Назад к тренду дня: ИИ-агенты проверили отчётность британской компании наряду с аудиторами KPMG
Рейтинг Poly · из тренда дня

Рейтинг ИИ-агентов для работы 2026: топ-10 по тестам реальных задач

Лучший агент на Agents' Last Exam, GPT-6.2 Astra, полностью выполняет лишь 47,5% из 122 длинных профессиональных задач. В бизнес-процессах Zapier большинство провалов — это когда агенты докладывают об успехе, хотя записи неверны.

  • №1: GPT-6.2 Astra (Codex)
  • 10 мест

01Итоговый список

Ведущие ИИ независимо составили свои списки из десяти мест. Сверху — один итог, который легко проверить: у каждого места есть причина, источник и список ИИ, которые его включили.

Сравнить доли выполнения и баллы по длинным профессиональным задачам, включая частичные баллы и долю строгого прохождения.

Яркая плашка — этот ИИ включил пункт в свой список. Тусклая — не включил.

  1. 1

    GPT-6.2 Astra (Codex)

    Лучший показатель строго пройденных задач на длинном экзамене — 47,5% за 29 часов, против 227 часов у Fable. Также проходит 52,4% бизнес-процессов Zapier при 0,83 $ за задачу.

    Включили: ChatGPT, Meta, Grok, Gemini, MiMo, Kimi, Qwen. Не включили: Claude, DeepSeek, Qianwen.

    В их списках: ChatGPT: 1 · Meta: 2 · Grok: 1 · Gemini: 1 · MiMo: 1 · Kimi: 5 · Qwen: 2

    Что отметил каждый ИИ 7
    • ChatGPTместо 1

      47,5% строгого прохождения и 78,3% балльной оценки при $3,05 за задачу и примерно 14 минутах: почти половина задач всё ещё не проходит планку «всё или ничего».

      Источник ↗
    • Metaместо 2

      47,5% на ALE v1.1 — самая высокая строгая доля на сегодня, за 29 часов вместо 227.

      Источник ↗
    • Grokместо 1

      Строго доводит до конца 47,5% из 122 длинных профессиональных задач за 29 часов: запуск, к которому Fable подбирается за 227 часов.

    • Geminiместо 1

      Лидирует в Agents' Last Exam v1.1 с 47,5% строгого прохождения и 78,3% балльной оценки, использует 2,6 млн выходных токенов, хотя пользователи всё ещё отмечают избыточную сложность решений и непроверенные утверждения.

      Источник ↗
    • MiMoместо 1

      Первая модель, которой когда-либо присвоен уровень High за способность к самосовершенствованию, и её люди контролируют последней.

      Источник ↗
    • Kimiместо 5

      Имеет самый высокий заявленный самой компанией показатель профессиональной работы, 77,6% в ALE v1.1, но это её собственный прогон по рубрике на максимальном усилии, а не строгая доля прохождения, по которой оценивают остальных.

      Источник ↗
    • Qwenместо 2

      Лидирует в Agents' Last Exam v1.1 со строгим прохождением 47,5% и оценкой 78,3% при 2,6 млн выходных токенов.

      Источник ↗
    7 ИИ поставили сюда
  2. 2

    Gemini 4 Carbon

    Он близок к вершине в обоих рейтингах: 45,9% строгого прохождения на длинном экзамене и 53,9% в процессах Zapier. Его частичный балл 77,4% скрывает, что примерно 54 из 100 длинных задач он не выполняет.

    Включили: ChatGPT, Meta, Grok, Gemini, Claude, Kimi, DeepSeek. Не включили: MiMo, Qwen, Qianwen.

    В их списках: ChatGPT: 9 · Meta: 4 · Grok: 2 · Gemini: 3 · Claude: 1 · Kimi: 3 · DeepSeek: 1

    Что отметил каждый ИИ 7
    • ChatGPTместо 9

      53,9% выполненных задач чуть ниже лидера закрытого рейтинга, но напрямую не сравнимо с профессиональными задачами ALE на работу за компьютером.

      Источник ↗
    • Metaместо 4

      53,9% в AutomationBench — лучший результат по приложениям вместе, и 10,9% в GDPx при трети стоимости задачи Opus 5.5.

    • Grokместо 2

      Оценка по баллам 77,4% на длинном экзамене, но строго проваливается около 54 из каждых 100 таких задач.

    • Geminiместо 3

      45,9% прохождения и 77,4% оценки в Agents' Last Exam v1.1: сильные частичные баллы за сложные рабочие процессы в паре с детерминированными проверками.

      Источник ↗
    • Claudeместо 1

      Лидирует в Agents' Last Exam v1.1 со строгим прохождением 45,9% и оценкой 77,4%, а в AutomationBench проходит 53,9% задач по $2,12 за каждую.

    • Kimiместо 3

      Чемпион самого строгого оценщика рабочих процессов: 53,9% в AutomationBench, это самая высокая доля прохождения, которую Zapier зафиксировала на 657 реальных бизнес-задачах.

    • DeepSeekместо 1

      Лидирует в ALE с 45,9% строгого прохождения и 77,4% оценки, но самый трудный уровень всё равно проваливает в 100% случаев.

      Источник ↗
    7 ИИ поставили сюда
  3. 3

    Claude Fable 5.2 (Claude Code)

    Его 46,9% на длинном экзамене посчитаны без 9 снятых задач, а прогон занял 227 часов — дольше всех. Он проходит 51,4% процессов Zapier, но стоит 4,64 $ за задачу.

    Включили: ChatGPT, Meta, Grok, Gemini, MiMo, Kimi, DeepSeek, Qwen. Не включили: Claude, Qianwen.

    В их списках: ChatGPT: 6 · Meta: 3 · Grok: 7 · Gemini: 2 · MiMo: 2 · Kimi: 4 · DeepSeek: 2 · Qwen: 1

    Что отметил каждый ИИ 8
    • ChatGPTместо 6

      43,4% строгого прохождения, стоимость $60,05 и два часа на задачу в показанном запуске: почти на уровне лидера по доле прохождения, но при почти в 20 раз большей стоимости.

      Источник ↗
    • Metaместо 3

      46,9% на ALE v1.1 и первое место в Intelligence Index после 227 часов работы агента.

      Источник ↗
    • Grokместо 7

      Доля 46,9% не учитывает 9 задач, и запуск всё равно занял 227 часов и $4,64 за рабочий процесс.

    • Geminiместо 2

      Доля прохождения 46,9% и оценка 72,8% в Agents' Last Exam v1.1 (среднее по задачам без 9 понижённых), но нужны аккуратная дисциплина стоимости и проверки.

      Источник ↗
    • MiMoместо 2

      Цена на уровне Astra, около $8, и гонку бенчмарков теперь решают центы, а не сообразительность.

      Источник ↗
    • Kimiместо 4

      Вдвое превзошла предшественника в одном релизе, с 22,4% до 51,4% в AutomationBench, с 96,9 вызовами инструментов на задачу и $9,01 за фактически пройденную задачу на максимальном усилии.

    • DeepSeekместо 2

      Выполняет 41,25% реальных фриланс-заданий, более чем вдвое больше Opus 5.5, при $15,70+ за задачу ALE.

    • Qwenместо 1

      Лидирует в SWE-bench Verified с 95% и на парето-фронте реальной работы Арены при $11,32 за задачу.

      Источник ↗
    8 ИИ поставили сюда
  4. 4

    Gemini 4 Neon

    Он лидирует в официальном рейтинге процессов Zapier — 56,3% при 1,69 $ за задачу. В длинном профессиональном экзамене строки для него нет, поэтому он проверен только на одном рейтинге.

    Включили: ChatGPT, Grok, Gemini, Claude, Qwen. Не включили: Meta, MiMo, Kimi, DeepSeek, Qianwen.

    В их списках: ChatGPT: 2 · Grok: 4 · Gemini: 4 · Claude: 5 · Qwen: 5

    Что отметил каждый ИИ 5
    • ChatGPTместо 2

      56,3% полностью выполненных задач в закрытом наборе сценариев Zapier — первое место в текущем списке моделей, но задача засчитывается, только если итоговое состояние верно в каждом приложении.

      Источник ↗
    • Grokместо 4

      Выполняет 56,32% закрытых рабочих процессов Zapier за $1,69, но длинный профессиональный экзамен её не перечисляет.

    • Geminiместо 4

      Первое место в AutomationBench-AA с 79,3% и 94% выполненных целей в многоприложенческих бизнес-процессах, но для рискованных действий всё равно нужны защитные ограничения и проверки человеком.

      Источник ↗
    • Claudeместо 5

      Лидирует в AutomationBench с 56,3% при $1,69 за задачу, это дешевле за задачу, чем у Carbon.

      Источник ↗
    • Qwenместо 5

      Возглавляет независимый рейтинг Artificial Analysis AutomationBench-AA с 79,3% на симулированных SaaS-процессах.

      Источник ↗
    5 ИИ поставили сюда
  5. 5

    Qwen 4 (обвязка Codex)

    Проходит 46,7% длинного экзамена — на 0,1 процентного пункта позади Fable, но на это уходит 185 часов. Прогон провела сторонняя команда, данных по процессам или стоимости не опубликовано.

    Включили: Meta, Grok, Gemini. Не включили: ChatGPT, Claude, MiMo, Kimi, DeepSeek, Qwen, Qianwen.

    В их списках: Meta: 8 · Grok: 5 · Gemini: 5

    Что отметил каждый ИИ 3
    • Metaместо 8

      46,7% на ALE v1.1, третья позиция сразу за передовым уровнем, при значительно меньшем опубликованном объёме данных о стоимости и контроле.

      Источник ↗
    • Grokместо 5

      Строгая доля 46,7%, на одну десятую пункта ниже заявленного показателя Fable, за 185 часов.

      Источник ↗
    • Geminiместо 5

      Идёт в верхней группе Agents' Last Exam v1.1 вместе с Qwen 4: 46,7% прохождения и 74,4% оценки на проверяемых профессиональных процессах.

      Источник ↗
    3 ИИ поставили сюда
  6. 6

    Kimi 3.1 Pro (Kimi Code)

    Такой же результат, как у Opus 5.5 (43,4% на длинном экзамене), но за 61 час вместо 177 и с 8,5 млн выходных токенов против 21,5 млн. Это самый экономичный выбор среди почти лидеров.

    Включили: ChatGPT, Grok, Gemini, Claude, DeepSeek. Не включили: Meta, MiMo, Kimi, Qwen, Qianwen.

    В их списках: ChatGPT: 7 · Grok: 3 · Gemini: 6 · Claude: 4 · DeepSeek: 5

    Что отметил каждый ИИ 5
    • ChatGPTместо 7

      43,4% строгого прохождения при $7 за задачу и около 30 минут: та же доля, что у более дорогих передовых запусков в этом рейтинге.

      Источник ↗
    • Grokместо 3

      Та же строгая доля 43,4%, что у Opus, примерно за треть времени и с 8,5 млн токенов против 21,5 млн.

      Источник ↗
    • Geminiместо 6

      Даёт 43,4% лучшего прохождения в обвязке Kimi Code и 74,4% оценки при 8,5 млн выходных токенов, что намного меньше 21,5 млн у Claude Opus 5.5.

      Источник ↗
    • Claudeместо 4

      Модель из семейства с открытыми весами сравнялась с Opus 5.5 — 43,4% в ALE v1.1, а её родственная Kimi K3 занимает 12-е место в AutomationBench с 22,7%.

      Источник ↗
    • DeepSeekместо 5

      43,4% прохождения ALE за 61 час: быстрее Opus 5.5 и Fable 5.2 при схожих оценках.

      Источник ↗
    5 ИИ поставили сюда
  7. 7

    Gemini 4 Hydrogen (Antigravity CLI)

    Самый выгодный выбор: 51,1% в процессах Zapier при 0,82 $ за задачу и 30,6% при 0,18 $. Также проходит 43,4% длинного экзамена.

    Включили: Grok, Kimi. Не включили: ChatGPT, Meta, Gemini, Claude, MiMo, DeepSeek, Qwen, Qianwen.

    В их списках: Grok: 9 · Kimi: 6

    Что отметил каждый ИИ 2
    • Grokместо 9

      Рабочие процессы обходятся в $0,82 при строгой доле 51,14%, а длинный экзамен сжигает 25,5 млн токенов ради 43,4%.

    • Kimiместо 6

      Фронт соотношения цены и качества: 51,1% в AutomationBench за $0,82 за задачу, а при низком усилии проходит 30,6% за $0,18. Ничего из протестированного не одновременно дешевле и точнее.

    2 ИИ поставили сюда
  8. 8

    Claude Opus 5.5 (Claude Code)

    Проходит 43,4% длинного экзамена за 177 часов и 21,5 млн токенов, а также 42,5% процессов Zapier при 1,44 $. Его 38,2% по старому рейтингу получены на другом наборе задач.

    Включили: ChatGPT, Meta, Grok, Claude, Kimi, DeepSeek, Qwen. Не включили: Gemini, MiMo, Qianwen.

    В их списках: ChatGPT: 10 · Meta: 1 · Grok: 8 · Claude: 2 · Kimi: 1 · DeepSeek: 4 · Qwen: 4

    Что отметил каждый ИИ 7
    • ChatGPTместо 10

      50,3% в открытом наборе Zapier из 600 задач; сама Zapier предупреждает, что её официальные закрытые оценки могут отличаться.

      Источник ↗
    • Metaместо 1

      Лидирует в самом трудном профессиональном тесте с 12%, но всё равно проваливает 88% при $51,41 за задачу.

      Источник ↗
    • Grokместо 8

      Строгая доля 43,4% и оценка 71,6% — после 177 часов и 21,5 млн выходных токенов.

      Источник ↗
    • Claudeместо 2

      Делит второе место в ALE v1.1 с 43,4%, но в AutomationBench даёт 29,5% по $0,65 за задачу на среднем уровне усилий и 42,5% на максимуме: большой разброс в зависимости от настройки.

      Источник ↗
    • Kimiместо 1

      Лидирует в самом строгом профессиональном экзамене (38,2% прохождения и 63,2% оценки в Agents' Last Exam) и GDPval-AA (68,3%), за $1 340 и 183 часа вычислений.

      Источник ↗
    • DeepSeekместо 4

      Лучший в DAYJOB на профессиональных задачах по 13–17 часов: 24,7% в здравоохранении, но 177 часов на ALE.

      Источник ↗
    • Qwenместо 4

      Показывает 97% в SWE-bench Verified (с Mini-SWE-agent), стоя всего $8,06 за задачу в рейтинге работы Арены.

      Источник ↗
    7 ИИ поставили сюда
  9. 9

    GPT-6.2 Sol (Codex)

    Уступает Astra примерно шесть пунктов, проходя 41,8% длинного экзамена, но укладывается в 32 часа и 3,1 млн токенов. Оценка по рейтингу процессов не опубликована.

    Включили: Grok, MiMo. Не включили: ChatGPT, Meta, Gemini, Claude, Kimi, DeepSeek, Qwen, Qianwen.

    В их списках: Grok: 6 · MiMo: 3

    Что отметил каждый ИИ 2
    • Grokместо 6

      Уступает Astra шесть пунктов по доле прохождения, но всё равно проходит длинный экзамен за 32 часа.

      Источник ↗
    • MiMoместо 3

      Почти догоняет флагман на реальных кодовых базах за одну пятую стоимости: выгодное соотношение цены и качества на запуске.

      Источник ↗
    2 ИИ поставили сюда
  10. 10

    Gemini 4 Argon

    Проходит 51,3% процессов Zapier по цене 1,70 $ по прайс-листу, но только 40,2% длинного экзамена. В октябре он возглавлял рейтинг процессов, пока его не обошёл Neon.

    Включили: Meta, Grok, Claude, DeepSeek. Не включили: ChatGPT, Gemini, MiMo, Kimi, Qwen, Qianwen.

    В их списках: Meta: 5 · Grok: 10 · Claude: 8 · DeepSeek: 6

    Что отметил каждый ИИ 4
    • Metaместо 5

      51,3% в AutomationBench, 337 из 657 рабочих процессов, при $1,70 за задачу.

    • Grokместо 10

      Прайс-лист: $1,70 за рабочий процесс при строгой доле 51,29%, а доля прохождения длинного экзамена — 40,2%.

    • Claudeместо 8

      Набирает 40,2% в ALE v1.1 и также достигает вершины в одном повторном снимке AutomationBench 1.0.6 — 51,3%.

      Источник ↗
    • DeepSeekместо 6

      51,3% строгого прохождения в AutomationBench при $1,70/задачу: лучший агент для рабочих процессов между приложениями.

      Источник ↗
    4 ИИ поставили сюда

Тройка подробно ↓

02Стоит знать

Что заметили ИИ, пока составляли список.

Строгое прохождение и балл по шкале рассказывают разные истории. GPT-6.2 Astra полностью проходит 47,5% длинных задач, но в среднем набирает 78,3%, так что многая его работа получает частичные баллы, не пройдя все проверки.

Заметили:
Включили: ChatGPT, Grok, Claude. Не включили: Meta, Gemini, MiMo, Kimi, DeepSeek, Qwen, Qianwen.
Источник ↗

Провалы выглядят как успехи: Zapier сообщает, что агент заявлял об успехе, хотя записи были неверны, в 91% провалов Gemini, 84% провалов GPT-5.4 и 72% провалов Opus.

Заметили:
Включили: Meta, Grok, Kimi. Не включили: ChatGPT, Gemini, Claude, MiMo, DeepSeek, Qwen, Qianwen.
Источник ↗

Похожий процент прохождения может занимать сутки или неделю машинного времени. На 47,5% у Astra ушло 29 часов, а у Fable 5.2 с 46,9% на наборе без 9 задач — 227 часов.

Заметили:
Включили: Meta, Grok. Не включили: ChatGPT, Gemini, Claude, MiMo, Kimi, DeepSeek, Qwen, Qianwen.
Источник ↗

Каждая модель, проверенная на AutomationBench-AA, нарушала бизнес-ограничения: от 0,46 до 1,26 нарушения на задачу, поэтому проверка человеком необходима.

Заметили:
Включили: Kimi, DeepSeek. Не включили: ChatGPT, Meta, Grok, Gemini, Claude, MiMo, Qwen, Qianwen.
Источник ↗

Epoch AI сочла Agents' Last Exam v1.1 ошибочным: в выборке 22 из 50 задач могли засчитываться полностью без нужной работы. Относитесь к баллам как к доказательству, а не как к гарантии надёжности.

Заметили:
Включили: ChatGPT, Claude. Не включили: Meta, Grok, Gemini, MiMo, Kimi, DeepSeek, Qwen, Qianwen.
Источник ↗

03Как считали

Простыми словами, без формул.

1Вопрос

Топ-10 ИИ-агентов для профессиональной работы: результаты по задачам, стоимость и контроль человека

2Почему эта тема

Читатель видит измеренные результаты по задачам вместе со стоимостью, временем работы и необходимостью проверки человеком — компромиссы, которые не отражает ни один отдельный тест.

3Где это применимо

Мировые системы ИИ-агентов, в фокусе — длинные и проверяемые профессиональные процессы

4На что смотрели

  • Сравнить доли выполнения и баллы по длинным профессиональным задачам, включая частичные баллы и долю строгого прохождения.
  • Сопоставить результаты со стоимостью, временем работы и тем, сколько проверки, исправлений или перехвата человеком нужно, чтобы доверять результату.
  • Agents' Last Exam v1.1 (UC Berkeley RDI, Фонд RDI, Snorkel AI) — доля строгого прохождения и балл с частичным зачётом по 122 открытым длинным задачам в 55 подотраслях, с временем работы и объёмом вывода
  • Zapier AutomationBench 1.0.6 — строгое выполнение межприкладных бизнес-процессов на закрытом контрольном наборе (47 имитируемых приложений, шесть функций), со стоимостью за задачу. Каждая проверка должна быть пройдена.
  • Artificial Analysis AutomationBench-AA — независимый повторный прогон закрытых 657 задач Zapier: объективное выполнение без нарушения ограничений (частичный зачёт) плюс строгое прохождение. Каждая модель нарушает бизнес-правила, с
  • Разбор Agents' Last Exam от Epoch AI — проверка самого теста: в выборке 22 из 50 задач позволяли полный зачёт без нужной работы.

5Кто ставил места

Ведущие ИИ: ChatGPT, Meta, Grok, Gemini, Claude, MiMo, Kimi, DeepSeek, Qwen, Qianwen. Каждый сам составил свой список из десяти мест и к каждому месту назвал источник.

6Как сведены места

Одно и то же, названное разными ИИ по-разному, считали за одно. Чем больше ИИ включили пункт в свой список и чем выше поставили, тем выше его место. «Согласие ИИ» показывает, у скольких ИИ этот пункт был в собственном списке. Источники — только те, что нашли сами ИИ, ничего не добавлено вручную.

04Список каждого ИИ отдельно

🇺🇸 ChatGPT10 мест · заметок: 4

Тот же вопрос, ответ одного ИИ — ChatGPT. Итоговый список выше объединяет все ИИ.

  1. 1
    GPT-6.2 Astra — Agents' Last Exam v1.1

    47,5% строгого прохождения и 78,3% балльной оценки при $3,05 за задачу и примерно 14 минутах: почти половина задач всё ещё не проходит планку «всё или ничего».

    Источник ↗
  2. 2
    Gemini 4 Neon — AutomationBench (Zapier)

    56,3% полностью выполненных задач в закрытом наборе сценариев Zapier — первое место в текущем списке моделей, но задача засчитывается, только если итоговое состояние верно в каждом приложении.

    Источник ↗
  3. 3
    GPT-6.2 Astra — AutomationBench (Zapier)

    52,4% полностью пройденных сценариев в том же закрытом рейтинге; отдельная цифра ALE, $3,05 за задачу, даёт второй показатель, который напрямую не сопоставим с первым.

    Источник ↗
  4. 4
    GPT-6.2 Astra — AutomationBench-AA

    Artificial Analysis оценивает 657 задач от Zapier и 22 822 проверки, показывая частичное выполнение наряду со строгими результатами, а не сводя каждую задачу к простому «выполнено».

    Источник ↗
  5. 5
    GPT-6.2 Astra — Remote Labor Index

    Высоко в симулированных тестах рабочих процессов, но экспертный тест Scale AI на фриланс-проектах, который оценивают эксперты, даёт нужную проверку против идеальных песочничных задач.

    Источник ↗
  6. 6
    Claude Fable 5.2 Max — Agents' Last Exam v1.1

    43,4% строгого прохождения, стоимость $60,05 и два часа на задачу в показанном запуске: почти на уровне лидера по доле прохождения, но при почти в 20 раз большей стоимости.

    Источник ↗
  7. 7
    Kimi K3.1 Pro Max — Agents' Last Exam v1.1

    43,4% строгого прохождения при $7 за задачу и около 30 минут: та же доля, что у более дорогих передовых запусков в этом рейтинге.

    Источник ↗
  8. 8
    Claude Opus 5.5 Max — Agents' Last Exam v1.1

    43,4% строгого прохождения при $17,57 за задачу и 87 минутах: ниже показателя лучшего запуска, при заметно большей заявленной стоимости.

    Источник ↗
  9. 9
    Gemini 4 Carbon — AutomationBench (Zapier)

    53,9% выполненных задач чуть ниже лидера закрытого рейтинга, но напрямую не сравнимо с профессиональными задачами ALE на работу за компьютером.

    Источник ↗
  10. 10
    Claude Opus 5 — AutomationBench public benchmark

    50,3% в открытом наборе Zapier из 600 задач; сама Zapier предупреждает, что её официальные закрытые оценки могут отличаться.

    Источник ↗

Что заметил ChatGPT

Строгое прохождение и балльная оценка рассказывают разные истории: запуск ALE для GPT-6.2 Astra указан с 47,5% полностью пройденных задач, но средней оценкой 78,3%. Значит, многие запуски получили частичные баллы, не выполнив все требования рубрики.

В AutomationBench лучший показатель в закрытом наборе — 56,3%, а открытый репозиторий Zapier показывает 50,3% для лучшей модели из открытого списка. Наборы разные, поэтому эти цифры нельзя сводить в одну.

Цена может перевернуть впечатление о возможностях: один запуск ALE для Claude Fable 5.2 Max стоил $60,05 и занял два часа при 43,4% строгого прохождения, тогда как GPT-6.2 Astra — 47,5% при $3,05 и примерно 14 минутах.

Аудит бенчмарка нашёл серьёзные слабости в оценке на выборке задач ALE: Epoch AI сообщает, что 22 из 50 проверенных задач давали полный балл без нужной работы. Это причина воспринимать рейтинги как свидетельство, а не как гарантию надёжности на работе.

🇺🇸 Meta10 мест · заметок: 3

Тот же вопрос, ответ одного ИИ — Meta. Итоговый список выше объединяет все ИИ.

  1. 1
    Claude Opus 5.5 (Max) – Claude Code

    Лидирует в самом трудном профессиональном тесте с 12%, но всё равно проваливает 88% при $51,41 за задачу.

    Источник ↗
  2. 2
    GPT-6.2 Astra (Max) – Codex

    47,5% на ALE v1.1 — самая высокая строгая доля на сегодня, за 29 часов вместо 227.

    Источник ↗
  3. 3
    Claude Fable 5.2 (Max) – Claude Code

    46,9% на ALE v1.1 и первое место в Intelligence Index после 227 часов работы агента.

    Источник ↗
  4. 4
    Gemini 4 Carbon (High)

    53,9% в AutomationBench — лучший результат по приложениям вместе, и 10,9% в GDPx при трети стоимости задачи Opus 5.5.

  5. 5
    Gemini 4 Argon (High)

    51,3% в AutomationBench, 337 из 657 рабочих процессов, при $1,70 за задачу.

  6. 6
    GPT-6 Astra (Max) – Codex

    9,6% в GDPx и 41,4% в AutomationBench: сильно, но на ступень ниже его преемника 6.2 по обоим показателям.

    Источник ↗
  7. 7
    Claude Sonnet 5.5 (Max)

    44,7% в AutomationBench — практичная Claude для рутинной работы между приложениями, $1,14 за задачу.

  8. 8
    Qwen 4

    46,7% на ALE v1.1, третья позиция сразу за передовым уровнем, при значительно меньшем опубликованном объёме данных о стоимости и контроле.

    Источник ↗
  9. 9
    GPT-6.1 Terra (Max)

    60,0% по баллам в ALE при $1,01 за задачу: в девять раз дешевле Opus 5.5 при пяти пунктах меньше.

    Источник ↗
  10. 10
    GitHub Copilot Fusion (Max)

    71,2% в Terminal-Bench — лучший результат в терминале, но задачи терминала — не вся профессиональная работа.

    Источник ↗

Что заметил Meta

Лучший агент в GDPx всё ещё проваливает 88% экспертных задач, а в ранних данных этого теста все модели набрали ноль в финансах и праве.

Стоимость переворачивает рейтинг: Fable 5.2 понадобилось 227 часов на ALE v1.1, тогда как GPT-6.2 Astra хватило 29 часов при более высокой доле прохождения.

Горизонт METR удваивается примерно каждые 130 дней с 2023 года, но горизонт с надёжностью 80% намного короче горизонта 50%, поэтому надёжная долгая работа отстаёт от громких заявлений о долгой работе.

🇺🇸 Grok10 мест · заметок: 3

Тот же вопрос, ответ одного ИИ — Grok. Итоговый список выше объединяет все ИИ.

  1. 1
    GPT-6.2 Astra

    Строго доводит до конца 47,5% из 122 длинных профессиональных задач за 29 часов: запуск, к которому Fable подбирается за 227 часов.

  2. 2
    Gemini 4 Carbon

    Оценка по баллам 77,4% на длинном экзамене, но строго проваливается около 54 из каждых 100 таких задач.

  3. 3
    Kimi 3.1 Pro

    Та же строгая доля 43,4%, что у Opus, примерно за треть времени и с 8,5 млн токенов против 21,5 млн.

    Источник ↗
  4. 4
    Gemini 4 Neon

    Выполняет 56,32% закрытых рабочих процессов Zapier за $1,69, но длинный профессиональный экзамен её не перечисляет.

  5. 5
    Qwen 4

    Строгая доля 46,7%, на одну десятую пункта ниже заявленного показателя Fable, за 185 часов.

    Источник ↗
  6. 6
    GPT-6.2 Sol

    Уступает Astra шесть пунктов по доле прохождения, но всё равно проходит длинный экзамен за 32 часа.

    Источник ↗
  7. 7
    Claude Fable 5.2

    Доля 46,9% не учитывает 9 задач, и запуск всё равно занял 227 часов и $4,64 за рабочий процесс.

  8. 8
    Claude Opus 5.5

    Строгая доля 43,4% и оценка 71,6% — после 177 часов и 21,5 млн выходных токенов.

    Источник ↗
  9. 9
    Gemini 4 Hydrogen

    Рабочие процессы обходятся в $0,82 при строгой доле 51,14%, а длинный экзамен сжигает 25,5 млн токенов ради 43,4%.

  10. 10
    Gemini 4 Argon

    Прайс-лист: $1,70 за рабочий процесс при строгой доле 51,29%, а доля прохождения длинного экзамена — 40,2%.

Что заметил Grok

Лучший строгий результат в длинном профессиональном экзамене всё равно означает промах в большинстве задач: GPT-6.2 Astra проходит 47,5% из 122, поэтому остальное должен доделать или отбросить человек.

Похожая доля прохождения длинного экзамена может стоить неделю машинного времени или день. Astra: 47,5% за 29 часов и 2,6 млн выходных токенов; Fable 5.2: 46,9% на наборе, где сняты 9 задач, — 227 часов и 28,2 млн.

В июне Беркли сообщил, что каждый передовой агент, которого он испытал, включая Fable 5, набрал 0% на самом сложном уровне, а лучший общий результат составил около 26%. Октябрьская таблица — другой, меньший открытый набор.

🇺🇸 Gemini10 мест · заметок: 3

Тот же вопрос, ответ одного ИИ — Gemini. Итоговый список выше объединяет все ИИ.

  1. 1
    Codex + GPT-6.2 Astra

    Лидирует в Agents' Last Exam v1.1 с 47,5% строгого прохождения и 78,3% балльной оценки, использует 2,6 млн выходных токенов, хотя пользователи всё ещё отмечают избыточную сложность решений и непроверенные утверждения.

    Источник ↗
  2. 2
    Claude Code + Fable 5.2

    Доля прохождения 46,9% и оценка 72,8% в Agents' Last Exam v1.1 (среднее по задачам без 9 понижённых), но нужны аккуратная дисциплина стоимости и проверки.

    Источник ↗
  3. 3
    ALE-Claw + Gemini 4 Carbon

    45,9% прохождения и 77,4% оценки в Agents' Last Exam v1.1: сильные частичные баллы за сложные рабочие процессы в паре с детерминированными проверками.

    Источник ↗
  4. 4
    Gemini 4 Neon (Xhigh)

    Первое место в AutomationBench-AA с 79,3% и 94% выполненных целей в многоприложенческих бизнес-процессах, но для рискованных действий всё равно нужны защитные ограничения и проверки человеком.

    Источник ↗
  5. 5
    Codex + Qwen4-Max

    Идёт в верхней группе Agents' Last Exam v1.1 вместе с Qwen 4: 46,7% прохождения и 74,4% оценки на проверяемых профессиональных процессах.

    Источник ↗
  6. 6
    Kimi Code + Kimi 3.1 Pro

    Даёт 43,4% лучшего прохождения в обвязке Kimi Code и 74,4% оценки при 8,5 млн выходных токенов, что намного меньше 21,5 млн у Claude Opus 5.5.

    Источник ↗
  7. 7
    Claude Opus 5

    Лидирует в публичном AutomationBench по выполнению многодоменных SaaS-задач: 50,3% прохождения на максимальном усилии в продажах, маркетинге, операциях, поддержке, финансах и HR.

    Источник ↗
  8. 8
    Antigravity CLI

    Достигает 43,4% лучшего прохождения в Agents' Last Exam v1.1, показывая конкурентоспособную организацию обвязки агентов в многошаговых задачах.

    Источник ↗
  9. 9
    Muse Code

    Показывает 38,5% лучшего прохождения в Agents' Last Exam v1.1, отстаёт от лучших обвязок в строгом выполнении целой задачи и нуждается в проверке человеком на сложных случаях.

    Источник ↗
  10. 10
    OpenClaw

    Даёт 36,1% лучшего прохождения в Agents' Last Exam v1.1: полезная автоматизация, но большой простор для проверки и исправлений человеком.

    Источник ↗

Что заметил Gemini

Даже лучший результат Agents' Last Exam v1.1 (47,5%) оставляет больше половины из 122 задач нерешёнными, а более трудные уровни в прошлом давали в среднем меньше 1% полного прохождения.

Стоимость токенов и время сильно различаются по моделям и обвязкам: например, Kimi 3.1 Pro набирает 74,4% по баллам на 8,5 млн выходных токенов против 21,5 млн у Opus 5.5, а облегчённые обвязки могут снизить стоимость на 41% без заметной потери качества.

В отчёте Zapier за ноябрь 2026 года: 45% руководителей ограничивают контроль работы ИИ человеком только рискованными задачами или не предусматривают его вовсе, хотя агенты всё ещё ошибаются и нуждаются в проверке человеком.

🇺🇸 Claude10 мест · заметок: 4

Тот же вопрос, ответ одного ИИ — Claude. Итоговый список выше объединяет все ИИ.

  1. 1
    Gemini 4 Carbon (Google)

    Лидирует в Agents' Last Exam v1.1 со строгим прохождением 45,9% и оценкой 77,4%, а в AutomationBench проходит 53,9% задач по $2,12 за каждую.

  2. 2
    Claude Opus 5.5 (Anthropic)

    Делит второе место в ALE v1.1 с 43,4%, но в AutomationBench даёт 29,5% по $0,65 за задачу на среднем уровне усилий и 42,5% на максимуме: большой разброс в зависимости от настройки.

    Источник ↗
  3. 3
    GPT-6 Astra (OpenAI)

    Набирает 42,6% в ALE v1.1, а в AutomationBench: от 30,3% при низком усилии ($1,08 за задачу) до 41,4% на максимуме.

    Источник ↗
  4. 4
    Kimi 3.1 Pro / K3.1 (Moonshot)

    Модель из семейства с открытыми весами сравнялась с Opus 5.5 — 43,4% в ALE v1.1, а её родственная Kimi K3 занимает 12-е место в AutomationBench с 22,7%.

    Источник ↗
  5. 5
    Gemini 4 Neon (Google)

    Лидирует в AutomationBench с 56,3% при $1,69 за задачу, это дешевле за задачу, чем у Carbon.

    Источник ↗
  6. 6
    GPT-5.5 with Codex (OpenAI)

    Возглавлял исходный Agents' Last Exam с 24,0% строгого прохождения, а в более поздних публикациях Codex упоминается с 26%.

    Источник ↗
  7. 7
    Claude Fable 5 with Claude Code (Anthropic)

    Был третьим в исходном ALE с 22,0%, уступив двум настройкам GPT-5.5.

    Источник ↗
  8. 8
    Gemini 4 Argon (Google)

    Набирает 40,2% в ALE v1.1 и также достигает вершины в одном повторном снимке AutomationBench 1.0.6 — 51,3%.

    Источник ↗
  9. 9
    Claude Sonnet 5.5 (Anthropic)

    Один агрегатор указывает 60,4% в ALE v1.1, но его колонка выглядит как оценка, а не как доля прохождения.

    Источник ↗
  10. 10
    Muse Wonder 1.0

    Идёт за верхней группой в ALE v1.1 с долей прохождения 38,5%.

    Источник ↗

Что заметил Claude

Одно и то же семейство агентов может набрать около 30% или 42% в AutomationBench в зависимости от настройки усилия, поэтому настройка значит не меньше, чем модель.

В первом Agents' Last Exam средняя строгая доля прохождения на самом трудном уровне составила 2,6%, а большинство моделей, включая GPT-5.5 и Fable 5, набрали ноль.

Строгое прохождение и балльная оценка показывают, насколько сильно скрывают частичные баллы: Gemini 4 Carbon полностью проходит 45,9% задач ALE v1.1, но в среднем набирает 77,4%.

Сообщённое испытание KPMG со 100+ агентами на живом аудите всё ещё потребовало человеческой правки: реальный аналог этих оценок на тестах.

🇨🇳 MiMo10 мест · заметок: 4

Тот же вопрос, ответ одного ИИ — MiMo. Итоговый список выше объединяет все ИИ.

  1. 1
    GPT-6.2 Astra (OpenAI, 2026)

    Первая модель, которой когда-либо присвоен уровень High за способность к самосовершенствованию, и её люди контролируют последней.

    Источник ↗
  2. 2
    Claude Fable 5.2 (Anthropic, 2026)

    Цена на уровне Astra, около $8, и гонку бенчмарков теперь решают центы, а не сообразительность.

    Источник ↗
  3. 3
    GPT-6.2 Sol (OpenAI, 2026)

    Почти догоняет флагман на реальных кодовых базах за одну пятую стоимости: выгодное соотношение цены и качества на запуске.

    Источник ↗
  4. 4
    EY multi-agent audit framework (EY Canvas)

    Побеждает самый скучный тип агента: встроенный в программы, которыми аудиторы уже пользуются.

    Источник ↗
  5. 5
    KPMG audit agent swarm (Project Exponential)

    100+ агентов на каждом этапе аудита, и одна человеческая правка оказывается самым ценным данным в отрасли.

    Источник ↗
  6. 6
    KPMG Clara Intelligence agents (US)

    Управляемые агенты с «human-assured» в названии продукта: контроль как маркетинговый довод.

    Источник ↗
  7. 7
    PwC AI Agent Operating System

    Слой оркестрации, а не агент: та инфраструктура, к которой другие смогут подключать проверяемых агентов.

    Источник ↗
  8. 8
    AutomationBench agent harness (Zapier, benchmark)

    47 реальных инструментов и намеренно двусмысленные задачи: ближайшее подобие репетиции офисной работы.

  9. 9
    Agents' Last Exam harness (UC Berkeley RDI)

    Единственный публичный тест, который оценивает целые многодневные профессиональные задания со скрытыми ответами, а не отдельные вопросы.

  10. 10
    KPMG Ignite Financial Assistant (Workday/Google Cloud)

    Помощник закрытия месяца: узкий, проверяемый и ближе к реальной финансовой работе, чем большинство демо.

    Источник ↗

Что заметил MiMo

Новая гонка идёт за стоимость выполненной работы, а не за изобретательность: Astra стоит меньше трети предшественника за задачу, а Sol на реальных кодовых базах догоняет флагман за пятую часть цены.

Самое важное для безопасности в запуске — не балл, а оценка: Astra — первая модель с уровнем High за способность к самосовершенствованию.

Бенчмарки и реальность расходятся намеренно: Agents' Last Exam и AutomationBench оценивают симулированные задачи, а единственное полное живое профессиональное испытание (KPMG) потребовало исправления человеком.

Независимая таблица (AutomationBench-AA) существует именно потому, что создатель бенчмарка сам продаёт агентов: модель управления, которую перенимают другие лаборатории.

🇨🇳 Kimi10 мест · заметок: 3

Тот же вопрос, ответ одного ИИ — Kimi. Итоговый список выше объединяет все ИИ.

  1. 1
    Claude Opus 5.5 (Claude Code)

    Лидирует в самом строгом профессиональном экзамене (38,2% прохождения и 63,2% оценки в Agents' Last Exam) и GDPval-AA (68,3%), за $1 340 и 183 часа вычислений.

    Источник ↗
  2. 2
    GPT-6 Astra (Codex harness)

    Второй в Agents' Last Exam (34,2%) с лучшим в классе результатом работы за компьютером (72,6% в OSWorld 2.0, ~40 минут на задачу) и вдвое меньшей стоимостью кода на задачу, чем у Claude при равном индексе.

    Источник ↗
  3. 3
    Gemini 4 Carbon

    Чемпион самого строгого оценщика рабочих процессов: 53,9% в AutomationBench, это самая высокая доля прохождения, которую Zapier зафиксировала на 657 реальных бизнес-задачах.

  4. 4
    Claude Fable 5.2 (with default fallbacks)

    Вдвое превзошла предшественника в одном релизе, с 22,4% до 51,4% в AutomationBench, с 96,9 вызовами инструментов на задачу и $9,01 за фактически пройденную задачу на максимальном усилии.

  5. 5
    GPT-6.2 Astra

    Имеет самый высокий заявленный самой компанией показатель профессиональной работы, 77,6% в ALE v1.1, но это её собственный прогон по рубрике на максимальном усилии, а не строгая доля прохождения, по которой оценивают остальных.

    Источник ↗
  6. 6
    Gemini 4 Hydrogen

    Фронт соотношения цены и качества: 51,1% в AutomationBench за $0,82 за задачу, а при низком усилии проходит 30,6% за $0,18. Ничего из протестированного не одновременно дешевле и точнее.

  7. 7
    Claude Sonnet 5.5

    Обходит старшего собрата Opus 5.5 в AutomationBench (44,6% против 40,0%) при малой доле стоимости: самое ясное доказательство, что цена не предсказывает результат.

  8. 8
    GPT-6 Sol

    Рабочая лошадка по цене: 32,2% строгого прохождения в Agents' Last Exam за $318 всего (против $1 100 у Astra) и около 80% результата Astra в AutomationBench примерно за шестую часть стоимости.

  9. 9
    MiniMax M3.1 Flash

    Разрушитель цен: 29,6% в Agents' Last Exam за $91,44 всего, около 7% того, что потратил лидер, и на средних по сложности задачах бенчмарка поднимается до 46,3%.

    Источник ↗
  10. 10
    Kimi K3

    Лучший пакет агента с открытыми весами в профессиональном экзамене (28,3% строгого прохождения в собственной обвязке Kimi Code) и $0,43 за задачу в AutomationBench.

    Источник ↗

Что заметил Kimi

Самая трудная работа всё ещё не тронута: на самом трудном уровне Agents' Last Exam, где задачи занимают у экспертов дни или недели, каждый протестированный передовой агент, включая самые новые флагманы, набрал 0%. Лучший общий результат рейтинга, около 38%, относится к полному набору задач, а не к сложному концу.

Деньги на вершине покупают на удивление мало: стоимость запусков ALE различается на порядок (примерно $1,33–$15,70 за выполненную задачу в июньском прогоне), а MiniMax M3.1 Flash достигает около 77% строгого прохождения лидера примерно за 7% его общих расходов ($91 против $1 340).

Строгие доли прохождения держат всех в скромности: лучший результат в AutomationBench на 657 задачах — 53,9%, а в симулированном офисе TheAgentCompany самая сильная модель полностью выполняет лишь около 30% профессиональных задач. «Полезные агенты уже здесь; готовых к работе агентов — пока нет».

🇨🇳 DeepSeek10 мест · заметок: 3

Тот же вопрос, ответ одного ИИ — DeepSeek. Итоговый список выше объединяет все ИИ.

  1. 1
    Gemini 4 Carbon (ALE-Claw)

    Лидирует в ALE с 45,9% строгого прохождения и 77,4% оценки, но самый трудный уровень всё равно проваливает в 100% случаев.

    Источник ↗
  2. 2
    Claude Fable 5.2 / 5.1 (Claude Code)

    Выполняет 41,25% реальных фриланс-заданий, более чем вдвое больше Opus 5.5, при $15,70+ за задачу ALE.

  3. 3
    GPT-6 Astra (Codex)

    42,6% прохождения ALE за 80 часов и 5,1 млн токенов: лидер эффективности среди агентов ALE из первой тройки.

    Источник ↗
  4. 4
    Claude Opus 5.5 (Claude Code)

    Лучший в DAYJOB на профессиональных задачах по 13–17 часов: 24,7% в здравоохранении, но 177 часов на ALE.

    Источник ↗
  5. 5
    Kimi 3.1 Pro (Kimi Code)

    43,4% прохождения ALE за 61 час: быстрее Opus 5.5 и Fable 5.2 при схожих оценках.

    Источник ↗
  6. 6
    Gemini 4 Argon (ALE-Claw)

    51,3% строгого прохождения в AutomationBench при $1,70/задачу: лучший агент для рабочих процессов между приложениями.

    Источник ↗
  7. 7
    GPT-6 Sol (Codex)

    33,2% прохождения AutomationBench при $0,27/задачу: самый дешёвый достоверный агент для рабочих процессов.

    Источник ↗
  8. 8
    Claude Sonnet 5.5

    44,7% строгого прохождения AutomationBench за $1,14: на 6,6 пункта позади лидера, но на 33% дешевле.

    Источник ↗
  9. 9
    Gemini 3.5 Flash

    42,6% в AutomationBench-AA при $0,49/задачу и 0,46 нарушений защитных правил на задачу: самый дешёвый относительно безопасный вариант.

    Источник ↗
  10. 10
    DeepSeek V4.1 Flash (OpenClaw)

    36,1% прохождения ALE за 76 часов: вариант с открытыми весами и 65,4% частичной оценки.

    Источник ↗

Что заметил DeepSeek

Самый трудный уровень ALE всё ещё стена из нулей: каждый протестированный передовой агент, включая Fable 5, проваливает все задачи самого трудного уровня. Лучший общий агент проходит лишь 25,2% в исходном ALE против 82% в Terminal-Bench. Разрыв в профессиональной работе намного шире, чем в программировании.

ApprenticeBench даёт самое чистое сравнение стоимости и контроля: Fable 5.1 обходит лучшего человека-тестировщика, 72% против 51%, на реальной задаче по кредиторской задолженности, но стоит $18,23 за счёт против $7,21 у человека. Агент выигрывает по качеству и проигрывает по экономике.

Каждая модель нарушает бизнес-правила в AutomationBench-AA. Самая безопасная всё равно нарушает защитное правило примерно раз в 15 выполненных целей, а худшая делает это раз в 0,8 цели. При нынешней надёжности проверка человеком не необязательна.

🇨🇳 Qwen10 мест · заметок: 3

Тот же вопрос, ответ одного ИИ — Qwen. Итоговый список выше объединяет все ИИ.

  1. 1
    Claude Fable 5.2

    Лидирует в SWE-bench Verified с 95% и на парето-фронте реальной работы Арены при $11,32 за задачу.

    Источник ↗
  2. 2
    GPT-6.2 Astra

    Лидирует в Agents' Last Exam v1.1 со строгим прохождением 47,5% и оценкой 78,3% при 2,6 млн выходных токенов.

    Источник ↗
  3. 3
    Qwen3.8 Max

    Набирает 86,1% в OSWorld-Verified, превосходя базовый уровень человека в открытых задачах работы за компьютером.

    Источник ↗
  4. 4
    Claude Opus 5.5

    Показывает 97% в SWE-bench Verified (с Mini-SWE-agent), стоя всего $8,06 за задачу в рейтинге работы Арены.

    Источник ↗
  5. 5
    Gemini 4 Neon

    Возглавляет независимый рейтинг Artificial Analysis AutomationBench-AA с 79,3% на симулированных SaaS-процессах.

    Источник ↗
  6. 6
    MiniMax M3.1 Flash

    Лидирует в официальном AutomationBench Zapier с 62,2% выполнения многошаговых бизнес-задач.

    Источник ↗
  7. 7
    ERNIE 5.5 Flash Preview

    Набирает 61,9% в AutomationBench Zapier, эффективно справляясь с неоднозначностями CRM и календаря между приложениями.

    Источник ↗
  8. 8
    Devin (SWE-1.7 / SWE-2)

    Автономный программный инженер Когнишн набирает 81,5% в Terminal-Bench 2.1 и 77,8% в SWE-bench Multilingual.

    Источник ↗
  9. 9
    Lindy.ai

    Конструктор ИИ-сотрудников без кода стоит от $29,99 до $199,99 в месяц, но пользователи делятся: 4,9 звезды на G2 и 1,7 на Трастпилот.

  10. 10
    Relevance AI

    Фокусируется на «ИИ-фабриках», где операционные команды создают самообучающиеся рои агентов без написания кода.

    Источник ↗

Что заметил Qwen

В Agents' Last Exam основные агенты ИИ сначала проходили лишь 2,6% реальных профессиональных задач, а последний рейтинг v1.1 показывает GPT-6.2 Astra с 47,5% строгого прохождения.

Рейтинги реальной работы, как у Арены, показывают: самые результативные агенты (как Claude Fable 5.2 при $11,32 за задачу) на самом деле дороже за выполненную задачу, чем старые модели (как Claude Opus 5.5 при $8,06).

AutomationBench от Zapier показывает большой разрыв между официальными результатами на хостинге (MiniMax, 62,2%) и независимыми оценками (Gemini 4 Neon, 79,3% в AA AutomationBench). Значит, то, как запущен бенчмарк, важно не меньше самой модели.

🇨🇳 Qianwen10 мест

Тот же вопрос, ответ одного ИИ — Qianwen. Итоговый список выше объединяет все ИИ.

  1. 1
    ChatGPT Work

    Лучшая строгая доля прохождения в Agents' Last Exam с интегрированным выполнением инструментов.

    Источник ↗
  2. 2
    Claude Cowork

    Лучшая балльная оценка на длинных документных рабочих процессах.

  3. 3
    Microsoft Copilot Studio

    Лучшая интеграция с M365 для проверенных бизнес-задач.

  4. 4
    Gemini Agent

    Сильные мультимодальные результаты в рабочих процессах между приложениями.

  5. 5
    Codex

    Ведущая генерация кода и отладка в профессиональных задачах разработки.

    Источник ↗
  6. 6
    Manus

    Высокая автономность в исследовательских задачах, но нужна проверка человеком.

  7. 7
    Cursor

    Оптимизирована для кодирования внутри IDE с низкой задержкой.

  8. 8
    WorkBuddy

    Экономична для рутинной офисной автоматизации с умеренной точностью.

  9. 9
    OpenClaw

    Альтернатива с открытым кодом: высокая настраиваемость, но ниже доли прохождения.

    Источник ↗
  10. 10
    Antigravity

    Специализирована на создании ПО, но ограничена в бизнес-процессах.