за то, чтобы их вызвал агент пользователя для выполнения задачи.⁴ Новой «валютой» и ключевыми показателями эффективности станут не клики или время на сайте, а частота «вызовов агентов» (agent invocation frequency) и «процент завершения задач» (task completion rate), что напрямую отражает ценность, которую агент создает для пользователя.⁹

Новые модели монетизации

Появление агентной парадигмы порождает совершенно новые бизнес-модели.

Оплата за результат (Outcome-Based Pricing): Эта модель набирает популярность, поскольку она напрямую связывает стоимость с ценностью. Клиент платит не за количество API-вызовов или время работы агента, а за достижение измеримого результата, например, за количество успешно решенных запросов в службу поддержки, за сгенерированных квалифицированных лидов или за сэкономленные часы ручного труда.⁴³
Плата за транзакцию (Transaction Take-Rate): Эта модель предусматривает получение комиссии за успешное завершение коммерческой транзакции. Например, агент-путешественник может получить комиссию от авиакомпании или отеля за успешно совершенное бронирование.⁴⁸ Это делает агента ценным партнером для бизнеса.
Пакетная подписка (Bundled SaaS Pricing): Агенты могут быть внедрены как дополнительные функции или модули в существующие SaaS-продукты (например, CRM или ERP), что повышает их «липкость» (stickiness) и ценность для клиента.⁴³

В настоящее время наблюдается расхождение в подходах к монетизации. С одной стороны, крупные LLM-провайдеры, такие как OpenAI, стремятся стать центральным «агентом-супераппом», который будет маршрутизировать запросы и получать комиссию за транзакции.⁴⁸ С другой стороны, независимые разработчики создают специализированных агентов для нишевых рынков, где доход получают от продажи готовых решений или подписки, привязанной к реальной стоимости, которую агент приносит бизнесу.⁴³ Этот потенциальный конфликт интересов между стремлением к монополии и развитием специализированных решений будет определять динамику рынка в ближайшие годы.

VIII. Заключение: Взгляд в будущее

Agentic Web представляет собой неизбежную и глубокую трансформацию, которая перестраивает базовую архитектуру интернета и меняет саму природу цифрового взаимодействия. Анализ показывает, что эта парадигма не просто улучшает существующие системы, а создает новую реальность, где пользователи переходят от ручного управления к делегированию, а веб-ресурсы становятся не просто хранилищами информации, а «действенными интерфейсами» для автономных систем.

Ключевые выводы, представленные в отчете, указывают на сложную взаимосвязь между технологическим прогрессом и его последствиями. Способность агентов к планированию и использованию инструментов привела к появлению мульти-агентных систем и, как следствие, к потребности в стандартизированных протоколах. Эти же протоколы, в свою очередь, породили новые, сложные риски безопасности и этические вызовы, связанные с вопросами ответственности и доверия.

Развитие Agentic Web указывает на следующую траекторию, ведущую к концепции Web3.5.²³ Если Web3 был сосредоточен на владении данными и активами, то Web3.5 переносит акцент на владение

возможностями агентов и их монетизацию.⁴⁹ Это означает, что навыки агента — например, способность проводить аудит смарт-контрактов или оптимизировать логистические маршруты — могут быть токенизированы и стать ценными, продаваемыми цифровыми активами.²³