Product Digest #12: Як ми будували AI Market Researcher — і чому не все, що називають агентом, насправді ним є

💡 Усі статті, обговорення, новини про AI — в одному місці. Приєднуйтесь до AI спільноти!

Привіт, продакт-комʼюніті! З вами знову Макс Галійов, Head of Product у Brighterly by SKELAR.

За останній рік термін «AI-агент» перетворився на найбільш клішований у продуктовому лексиконі — десь поряд із «disruption» та «синергією». Кожна друга компанія заявляє, що «запустила агента», кожна третя презентація стартапу обіцяє «легіон автономних AI-агентів», а в LinkedIn слово «agentic» зустрічається частіше, ніж «привіт».

Та коли дивишся на реалізацію цих гучних висловів — замість агента бачиш чат-бот або LLM-виклик у красивій обгортці.

Американська дослідницька та консалтингова компанія Gartner у червні 2025 року прогнозувала: понад 40% «агентних» AI-проєктів буде скасовано до кінця 2027-го через нечіткий бізнес-результат та завищені очікування. У звіті аналітики прямо назвали це явище «agent washing» — практику ребрендингу звичайних асистентів, RPA-скриптів та чат-ботів під виглядом справжніх агентів. За оцінкою Gartner, з тисяч вендорів, які називають себе «agentic AI», реально цій категорії відповідає близько 130. Решта — це маркетинг з «нарощеними м’язами».

Тож у цьому випуску я хочу розібратися: що таке справжній AI-агент, чим він відрізняється від воркфлоу та чат-бота. І поділитися, як я будував Market Researcher Agent у Brighterly.

Чому «AI-агент» — це не те, що ви думаєте

Я почну з простого: більшість того, що сьогодні називають «AI-агентом» — це насправді воркфлоу або просто LLM-виклик. Автоматизація, яка приносить користь — це непогано. Та проблема в словах: коли ми все називаємо «агентом», то втрачаємо розуміння, а що ж робить агента ним.

Найкращу класифікацію, на мою думку, дала команда Anthropic у статті «Building Effective Agents». Вона стала фактично галузевим стандартом — і я раджу прочитати її кожному продакт-менеджеру, який працює з AI. Anthropic пропонує таку ієрархію:

• Завдання — один LLM-виклик: «підсумуй цей текст», «класифікуй цей запит». Передбачувано та дешево.
• Воркфлоу — кілька LLM-викликів у заздалегідь визначеному коді. Інженер вирішує, які кроки виконати, LLM заповнює їх змістом. Більшість «AI-фіч» у сучасних продуктах — це саме воркфлоу.
• Агент — система, де LLM сам динамічно вирішує, що робити далі, які інструменти викликати та коли зупинитися. Інженер встановлює мету та набір інструментів -— далі модель планує та діє самостійно.

Ключова відмінність: у воркфлоу рішення ухвалює код, у агента — модель. Це не просто термінологія, це інша вартість, інша швидкість та інший рівень довіри.

За якими маркерами відрізнити справжнього агента:

• Агент сам планує послідовність дій, це не прописано в коді.
• Агент використовує інструменти в циклі: викликає, аналізує результат, вирішує наступний крок.
• Агент отримує «ground truth» із середовища — результат виклику інструмента, а не лише власне передбачення.
• Агент сам вирішує, коли зупинитися, якщо досягнув мети чи потребує уточнення.

Протестуйте: якщо ваш «агент» виконує однакову послідовність дій на будь-який запит — це воркфлоу. Якщо він робить різну кількість кроків і викликає різні інструменти, залежно від ситуації — це справді агент.

Навіщо мені як PM знадобився Market Researcher

До побудови агента я зіштовхувався з типовою для продакта проблемою: ринок K-12 EdTech розвивається швидше, ніж його можна моніторити вручну. Кожні 2 тижні з’являються нові конкуренти, продуктові оновлення Duolingo та Khan Academy, регуляторні зміни (на кшталт оновленого COPPA, Children’s Online Privacy Protection Act) та дослідження ефективності AI-навчання.

До цього я робив моніторинг класичним способом: виділяв 3-4 години на тиждень, читав профільні видання, переглядав LinkedIn, гортав пресрелізи. Як результат, отримував фрагментарну картину та відчуття, що завжди «трохи відстаю». А найголовніше, на синтез знайденого часу вже не залишалося. Бо треба ж іще, знаєте, продакт-менеджментом займатися :)

Завдання, яке я хотів вирішити для себе — кожні 2 тижні отримувати структурований звіт з 3 елементами:

• Що змінилося на ринку (новини, запуски, M&A, фінансування).
• Як це впливає на нас (зв’язок із поточними сегментами Brighterly).
• Які дії варто розглянути (конкретні гіпотези).

На перший погляд завдання здавалося типовим для воркфлоу: пошукав новини → підсумував → відформатував → готово. Та коли я спробував реалізувати це як воркфлоу, якість виявилася стабільно посередньою. Воркфлоу не вмів адаптуватися: якщо в одному циклі важливим був регуляторний контекст, а в іншому — раунд фінансування конкурента, то заздалегідь прописані кроки давали однаково розмитий результат у 100% випадків. По суті, я отримував дуже дорогий дайджест.

Тоді я зрозумів, що для цього завдання потрібна гнучкість — здатність моделі самостійно вирішувати, які джерела перевіряти і на що звернути увагу. Це класичний кейс для агента, а не для воркфлоу.

Як працює Market Researcher: архітектура на 3 рівнях

Не буду занурювати вас у код, а поясню на рівні логіки. Архітектура агента, який я зібрав, будується на 3 шарах:

Шар 1. Agent Core — «мозок»

Це сам LLM (у моєму випадку — Claude). Йому я передаю системний промпт, у якому описано:

• Хто він («ти — market researcher для Brighterly, K-12 EdTech-продукту»);
• Який контекст продукту (сегменти, конкуренти, поточна стратегія);
• Який результат потрібен (формат звіту, рівень деталізації, що включати, а що — ні).

Я не пишу в коді «спершу зроби X, потім Y, потім Z». Я описую мету і даю моделі право самій обрати шлях.

Шар 2: Tools — «руки»

Інструменти підключаються через Model Context Protocol (MCP) — це відкритий стандарт від Anthropic, який дозволяє моделі викликати зовнішні сервіси у структурованому форматі.

У моєму агенті є 4 основні інструменти:

• Web Search — пошук новин, пресрелізів, звітів за заданими ключовими словами.
• Web Fetch — глибоке читання конкретних статей, звітів, листів.
• Internal Context — доступ до внутрішніх даних: позиціонування продукту, мапа конкурентів, попередні звіти.
• Report Storage — збереження готових звітів та їхньої історії, щоб не повторювати вже описане.

Я не вирішую за модель, в якому порядку викликати ці інструменти. Це робить вона сама, залежно від запиту і проміжних результатів.

Шар 3: Loop — цикл ухвалення рішень

Це те, що принципово відрізняє агента від воркфлоу. Цикл має такий вигляд:

• LLM отримує запит → планує перший крок → викликає інструмент.
• Отримує результат → аналізує, чи достатньо інформації → вирішує: викликати ще один інструмент чи формувати звіт.
• Якщо потрібно більше даних, то викликає інший інструмент із новими параметрами (наприклад, після загального пошуку — точково web_fetch на конкретний звіт).
• Цикл триває, поки модель сама не вирішить, що зібрала достатньо інформації для якісного звіту.

На практиці один цикл генерації звіту може включати 5-15 викликів інструментів. У 100% випадків це різна послідовність — модель адаптується до того, що вона знаходить.

Як це працює

Ось спрощений приклад того, який виглядає моя робота з агентом у Claude:

Я ставлю простий запит. Далі агент послідовно (а часто й паралельно):

• Розбиває тему на підпитання («що з Duolingo», «що з Khan Academy», «нові гравці», «регуляторика»).
• Виконує кілька web_search із різними формулюваннями.
• Робить web_fetch на найважливіші джерела.
• Підтягує мій внутрішній контекст щодо продукту, щоб зіставити знайдене з нашим бізнесом.
• Структурує все у формат TL;DR → News → Launches → Opportunities.

Те, що раніше займало в мене 3-4 години на тиждень, тепер займає 15-20 хвилин на читання та валідацію звіту. І я отримую не просто новини, а інформацію, інтерпретовану в контексті нашого продукту — із гіпотезами, які можна одразу обговорити в команді, а не з відчуттям «треба дослідити ще».

Що я зрозумів, поки будував агента

Урок 1. Починайте з найпростішого рішення

У статті Anthropic чітко вказано: «Знаходьте найпростіше можливе рішення і збільшуйте складність лише за потреби». Звучить як банальність з мотиваційного плаката, але саме на цьому етапі зриваються 80% «agentic» проєктів. Перш ніж робити агента, дайте собі відповідь: чи не вирішується ваше завдання звичайним промптом? Воркфлоу? Якщо так — не ускладнюйте. Агент — це не «крутіше», а просто інший інструмент.

Урок 2. Інструменти — це 70% якості агента

Поширена ілюзія: «візьмемо найрозумнішу модель — і вона все зробить». Реальність інша: якість агента у 70% випадків залежить не від моделі, а від того, наскільки добре спроєктовані інструменти. Знову таки, у статті Anthropic «Writing Tools for Agents» описано детально: погано задокументований інструмент, нечіткі параметри, незрозумілі помилки — і навіть Claude 4.7 буде приносити слабкий результат.

Урок 3. Цикл вартує дорого — обмежуйте його

Згідно з оцінками Anthropic, агенти споживають у 4 рази більше токенів, ніж звичайні чати. Багатоагентні системи — у 15 разів більше. І це не баг, а їхня суть: вони циклять, переоцінюють, повторюють. Агент працює сумлінно та не знає, коли зупинитися. Без жорсткого ліміту циклів і чіткого визначення «зупинись» агент може легко вийти з-під контролю в контексті витрат.

Урок 4. Помилки накопичуються, тож готуйте перевірки

Якщо кожен крок агента працює з точністю 95%, то після 20 кроків ймовірність помилки зростає до близько 64%. Тому критично важливо вбудовувати в агента самоперевірки та пропонувати йому повертатися до спеціаліста щодо ключових рішень/запитань, а не імітувати «повну автономію». У моєму випадку це моя ж фінальна перевірка звіту перед тим, як ділитися ним із командою.

Наступні кроки замість висновку

Світ AI-агентів зараз нагадує мені 2014-2015 роки в EdTech: усі говорили про «адаптивне навчання», але насправді адаптивних продуктів було 5-10 на ринку — решта була тільки презентаціями. З агентами така ж історія: реальних агентів мало, маркетингу — багато. І, правду кажучи, це нормальна стадія розвитку технології. Просто потрібно пам’ятати, що зараз ми саме на цьому етапі, тож не варто всі презентації сприймати як реальні продукти.

Що, на мою думку, варто зробити продакт-менеджерам зараз:

1. Прочитати статтю Anthropic «Building Effective Agents» — 20 хвилин читання, які заощадять вам місяці неправильних рішень. На мій погляд, кращої інвестиції у розширення світогляду щодо AI зараз не існує.
2. Перестати називати агентом усе, що використовує LLM. Це шкодить і окремим спеціалістам, і команді бізнесу загалом. А ще трохи дратує тих, хто розбирається у тому, що є що :)
3. Знайти 1-2 процеси, в яких реально потрібна гнучкість моделі, а не передбачуваність воркфлоу — і саме там тестувати агентний підхід.
4. Будувати інструменти, а не «обгортки навколо ChatGPT». Якість агента живе в інструментах, а не в розумі моделі (і це абсолютно не применшення її ролі).

Market Researcher для мене став першим кейсом, де агентний підхід виправдав себе. Хоч це й не революція, але корисний інструмент, який економить мені кілька годин на тиждень і дає краще розуміння та актуальні дані про ринок. Чесно кажучи, я переконаний, що саме такі непомітні кейси формують справжню, а не маркетингову AI-революцію.

Дякую, що читаєте. До зустрічі в наступному випуску — і нехай ваші агенти будуть справжніми агентами!