Новое исследование показало, что автономные ИИ-агенты значительно уступают традиционным специализированным ИИ-системам в плане вычислительной эффективности. В ходе экспериментов выяснилось, что для выполнения идентичных задач агенты требуют в 136,5 раз больше вычислительных ресурсов. Этот разрыв обусловлен избыточностью агентных циклов рассуждения и постоянным обращением к контексту при принятии решений.
Авторы работы проанализировали архитектуры, где агенты самостоятельно планируют и выполняют последовательности действий. В отличие от них, классические модели, настроенные на конкретные задачи, используют оптимизированные алгоритмы без необходимости постоянной генерации промежуточных «мыслительных» цепочек. Высокие затраты ресурсов делают текущие агентные подходы крайне дорогими при масштабировании в реальных бизнес-процессах.
Результаты подчеркивают проблему «стоимости рассуждений» в современных LLM-системах. Несмотря на гибкость и способность агентов к решению неструктурированных задач, их текущая реализация требует пересмотра подходов к оптимизации инференса. Без внедрения более эффективных методов планирования и сокращения избыточных токенов, массовое внедрение автономных агентов может столкнуться с серьезными экономическими барьерами.
Ключевые факты
- ИИ-агенты потребляют в 136,5 раз больше вычислительных мощностей, чем традиционные специализированные ИИ-решения.
- Основной причиной неэффективности названа избыточность процессов планирования и циклов рассуждения (reasoning loops).
- Исследование указывает на критический разрыв между гибкостью агентных систем и их операционной стоимостью.
- Высокие затраты ресурсов ставят под вопрос экономическую целесообразность использования агентов для простых и повторяющихся задач.