Агентная экономика: кто получает выгоду, когда машины договариваются

В октябре 2025 года я разбирал Virtual Agent Economies от Google DeepMind и его продолжение. Меня интересовал переход, при котором программы сами договариваются о работе и ресурсах, а люди перестают участвовать в каждой сделке. Первая редакция этого лонгрида собирала, что изменилось за год: эксперименты с реальными сделками, рынки задач, платёжные протоколы. Вывод был осторожным: механизмы появились, зрелость рынка не доказана.

Эта редакция отвечает на вопрос из заголовка прямо. Если агенты удешевляют сделки, кто забирает сэкономленное? При каких условиях ответ меняется и по каким признакам понять, какой вариант реализуется на конкретном рынке?

Рабочее определение остаётся прежним: агентная экономика — это системы обмена, в которых программам делегированы существенные решения о выборе контрагента, распределении ресурсов или условиях сделки. Агент действует в интересах владельца или организации. Возможность подписать платёж не делает его собственником, компанией или носителем юридической ответственности.

Это авторское разделение, а не стандарт. Хорошая маршрутизация моделей внутри одной компании ещё не доказывает, что возник рынок. Большой оборот между кошельками не показывает, что конечному пользователю стало лучше. Дальше речь пойдёт в основном о второй и третьей строке: там у выигрыша есть несколько претендентов.

Есть и инфраструктура: платёжные сети, сети доставки контента, сервисы идентификации. Они берут небольшую долю почти с любого исхода, поэтому важнее их роль привратника, чем размер комиссии. Как выдать агенту право платить, что записать в мандат и кто вернёт деньги за ошибку — тема отдельного лонгрида «Агент с правом платежа». Здесь платежи интересуют только как место, где можно взять долю.

Исходная работа от 12 сентября 2025 года описывает экономики агентов по двум осям: спроектированы они или возникли стихийно и насколько свободно связаны с внешней экономикой. Это сценарная рамка, а не измерение. Для вопроса о выгоде важнее вторая ось: выигрыш и потери выходят наружу там, где агент может тратить деньги, продавать результат или брать на себя обязательства. Границы денег, данных, полномочий и физических действий придётся задавать отдельно.

Начну с учёта одной сделки. Разница между ценностью покупки для покупателя и затратами продавца — общий выигрыш. Он делится на четыре части: выигрыш покупателя (ценность минус цена), маржу продавца, долю посредников — комиссию, рекламу, данные — и потери на саму сделку: поиск, сравнение, торг, оформление, проверку. Последнюю часть экономисты со времён Коуза и Уильямсона называют транзакционными издержками.

Агенты сильнее всего удешевляют поиск и переговоры. В работе The Coasean Singularity? (NBER, ноябрь 2025) Шахиди, Русак, Мэннинг, Фрадкин и Хортон формулируют это так: агент даёт каждому пользователю переговорную силу постоянного крупного покупателя, а ограничением становятся вычисления, а не время. Авторы прямо пишут, что итоговый эффект для благосостояния — эмпирический вопрос. Работа концептуальная, без новых оценок; на странице NBER раскрыто, что Фрадкин работает в Amazon, а Хортон — платный консультант Anthropic.

Классическая теория объясняет, почему это важно. Бакос (1997) показал: когда электронный посредник снижает издержки поиска, продавцам труднее держать монопольную наценку, а у самих продавцов слабый стимул финансировать такого посредника. Парадокс Даймонда (1971) описывает обратную сторону: даже небольшая цена поиска позволяет всем продавцам назначать монопольную цену, потому что покупателю невыгодно искать дальше. Агент с почти бесплатным поиском ломает это равновесие — если его поиск действительно дёшев и не обрезан выдачей.

Отсюда главный тезис статьи: размер выигрыша — не главный вопрос. Агенты, скорее всего, его увеличивают: появляются сделки, которые раньше не окупали усилий, и меньше времени уходит на рутинные покупки. Главный вопрос — раздел. Я свёл свидетельства в шесть условий.

Это авторская сводка, а не общепринятая модель. Она опирается на теоретические работы и эксперименты разного качества, которые я разбираю ниже. Её удобно использовать как проверку: если в продукте или на рынке нарушено одно из условий, стоит ожидать, что выигрыш уйдёт от владельца агента.

Сжато: владелец агента получает освободившийся выигрыш, только если одновременно выполнены первые четыре условия. Агент лоялен и переносим, он не слабее агента контрагента, не выдаёт готовность платить, а рынок моделей достаточно разнообразен, чтобы их ошибки не совпадали. Нарушено первое — выигрывает платформа. Второе — более оснащённая сторона. Третье — продавец через персональные цены. Четвёртое — платформа и поставщик модели, которые фактически решают, какие предложения видят покупатели. Пятое и шестое условия могут отнять выигрыш даже при выполненных первых четырёх.

Есть ещё один эффект, который легко пропустить: агенты обесценивают дорогие сигналы. Если сопроводительное письмо, отзыв или аккуратное описание ничего не стоят, они перестают отличать сильного участника от слабого. Этот эффект виден на рынках труда и задач; к нему я вернусь в разделе о цене координации.

Свидетельства бывают очень разными: реальные сделки внутри компании, лабораторные эксперименты с людьми и деньгами, симуляции, где торгуются только модели, полевые внедрения в закупках. Сначала карта, затем выводы.

Сильная модель выигрывает торг

В Project Deal в декабре 2025 года 69 сотрудников Anthropic поручили агентам покупать и продавать свои вещи; каждому выделили по $100. В исполненном прогоне агенты на Opus 4.5 заключили 186 сделок; приложение к отчёту указывает 206 проданных предметов на $4 010. В неисполненных прогонах со смешанными моделями продавец с Opus получал в среднем на $3,64 больше, чем с Haiku, на 44 парах сопоставимых предметов. Из 28 участников, которых представляли разные модели, статистически значимого предпочтения одной из них не обнаружилось.

Project Swap от 24 сентября 2026 года — продолжение в более контролируемых условиях. 201 сотрудник в шести офисах отдал книгу и получил другую через агента Claude. Затем авторы прогнали 205 симуляций на тех же предпочтениях с Haiku 4.5, Sonnet 4.5, Opus 4.8 и Fable 5. В смешанных прогонах половина на Opus всегда опережала половину на Haiku — на 0,14 по шкале от 0 до 1, если считать по рейтингам книг, которые составил сам Claude.

Симуляции дают похожий перекос. У Zhu и соавторов слабая модель-продавец против сильного покупателя теряет в среднем 9,5% прибыли, а слабый покупатель переплачивает около 2%. Сторона продавца чувствительнее: разница в снижении цены между продавцами достигала 14,9% против 2,6% между покупателями. Маленькие модели чаще совершали дорогие ошибки: Qwen2.5-7B выходил за бюджет владельца в 11,76% случаев против 0,36–2,98% у передовых моделей.

Главная потеря — не в торге

Самый важный результат Project Swap — в другом. Claude совпадал с людьми в выборе между двумя книгами в 61% случаев при 50% у случайного угадывания. Лучшее возможное распределение книг давало 0,89, рынок агентов — 0,55, а централизованный механизм обмена на рейтингах Claude — 0,60. Около 85% недобора объясняется неточным представлением предпочтений и лишь около 15% — самим торгом.

Поэтому разрыв моделей выглядит иначе, если считать по собственным оценкам людей. Наибольший разрыв в 0,12 по рейтингам Claude сжимается примерно до 0,01. Сильный агент лучше добивается той цели, которую ему записали. Если цель записана неточно, этот выигрыш почти не доходит до владельца.

Для продукта это меняет приоритеты. Вложение в выяснение предпочтений — уточняющие вопросы, примеры, история покупок, сверка ранжирования с человеком — может дать больше, чем переход на более дорогую модель. Это мой вывод из эксперимента, а не рекомендация его авторов.

Неравенство переезжает в постановку задачи

В эксперименте Agentic Interactions (Имас, Ли, Мисра, Chicago Booth) участники писали инструкции агентам покупателя и продавца при торге о подержанной машине. По аннотации и описанию школы, итоги сделок через агентов разбросаны не меньше, а скорее больше, чем у людей, и сильно зависят от того, кто написал инструкцию. Пол и черты характера владельца продолжают предсказывать итог, хотя агенты их не видят. Авторы называют новую асимметрию «машинной грамотностью» — умением объяснить агенту свою цель. Полный текст я не сверял, поэтому чисел не привожу.

Соревнование MIT дополняет картину: 286 участников из более чем 40 стран написали инструкции, по которым одна модель провела 182 812 переговоров. Доминирующие инструкции забирали больше ценности; тёплые чаще доводили до сделки, но получали в ней меньше. Работали и приёмы, специфичные для ИИ, включая инъекцию инструкций, которая заставляет агента контрагента раскрыть предельную цену.

В препринте Лян и Сюй 9 840 переговоров в цепочке поставок сравниваются с равновесием теории игр. Агенты договаривались в 98,9% случаев, но в среднем за 2,98 раунда против 1,25 в равновесии, и задержка съедала 21–34% выигрыша. Слабые модели принимали заведомо невыгодные контракты в 19,2% случаев против 0–0,6% у сильных. Доля покупателя при игре модели против самой себя зависела от поставщика: 40% у OpenAI, 50% у Google, 70% у Qwen. Это числа из аннотации, но вывод важен: у моделей разных компаний свой «стиль торга», и он двигает раздел сильнее, чем место в рейтинге способностей.

Делегировать готовы не все. В эксперименте Choose Your Agent с 243 участниками советника предпочли 44,0%, а представителя, который договаривается сам, — 19,3%. Только представитель повышал общий выигрыш группы, и этот эффект не пережил поправки на множественные сравнения. Если выгоды от делегирования достаются тем, кто готов отпустить контроль, появляется ещё один разрыв — между делегирующими и остальными. В другой работе той же группы GPT-4o собирала около 62% возможного выигрыша при 59% у людей, а специализированные байесовские агенты — 74–80%: модели договариваются гладко, но уступчиво.

Поле: агент у крупного покупателя

Самые ранние полевые данные — из закупок. По пересказу Harvard PON статьи Harvard Business Review, в пилоте 2021 года в Канаде бот Pactum вёл переговоры от имени Walmart с 89 мелкими поставщиками. Соглашение заключили 64% при цели 20%, в среднем за 11 дней, а Walmart сэкономил 1,5%. При расширении программы, по данным Walmart и Pactum, — 68% сделок и 3% экономии. Контрольной группы не было, экономию считал покупатель.

В кейсе Pactum для глобального производителя — более 11 000 автономных переговоров по закупкам на $131 млн и более $1,2 млн экономии; по моему расчёту, около 0,9% объёма. Это заявление поставщика решения. Судя по этим данным, реалистичная экономия на мелких нестандартных закупках — 1–3%, ниже маркетинговых обещаний.

Кто здесь выигрывает, видно по конструкции: у крупного покупателя специализированный переговорщик, у мелкого поставщика — человек с ограниченным временем. Поставщики получили скорость и удобство: в пилоте 83% заключивших сделку оценили бота положительно. Но сэкономленные проценты — это в основном перераспределение от поставщиков к покупателю, а не новый выигрыш.

Симуляции: что в них заложено заранее

В симуляции городской экономики от 10 сентября 2026 года со 100 агентами рост туристического спроса в 12 раз увеличил выручку бизнесов в 4,62 раза, почти не изменив зарплаты; цены пересматривались у 0,3% позиций. Авторы признают, что инерция цен частично заложена в среде, а самый длинный горизонт представлен одним прогоном. Такие результаты я читаю как диагностику модели и правил, а не как прогноз машинной экономики. Деньги в симуляции ещё не задают мотивацию: её определяют функция вознаграждения, доступные действия и возможность проиграть.

В экономике давно известна проблема принципала и агента: исполнитель действует от имени владельца, но у него свои стимулы, а владелец видит не все его действия. Для AI-агента вопрос становится буквальным: кто записал его цель и кто платит за его работу?

Иммёрлика, Люсье и Сливкинс (Microsoft Research, 2024) подчёркивают, что предпочтения ассистента закладываются при обучении и настройке и не находятся под прямым контролем пользователя. В их модельном примере ассистент, которого вознаграждают за изменение выбора пользователя, может не принести этому пользователю никакой пользы, даже если всегда говорит правду.

The Coasean Singularity? различает два типа агентов. Агент, которого пользователь приводит с собой, переносим и лоялен ему, но площадки могут ограничивать его доступ, а данных у него меньше. Агент, которого выдаёт сама площадка, удобнее, но может подталкивать к выгодным ей вариантам, предпочитать собственные товары и привязывать пользователя. Авторы сравнивают его с обувью, которую выдают в боулинге: подходит, пока ты внутри.

Агент выдаёт владельца и подталкивает его

В работе Et Tu, Brute? (сентябрь 2026) 13 агентов в 325 тысячах экспериментов выбирали авиабилеты, страховки и учебные программы. Восемь выбирали более дорогие варианты для более обеспеченных пользователей при одинаковом запросе. Эффект сохранялся, когда пользователь прямо просил самый дешёвый вариант и когда достаток угадывался по посторонним письмам. Скрытие финансовых признаков его в основном снимало, скрытие остальных — нет.

Алави и Нозари показали утечку с другой стороны. Модель-продавец по одному диалогу почти точно восстанавливала готовность покупателя платить (наклон 1,00), если агенту покупателя дали словесное описание владельца. С числовым бюджетом и требованием конфиденциальности наклон падал до 0,21. Это одна модель и одна категория товаров, но механизм понятен: чем богаче контекст, тем полезнее агент и тем больше он выдаёт.

Теория показывает и обратную возможность. У Итихаси и Смолина агент, обязанный действовать в интересах покупателя и заранее объявивший правило, чаще рекомендует покупку при низкой цене и реже — при высокой. Спрос становится чувствительнее к цене, и продавцу выгоднее её снизить: в модельном примере с равномерными распределениями цена падает на 0,25. Ценность такого агента — в обязательстве, которому верят продавцы. Кто пишет правило, тот и владеет выигрышем.

Кто платит агенту

Осенью 2026 года крупнейшие ассистенты зарабатывают на покупках рекламой, а не комиссией. По словам OpenAI в пересказе PPC Land, реклама в ChatGPT, запущенная 9 февраля, за неполные 200 дней вышла на годовой темп выручки $1 млрд. Стартовая цена в $60 за тысячу показов к апрелю снизилась примерно до $25; по панельным данным Similarweb, кликают 0,5% показов. С 16 сентября тестируются «спонсируемые агенты» брендов. Это темп выручки со слов компании, а не отчётность.

Amazon встраивает рекламу в собственного ассистента: в Rufus появились спонсируемые подсказки, а в мае 2026 года он стал частью Alexa for Shopping. Google продаёт рекламные форматы в агентской выдаче — Direct Offers и покупаемые объявления на базе UCP. Выручка ассистента всё больше устроена как поисковая: платит тот, кто хочет быть замеченным.

Любопытная деталь из песочницы ACES (Колумбийский университет, декабрь 2025). Модели штрафуют пометку «Sponsored»: при базовой доле выбора 10% она снижает долю до 7,9–8,9%. Знак площадки «Overall Pick» поднимает долю до 19,9–42,6% и по силе эквивалентен запасу в цене +65–138%. Если агенты дисконтируют рекламу и доверяют рекомендациям площадки, у площадки появляется стимул продавать не объявления, а знаки одобрения — менее заметную форму той же платы. Подробнее о смещениях выбора — в лонгриде о праве платежа.

Британское ведомство по конкуренции (CMA) в документе от 9 марта 2026 года формулирует тот же критерий: действует ли агент как «верный слуга» потребителя. Ведомство отдельно называет риск подталкивания к вариантам, более выгодным, но менее подходящим, и отмечает, что персонализация делает такое подталкивание менее заметным.

Агенты появляются и у продавцов. Лучше всего изучена опасность согласованных цен без всякой договорённости между конкурентами.

У Кальвано и соавторов (AER, 2020) алгоритмы обучения с подкреплением в повторяющейся олигополии без связи друг с другом выучивали цены выше конкурентных и удерживали их угрозой ценовой войны. Ассад, Кларк, Ершов и Сюй нашли полевое подтверждение на немецких автозаправках: после распространения ценовых алгоритмов маржа выросла, по оценкам рабочей версии — на 9% вне монопольных рынков и на 28% в дуополиях, где алгоритм внедрили обе станции, без роста там, где внедрила одна. А Браун и Маккей показали, что даже простые алгоритмы без сговора повышают цены, если работают с разной скоростью: быстрый становится обязательством, а медленные конкуренты отвечают более высокой ценой.

Языковые модели повторяют это без специального обучения. В работе Фиш, Гончаровского и Шорера агенты, которым поручили только максимизировать долгосрочную прибыль, быстро вышли на сверхконкурентные цены. В повторе на GPT-5.2 в феврале 2026 года средняя цена составила 1,79 — примерно посередине между конкурентной 1,47 и монопольной 1,92. Небольшие изменения формулировок инструкции заметно меняли уровень цен; регулятору такой рычаг почти не виден.

Борьба за внимание машины

Второй канал — описания товаров. В ACES одна итерация переписывания описания моделью продавца поднимала долю выбора на 3,7–14,9 процентного пункта; значимо — примерно в трети пар «категория — модель». В исследовании Laurito и соавторов (PNAS, 2025) модели выбирали товар с описанием, написанным моделью, в 89% случаев, а люди — в 36%. Продавцы, которые пишут тексты сами, проигрывают в выдаче для агентов.

У Чу и Хоу при одинаковых характеристиках модели рекомендовали известный бренд в 100% случаев; преимущество исчезало, если конкурент опережал его по рейтингу чуть меньше чем на 0,1 звезды. Когда все бренды применяли одну стратегию оптимизации описаний, выигрыш каждого падал с +0,802 до +0,007. Это классическая дилемма заключённого в рекламе: расходы растут у всех, относительные позиции не меняются, выигрывают продавцы услуг оптимизации.

Манипуляция агентом покупателя

К некоторым приёмам агенты уязвимее людей. В DECEPTICON (Стэнфорд) тёмные паттерны уводили веб-агентов к нужному манипулятору исходу более чем в 70% задач против 31% у людей, и восприимчивость росла с размером модели. В StakeBench непрямая инъекция инструкций в покупательских задачах срабатывала в 41,7–68,6% прогонов, в том числе в скрытом режиме, когда задача выглядит выполненной. В Magentic Marketplace у части моделей инъекции перенаправляли манипулятору все платежи, а первое пришедшее предложение выбиралось в 60–100% случаев.

Вади и Ма (октябрь 2026) уточняют, когда это происходит. Если характеристики товара даются бесплатно, приёмы вроде цены 9,99 почти не обманывают агентов. Если же каждое уточнение стоит вызова инструмента, а поручение размыто, агенты пропускают данные для расчёта цены за единицу и совершают человеческие эвристические ошибки. Точное поручение в основном возвращает оптимальный выбор. Это современная версия парадокса Даймонда: тот, кто делает сравнение дорогим, сохраняет наценку.

Последний пример — рынок услуг, качество которых покупатель не может проверить, как у автомеханика. В симуляции Эрлая и Мойба потребители на моделях в большинстве условий получали больше выигрыша, чем в лабораторных рынках людей. Но эксперты с инструкцией на собственную выгоду обманывали там, где позволяли правила. Инструкция агента продавца становится политикой распределения.

Попытка взять комиссию с покупки

Самый наглядный естественный эксперимент 2026 года — оплата внутри ChatGPT. Instant Checkout запустили 29 сентября 2025 года с продавцами Etsy, и Stripe выпустила для него Agentic Commerce Protocol. По сообщению PYMNTS со ссылкой на представителя Shopify, с 26 января 2026 года продавцы Shopify платили OpenAI 4% с продаж через оплату в ChatGPT поверх обычных сборов; Google AI Mode, Gemini и Microsoft Copilot дополнительной комиссии не брали.

В марте 2026 года OpenAI свернула оплату внутри чата: продавцы вернулись к собственному оформлению заказа, а OpenAI сосредоточилась на поиске товаров. Modern Retail приводит слова руководителя Walmart Дэниела Данкера: покупки, оформленные внутри ChatGPT, конвертировались втрое хуже, чем переходы на Walmart.com. Продавцы называли причины: корзина из одного товара, нет программ лояльности, купонов и самовывоза, нежелание отдавать клиентскую базу. Сохранилась ли комиссия 4% после разворота, подтвердить не удалось.

Вывод: ассистент не забрал сделку. Продавцы с программой лояльности и большой корзиной удержали оформление заказа и данные о клиенте. Walmart пошёл дальше: в марте 2026 года вывел собственного агента Sparky внутрь ChatGPT с привязкой аккаунта и оплатой. По данным компании, оборот через Sparky в квартале до 30 апреля вырос на 150%; определение показателя не раскрыто.

Реклама вместо комиссии — и её предел

Выручка Google от поиска в третьем квартале 2026 года — $63,35 млрд, на 12% больше, чем годом ранее. На звонке с инвесторами руководство признало, что AI Mode пока монетизируется хуже классического поиска, хотя большинство запросов в нём дополнительные, а оплата через UCP доступна «сотням тысяч брендов». Ассистент ещё не доказал, что зарабатывает на одной покупке больше, чем поисковая реклама.

У Amazon в том же квартале рекламная выручка — $19,64 млрд, а ассистентом Alexa for Shopping за 12 месяцев пользовались более 400 млн клиентов. За 2025 год компания оценивает вклад Rufus почти в $12 млрд дополнительных годовых продаж — по собственной методике атрибуции, без аудита. Одновременно Amazon закрывает сайт для чужих агентов: в ноябре 2025 года её robots.txt запретил агентов ChatGPT, раньше — краулеры Google, Meta и Perplexity.

Shopify занимает позицию нейтральной инфраструктуры. На звонке за второй квартал 2026 года руководство сообщило, что AI-трафик и заказы в магазинах выросли втрое год к году, а 75% заказов, пришедших от AI, — вне сотни крупнейших категорий. Агентская продажа, по словам компании, стоит продавцу как обычная, «без новых комиссий». При этом условия Agentic Storefronts в редакции от 6 октября 2026 года оставляют Shopify право взимать плату за отдельные каналы, а витрины для агентов включены по умолчанию.

Etsy, первый партнёр Instant Checkout, в письме акционерам за второй квартал агентских показателей не приводит; компания оставляет себе 25,9% оборота площадки. По словам руководства на звонке, агентский трафик составляет меньше 1%.

Масштаб пока мал

Все первичные источники, которые называют долю, дают низкие единицы процентов или меньше. Bain с Similarweb (ноябрь 2025): у отдельных ритейлеров AI даёт до 25% переходов, но меньше 1% всего трафика. Adobe за Prime Day 2026: AI-трафик на сайты магазинов США +89% год к году, а такие визиты конвертировались на 40% лучше остальных — годом раньше было на 23% хуже; долю Adobe не публикует. Visa в декабре 2025 года сообщала о «сотнях» операций, инициированных агентами.

Прогнозы на 2030 год — от $190–385 млрд в США у Morgan Stanley до $3–5 трлн в мире у McKinsey — расходятся в основном из-за определения «агентной» покупки; методики я не проверял. Готовность людей тоже скромная: в опросе Accenture (25 590 человек в 16 странах) только 9% готовы позволить агенту самому начинать и завершать покупки в заданных рамках, а 32% — позволить ему решать с подтверждением перед оплатой.

Протоколы стали общими — власть ушла выше

За 2026 год слой связи агентов почти перестал быть полем конкуренции. MCP передан в Agentic AI Foundation 9 декабря 2025 года, туда же 17 августа 2026 года вошёл A2A; в фонде 247 участников, Visa и Wells Fargo — среди новых крупных. AP2 и Verifiable Intent от Mastercard 28 апреля 2026 года переданы в FIDO Alliance, где рабочую группу по платежам возглавляют Visa и Mastercard. ACP остаётся бета-спецификацией OpenAI и Stripe вне фонда.

Карточные сети ставят на все протоколы сразу. Visa Intelligent Commerce Connect (8 апреля 2026) поддерживает TAP, MPP, ACP и UCP: сети неважно, какой протокол победит, если учётные данные проходят через её хранилище токенов. Mastercard 30 сентября начала тестировать в США оценку вероятности того, что операцию начал агент, вместе с Cloudflare и Skyfire, которая продвигает принцип «знай своего агента». Тот, кто оценивает агента, фактически решает, сколько его операций одобрят. Это мягкая власть исключения без объявленного тарифа.

Похожий привратник на уровне веба — сети доставки контента. По данным Cloudflare за 30 сентября 2026 года, запросы агентов выросли более чем на 1 700% за год, а доля обучающих краулеров среди запросов ботов — с 22% весной 2025 года до 52% в июне 2026-го. Отношение обходов страниц к переходам в июле 2025 года: у Anthropic около 38 тысяч к одному, у OpenAI — около 1 100, у Perplexity — 195, у Google — 5,4. Cloudflare предупреждает, что приложения часто не передают источник перехода, поэтому числа завышены. Но порядок величин ясен: крупнейшая передача ценности сейчас — извлечение контента, а не покупки агентов.

Попытка взять за это плату тоже показательна. В Pay Per Use цену за использование предлагает AI-покупатель, а издатель только принимает или отклоняет её; свою долю Cloudflare не раскрывает. Крупная AI-компания против множества разрозненных издателей — расклад, в котором цену задаёт покупатель.

Идентификация становится главным практическим способом впустить агента или не впустить. В IETF готовится стандарт подписей HTTP-сообщений для ботов (черновик рабочей группы от 29 октября 2026 года, авторы из Cloudflare и Google): любой оператор публикует свои ключи без центрального реестра. Но список ключей, которым доверяет сеть доставки или площадка, и становится новым списком допуска.

В июльском материале MIT Sloan Рамеш Раскар связывает Project NANDA с открытой инфраструктурой обнаружения, идентичности и координации агентов. Это исследовательская программа и позиция о желательном устройстве рынка. Пока же открытый формат сообщений сочетается с очень централизованными точками контроля: каталогом, ранжированием, оценкой надёжности и доступом к покупателю.

Поставщик модели: доход при любом исходе

Поставщик модели получает плату за вычисления независимо от того, удачной ли была сделка. Каждый лишний раунд торга, каждая проверка и повтор — это токены. Поэтому рост активности сам по себе выгоден поставщику модели, даже если пользователю он ничего не дал. Об этом различии между расходом вычислений и ценностью я писал в разборе токенов как доказательства работы.

Счётчик x402 показывает разрыв между активностью и ценностью. В исследовании How Agentic Is Agentic Commerce? за 17 сентября 2025 — 23 июня 2026 года в сети Base выделено 136,7 млн расчётов на $44,1 млн. По классификации авторов 21,20% числа операций — самоплатежи и замкнутые циклы, 63,78% — расчёты внутри связанных кластеров, 15,02% не атрибутированы. Это доли числа операций, а не денег; связанность кошельков не доказывает злого умысла. Chainalysis на 14 октября 2026 года насчитывает в Base более 138 млн операций x402, 87% из них — от $0,0001 до $0,10. Устойчивые категории — данные и поиск, проверка кода, финансовая аналитика, вызовы моделей. Это рельс для мелких машинных покупок API, а не для розничной торговли.

Слой моделей при этом конкурентен. По оценке OECD (июнь 2026), индекс цен языковых моделей упал почти на 80% с января 2024 по апрель 2026 года, а число их разработчиков выросло с 9 до 47. Но OECD отдельно называет риски вертикальной интеграции: компании могут продвигать собственные предложения, связывать ИИ с существующими продуктами и повышать издержки переключения. Ати и Скотт-Мортон формализуют это: монополист ИИ берёт двухчастный тариф — за использование и за доступ, и ограничение одной платы переносит ренту в другую.

Мой вывод: поставщик модели выигрывает больше всего не на цене токена, а там, где одновременно владеет поверхностью ассистента. Тогда он собирает и плату за вычисления, и рекламу, и данные о спросе. Отдельный поставщик модели на конкурентном рынке получает всё более дешёвую плату за вызов. Хэдфилд и Ко добавляют риск однотипности: цены продолжают отражать предпочтения, только если ошибки агентов независимы. В ACES обновление модели меняло долю одного фитнес-браслета с 45% до 77% у Claude и с 25% до 6% у GPT — сразу для всех продавцов категории.

До сих пор речь шла в основном о товарах. На рынках задач, где агент нанимает исполнителя для исследования, кода или обработки данных, к вопросу о разделе добавляется другой: окупается ли сама координация.

В работе Intelligent AI Delegation от 12 февраля 2026 года Томашев, Франклин и Осиндеро рассматривают передачу задачи вместе с полномочиями, ответственностью, мониторингом и возможностью сменить исполнителя. Сначала определяются проверяемые условия результата; слишком трудно проверяемую работу предлагают дробить дальше.

Возьмём условный пример: агенту поручили исследование рынка. Формат отчёта проверить дёшево. Соответствие утверждений первичным источникам — дороже. Полноту картины рынка — ещё дороже. У этих трёх проверок разная цена, и ни один подписанный файл не превращает их в одну бесплатную операцию. При субподряде нужно ещё понимать, кто мог передавать данные, кто имел право увеличивать бюджет и на ком осталось обязательство перед заказчиком.

В предложении ERC-8183 от 25 февраля 2026 года эта проблема получает конкретную форму: заказчик резервирует оплату, исполнитель сдаёт результат, оценщик подтверждает или отклоняет его. Спецификация описывает переходы состояний и движение средств; качество суждения оценщика остаётся за реализацией. Доставка результата, решение о приёмке и перевод денег — три события с разными основаниями.

Что даёт цена и сколько стоят переговоры

Цена полезна, если исполнитель хорошо знает свои возможности и расходы. MarketBench (26 апреля 2026) показывает, что модели плохо оценивают и вероятность успеха, и затраты: в живом распределении 50 задач два номинально одинаковых запуска дали 29 и 23 решения. Предложенная моделью цена может оказаться ещё одним правдоподобным ответом, а не себестоимостью.

В Economy of Minds от 1 июня 2026 года аукционы и условное богатство используются для отбора и изменения агентов при фиксированных весах моделей. При итоговой оценке платежи, банкротства и мутации отключены; на задачах MATH авторы приводят средний результат 43,9% и лучший 57,0% при базе 51,9%, но способ усреднения описан недостаточно. Равенство полной стоимости вычислений не показано.

AgentLance от 24 августа 2026 года ближе к рынку труда: ставки, репутация, выбор исполнителя и субподряд при центральном распределителе. Авторы показывают улучшение своей метрики, но учитывают стоимость исполнения без расходов на рыночную коммуникацию. Это меняет вывод. Если исполнение подешевело на 20 центов, а сбор предложений, оценка репутации и переговоры обошлись в 30, система проиграла по полной стоимости. Тот же эффект виден у Лян и Сюй, где задержки торга съедали 21–34% выигрыша: координация не бесплатна и у агентов.

Когда сигналы дешевеют

Агенты меняют и то, как рынок отличает сильного исполнителя от слабого. Галдин и Силберт на данных Freelancer.com показали: до языковых моделей работодатели доплачивали за отклики, адаптированные под задачу, после — перестали. В их контрфактическом расчёте, где письмо перестаёт быть сигналом, лучших по квинтилю нанимают на 19% реже, худших — на 14% чаще. В работе Цуй, Диаса и Е после внедрения инструмента для писем связь между адаптацией письма и откликами работодателей ослабла на 51%, и работодатели сместились к истории выполненных работ.

Для рынков агентов вывод прямой: выигрывает тот, у кого есть то, что дёшево не подделать, — проверенная история выполненных заказов. Пока с этим плохо. Аудит ERC-8004 (v2 от 8 июля 2026 года, данные до 13 мая) нашёл корректный файл регистрации с объявленным сервисом только у 3%, 4% и 15% регистраций в Ethereum, BSC и Base соответственно. Регистрация не удостоверяет компетентность, а множество подставных идентичностей позволяет накручивать отзывы.

Репутация должна отвечать на узкий вопрос: кто проверял работу, на каких задачах, с какой ценой ошибки, когда и после какой смены модели. Исполнитель с сотней хороших отзывов о переводе текстов не получает права оценивать инженерную безопасность. NIST в материале от 27 августа 2026 года делает акцент на собственной идентичности агента, ограниченных и короткоживущих полномочиях и привязке к оператору.

Стоимость принятого результата

Агентная экономика сводит в одну систему две бухгалтерии. Внутри исполнитель расходует вычисления и время, снаружи заказчик платит за результат. Между ними — поиск, переговоры, проверка, исправления, простои и споры. Если считать только первый вызов модели, почти любое решение кажется дешевле, чем окажется в эксплуатации.

В условном примере первый исполнитель тратит $0,20 на работу, $0,25 на координацию и $0,80 на проверку с доработкой. Из ста попыток принимаются шестьдесят: $125 / 60 ≈ $2,08 за результат. У второго работа стоит $0,80, координация $0,05, проверка $0,25, принимаются девяносто: $110 / 90 ≈ $1,22. Более высокая цена исполнения совместима с более низкой ценой принятого результата. Это арифметическая иллюстрация, а не замер продукта.

Сравнение имеет смысл только при одинаковой приёмке: если ослабить проверку, принятых результатов станет больше, а сравнение потеряет смысл. Нужна и вторая метрика — ценность результата для заказчика: десять корректных отчётов, которыми никто не воспользовался, хуже одного полезного решения. Редкие тяжёлые последствия средняя стоимость не отражает: необратимые действия стоит отдельно ограничивать полномочиями и бюджетом риска.

В 2026 году появилось больше решений, влияющих на раздел выгоды в агентной торговле, чем за всё время до этого. Почти все они — из права конкуренции и защиты потребителей, а не из законов об ИИ.

Можно ли прийти на площадку со своим агентом

4 августа 2026 года Апелляционный суд девятого округа США отменил предварительный запрет, который Amazon в марте получила против браузера-агента Comet от Perplexity. Суд счёл, что по закону о компьютерном мошенничестве (CFAA) к компьютерам Amazon обращается пользователь, а ассистент — его инструмент. Суд подчеркнул, что не создаёт нового правового режима для агентов, и оставил Amazon возможность ограничивать доступ условиями использования; дело вернулось в первую инстанцию. Для площадок это значит: исключать агента придётся договором, технической идентификацией или переговорами, а не законом о взломе.

9 июня 2026 года Еврокомиссия ввела временные меры против Meta: восстановить бесплатный доступ конкурирующих AI-ассистентов к WhatsApp Business API на прежних условиях. Платное открытие доступа в марте Комиссия сочла на практике равнозначным запрету. Сигнал: доминирующий канал нельзя закрыть или обложить запретительной платой ради собственного ассистента.

Кто владеет точкой входа

16 июля 2026 года Еврокомиссия по Регламенту о цифровых рынках (DMA) обязала Google бесплатно открыть конкурирующим AI-сервисам 11 функций Android: вызов ассистента, доступ к контексту экрана и приложений, действия в приложениях, работу в фоне, локальные модели. Дополнительных коммерческих условий ставить нельзя; срок — Android 18 и не позднее 1 августа 2027 года. AI-чат-боты с функцией поиска получили право на данные поиска Google. В обзоре DMA от 28 апреля Комиссия закон не меняла, но назвала ИИ приоритетом и допустила, что позже включит «виртуальных ассистентов» в число регулируемых сервисов.

В Великобритании AI Overviews и AI Mode входят в периметр стратегического рыночного статуса Google в поиске, а Gemini — нет. С 17 июня 2026 года действуют обязательные требования о справедливом ранжировании, в том числе в AI Overviews, и о переносимости данных поиска. 23 сентября CMA предложила включить AI-ассистентов в экраны выбора на Android и в Chrome. В США меры по делу о поисковой монополии запрещают Google эксклюзивные договоры о распространении, включая приложение Gemini; решение обжалуется.

Ценовые алгоритмы и персональные цены

Американский Минюст в ноябре 2025 года заключил мировое соглашение с RealPage: алгоритм арендных цен не может использовать непубличные данные конкурентов в работе, обучаться можно только на данных старше 12 месяцев, за исполнением следит назначенный судом наблюдатель. CMA в блоге от 4 марта 2026 года сообщила, что ищет алгоритмический сговор, и советует компаниям встраивать явные запреты на сговор в ценовые инструменты на языковых моделях.

В Нью-Йорке с 10 ноября 2025 года действует закон о раскрытии: рядом с ценой нужна пометка, что её установил алгоритм на основе персональных данных. One Fair Price Act, запрещающий такие цены, в июне 2026 года прошёл обе палаты и ждёт подписи губернатора. В Китае с 10 апреля 2026 года правила ценового поведения платформ требуют раскрывать правила динамического и дифференцированного ценообразования. Европейский Digital Fairness Act, по данным исследовательской службы Европарламента, ожидается в ноябре 2026 года; об агентах в её обзоре не говорится.

Законы об ИИ — не главный рычаг

Цифровой омнибус по ИИ, подписанный 8 июля 2026 года, перенёс обязательства для систем высокого риска на 2 декабря 2027 года и 2 августа 2028 года. Агенты для покупок и бронирования в основном не относятся к системам высокого риска, так что для торговли главными остаются прозрачность и обязанности поставщиков моделей общего назначения. CMA в рекомендациях для бизнеса напоминает: если агент, которого использует компания, нарушает закон, отвечает компания.

Главный пробел: нет правил, которые обязывали бы независимого поставщика агента, не признанного привратником, действовать в интересах пользователя, раскрывать, кто ему платит, и не подталкивать к выгодным себе вариантам. Это наименее регулируемый источник ренты в агентной экономике.

Сведу модель к двум вопросам: чей агент — площадки, на которой совершается покупка, или независимый от неё — и кто ему платит: покупатель или продавцы. Получается четыре устройства рынка. Реальные рынки будут смесью, но доминирующая форма определит, кому достанется освободившийся выигрыш.

Отдельная линия — управляемые закупки между известными компаниями. Там проще определить права, ответственность и приёмку, поэтому, на мой взгляд, именно там агент-переговорщик распространится быстрее всего. Выигрыш получит сторона, которая первой поставит специализированного агента; по данным Walmart и Pactum, это 1–3% объёма мелких закупок.

Мой базовый прогноз

До конца 2027 года в потребительской рознице, по-моему, будут доминировать «новый поисковик» и «сад маркетплейса». Освободившийся выигрыш поделят ассистенты, ставшие рекламными площадками, и крупные маркетплейсы; покупатель получит удобство и часть ценового выигрыша. В ЕС и Великобритании сдвиг к «представителю покупателя» будет заметнее из-за требований совместимости и доступа. Это прогноз, а не измерение.

Что заставит меня его изменить. Во-первых, появится массовый ассистент, который зарабатывает подпиской и публично отказывается от рекламы в покупательских ответах. Во-вторых, суды или регуляторы закрепят право пользователя приходить со своим агентом на крупнейшие маркетплейсы. В-третьих, появятся данные о том, что пользователи независимых агентов систематически платят меньше. В-четвёртых, рекламная выручка ассистентов перестанет расти при росте агентского трафика.

Сначала стоит понять, касается ли компании агентная экономика. Пять вопросов ниже я предлагаю как практический ориентир, а не отраслевой норматив. Если на два и больше ответ «да», тема уже касается бизнеса.

Что проверить в зависимости от роли

• —Продавец или бренд. Агент выбирает по данным, а не по картинке. Нужен машиночитаемый каталог: цена, наличие, доставка, возвраты. Ставку на тексты, переписанные под модель, лучше не делать: когда так поступают все, преимущество исчезает.
• —Маркетплейс или площадка. Нужна политика для внешних агентов: пустить с идентификацией, брать плату за доступ или закрыться. Решение стоит сверять с судебной практикой и требованиями DMA и CMA, а потерю рекламы сравнивать с выигрышем в конверсии.
• —Закупки. Пилот агента-переговорщика на мелких нестандартных закупках с контрольной группой; отдельно — мнение поставщиков и условия оплаты, которые они уступают.
• —Поставщик контента, данных или API. Тарифы для машинных клиентов, проверка подписей ботов, решение об обучающих краулерах и цене за использование.
• —Компания, которая сама строит агента для клиентов. Записать, кто платит агенту и за что, и показать это пользователю; хранить бюджет и персональные признаки отдельно от диалога с продавцом.

План на 6–12 месяцев

До начала пилотов стоит назвать основания для остановки. Например: расходы на выбор исполнителя стабильно превышают экономию; проверка занимает столько же времени, сколько самостоятельная работа; заказчик не возвращается без субсидии; один посредник объясняет большую часть оборота; конверсия в агентском канале ниже прямой и не растёт. Конкретные пороги зависят от задачи, их нельзя честно назначить одинаковыми для всех.

Если вы строите рынок агентов

В исходном разборе главным был вопрос об устройстве управляемой экономики агентов. Теперь вопрос «кто получает выгоду» можно задать проверяемо: кто платит агенту, кто видит предпочтения владельца, кто решает, что попадёт в выдачу, и сколько стоит принятый результат. Где ответы складываются в пользу владельца, агенты переносят выигрыш к покупателю. Где нет — к тем, кто контролирует поверхность, выдачу и данные. Осенью 2026 года данные говорят скорее о втором варианте, но правовые решения этого года впервые всерьёз открывают дорогу первому.