Назад до тренду дня: Глава Intel попереджає: мільярди ШІ-агентів буде важко контролювати
Рейтинг Poly · з тренду дня

Рейтинг надійності ШІ-агентів 2026: 10 агентів, яким можна довіряти

Трекер Принстонського університету оцінює новішу Claude Opus 4.7 як точнішу за Opus 4.5 (79,0% проти 74,6%), але трохи менш надійною (0,86 проти 0,87): агенти стали здатнішими, але не набагато передбанішими.

  • №1: Claude Code (Claude Opus 5.5)
  • 10 місць

01Підсумковий список

Провідні ШІ незалежно склали свої списки з десяти місць. Нагорі — один підсумок, який легко перевірити: у кожного місця є причина, джерело та список ШІ, які його включили.

Порядок: від більшої згоди ШІ до меншої.

Яскрава плашка — цей ШІ включив пункт у свій список. Тьмяна — не включив.

  1. 1

    Claude Code (Claude Opus 5.5)

    Найбільший чистий приріст на Arena (20,14%), а також задокументовані режими дозволів і відкат. Але режим Auto тепер стартовий, а події аудиту в корпоративних версіях пропускають виклики інструментів.

    Увімкнули: ChatGPT, Meta, Grok, StepFun, Kimi, DeepSeek. Не увімкнули: Nemotron, Wenxin.

    У їхніх списках: ChatGPT: 1 · Meta: 4 · Grok: 1 · StepFun: 1 · Kimi: 1 · DeepSeek: 1

    Що відзначив кожен ШІ 6
    • ChatGPTмісце 1

      Найсильніший зафіксований сигнал виконання завдань поєднується з незвично відчутними засобами контролю з боку людини: 20,75% підтверджених успішних виконань, режими дозволів, порівняння змін (diff) і відкат.

      Джерело ↗
    • Metaмісце 4

      21,15% підтверджених успіхів, #1 загалом у 2,7 млн сесій — 42,91% чистого приросту, але $6,79 і 18,7 хв

      Джерело ↗
    • Grokмісце 1

      Найбільший чистий приріст в Arena — 20,14% загалом, і перемикач дозволів, який усе ще може його зупинити.

      Джерело ↗
    • StepFunмісце 1

      Єдиний агент, що посідає #1 на реальній таблиці з мільйонів сесій і все ще дає файл дозволів, який можна прочитати, перш ніж він торкнеться вашого диска.

      Джерело ↗
    • Kimiмісце 1

      Найнадійніший агент, якого виміряв Принстонський університет (узгодженість результатів 73%, найкращий показник серед усіх), має і найдієвіші «гальма»: правила заборони, що спрацьовують раніше за будь-який режим дозволів, та списки дозволених команд. Їх перевірили, а не лише заявили.

    • DeepSeekмісце 1

      Найнадійніша модель HAL живе тут, але її журнал аудиту досі втрачає виклики інструментів підагентів.

    6 ШІ поставили сюди
    Джерело ↗
  2. 2

    ChatGPT Work (раніше ChatGPT agent)

    Питає перед покупкою, надсиланням або видаленням і віддає чутливі логіни вам. Показника успішності на рівні продукту немає, а браузер Atlas від OpenAI піддався захопленню без жодного кліку.

    Увімкнули: ChatGPT, Meta, Grok, Kimi, DeepSeek. Не увімкнули: Nemotron, StepFun, Wenxin.

    У їхніх списках: ChatGPT: 4 · Meta: 1 · Grok: 5 · Kimi: 2 · DeepSeek: 3

    Що відзначив кожен ШІ 5
    • ChatGPTмісце 4

      Справжній запобіжник — передача керування: користувачі можуть самі перейняти браузер для чутливих входів, не віддаючи агентові свій пароль.

      Джерело ↗
    • Metaмісце 1

      20,77% підтверджених успіхів у чаті, $3,68 і 10,4 хв медіанно — найбезпечніший перший агент, який питає перед ключовими кроками, перевірений

    • Grokмісце 5

      Старого режиму Agent більше немає; на заміну описано, що агент питає перед покупкою, надсиланням або видаленням.

    • Kimiмісце 2

      Запускає все в одноразовій хмарній віртуальній машині і навчений питати перед будь-якою дією з реальними наслідками; а моделі OpenAI займають перші п'ять місць в Індексі узгодженості Arena за те, що не виконують неавторизованих дій.

      Джерело ↗
    • DeepSeekмісце 3

      17 з 20 у браузерних тестах, але його найсильніший запис аудиту — корпоративне доповнення, а не типове.

      Джерело ↗
    5 ШІ поставили сюди
    Джерело ↗
  3. 3

    Агенти Google Gemini (Gemini 4 Carbon, Computer Use, Gemini CLI)

    Найкраща керованість на Arena (19,32%) за $1,69 за завдання. Але перевірки prompt-ін’єкцій у скриншотах вимкнені за замовчуванням, а пісочницю Gemini CLI користувач має налаштувати сам.

    Увімкнули: ChatGPT, Meta, Grok, StepFun, Kimi. Не увімкнули: Nemotron, DeepSeek, Wenxin.

    У їхніх списках: ChatGPT: 3 · Meta: 3 · Grok: 4 · StepFun: 3 · Kimi: 3

    Що відзначив кожен ШІ 5
    • ChatGPTмісце 3

      Лише $1,69 за медіанне завдання і 18,04% підтверджених успіхів; головне застереження: деякі локальні захисти безпеки потребують налаштування.

      Джерело ↗
    • Metaмісце 3

      Найкраща керованість 19,32% і найменше вигадування 0,51% серед топ-5, з 16,72% підтверджених успіхів за $1,69

      Джерело ↗
    • Grokмісце 4

      Найкраща керованість на живій таблиці — 19,32%, а перевірки ін'єкцій через скриншоти вимкнені.

      Джерело ↗
    • StepFunмісце 3

      Carbon — #3 за підтвердженим успіхом, 18,02% за $1,69–$1,80 за завдання, і це єдиний споживчий агент, який зупиняється і питає, перш ніж надсилати повідомлення або щось купувати.

      Джерело ↗
    • Kimiмісце 3

      Ділить перше місце за надійністю серед виміряних Принстонським університетом (85%). Але те саме дослідження показало: він уникає катастрофічних помилок лише в 25% випадків. Саме тому його браузерний агент змушує стежити за своєю роботою.

      Джерело ↗
    5 ШІ поставили сюди
    Джерело ↗
  4. 4

    OpenAI Codex

    Його пісочниця забезпечується операційною системою: мережа вимкнена за замовчуванням, а для виходу за межі робочої папки потрібне підтвердження. Його моделі відстають на Arena: GPT-6 Astra 14,70% проти 20,14% у Opus 5.5.

    Увімкнули: ChatGPT, Grok, StepFun, DeepSeek. Не увімкнули: Meta, Nemotron, Kimi, Wenxin.

    У їхніх списках: ChatGPT: 7 · Grok: 2 · StepFun: 2 · DeepSeek: 2

    Що відзначив кожен ШІ 4
    • ChatGPTмісце 7

      Медіанне спостережуване завдання коштує $0,98, а не $6,16 у Astra, тоді як той самий продукт Codex може обмежувати робочу область і мережу.

      Джерело ↗
    • Grokмісце 2

      Пісочниця — це стіна на рівні операційної системи, тож модель, яка хоче мережі, все одно може отримати відмову.

      Джерело ↗
    • StepFunмісце 2

      Astra — 4-й за підтвердженим успіхом, а Sol робить майже таку саму роботу за $0,56 за завдання; обидва за пісочницею, яку можна герметично закрити, і триступеневим регулятором погодження.

      Джерело ↗
    • DeepSeekмісце 2

      Постачається з вимкненою мережею і ціною завдання $1,92 — контроль і вартість в одному агенті для коду.

    4 ШІ поставили сюди
    Джерело ↗
  5. 5

    Devin (Cognition AI)

    Працює у віртуальних машинах-пісочницях із підтвердженням розгортання. Але дозволи GitHub діють на всю організацію, зовнішнього журналу аудиту не задокументовано, а сторонні оцінки в кодингу коливаються від 61,7% до 70,4% залежно від таблиці.

    Увімкнули: Meta, StepFun, Kimi, DeepSeek. Не увімкнули: ChatGPT, Grok, Nemotron, Wenxin.

    У їхніх списках: Meta: 5 · StepFun: 6 · Kimi: 7 · DeepSeek: 7

    Що відзначив кожен ШІ 4
    • Metaмісце 5

      75,8% на SWE-bench Verified офіційно, 96,4% на нейтральному vals.ai — Pro $20/міс., профілі безпеки в керованій віртуальній машині

    • StepFunмісце 6

      Автономія з відкатом: ізольовані машини, які можна зберегти знімком, — але сторонній розрахунок ставить завдання, злите в основну гілку, біля $9–$10, тож контроль добрий, а рахунок — ні.

      Джерело ↗
    • Kimiмісце 7

      Оригінальний «ШІ-програміст» тепер у сторонніх стендах має 61,7% на реальних інженерних завданнях за $7,90 за завдання — непогано, але його автономія досі потребує людини, яка переглядає кожне злиття.

      Джерело ↗
    • DeepSeekмісце 7

      70,4% на DeepSWE за $1,40, але права на рівні організації і немає публічного журналу аудиту.

    4 ШІ поставили сюди
    Джерело ↗
  6. 6

    Microsoft Copilot Studio та агенти Microsoft 365 Copilot

    Найсильніший слід керування (аудит Purview, окремий Entra ID для кожного агента), але ZDNet визнав його преміальних агентів «впевнено поганими», а Copilot в Edge зачепило захоплення без кліків.

    Увімкнули: ChatGPT, Meta, StepFun, DeepSeek. Не увімкнули: Grok, Nemotron, Kimi, Wenxin.

    У їхніх списках: ChatGPT: 6 · Meta: 10 · StepFun: 7 · DeepSeek: 9

    Що відзначив кожен ШІ 4
    • ChatGPTмісце 6

      Корпоративного агента може бути легше контролювати, ніж порівнювати за результатами: Purview фіксує адміністративні події та взаємодії, але це не доказ того, що завдання справді виконано.

      Джерело ↗
    • Metaмісце 10

      25 000 Copilot Credits за $200/міс. — $2 за розмову або $0,10 за дію, корпоративний журнал аудиту, людина погоджує

      Джерело ↗
    • StepFunмісце 7

      Найсильніша корпоративна історія контролю в групі — і один із трьох браузерних агентів, зламаних «нульовим кліком» PleaseFix.

      Джерело ↗
    • DeepSeekмісце 9

      Найкращі в класі ідентичність і аудит — і практичний тест, у якому результат назвали впевнено поганим.

    4 ШІ поставили сюди
    Джерело ↗
  7. 7

    Manus

    Ви підтверджуєте кожну сесію браузера і зупиняєте її закриттям вкладки. У складних веб-завданнях він повністю успішний лише у 8,0% випадків, а заявлені 86,5% на GAIA незалежно виміряли на рівні 73,4%.

    Увімкнули: Meta, StepFun, Kimi, DeepSeek. Не увімкнули: ChatGPT, Grok, Nemotron, Wenxin.

    У їхніх списках: Meta: 6 · StepFun: 4 · Kimi: 6 · DeepSeek: 10

    Що відзначив кожен ШІ 4
    • Metaмісце 6

      Загальний автономний агент у хмарній віртуальній машині Ubuntu — 300 безкоштовних кредитів на день, SOC 2 Type 2, але злам SilentBridge з CVSS 9,8 у лютому 2026 року

    • StepFunмісце 4

      Ви авторизуєте кожну сесію браузера і зупиняєте агента, закриваючи вкладку — рідкісний споживчий агент, чия кнопка зупинки справжня, а не налаштування.

      Джерело ↗
    • Kimiмісце 6

      Заявляє результат GAIA 86,5%, який жоден незалежний стенд не відтворив: сторонні запуски дають 73,4%, а його засоби контролю відстають від амбіцій.

      Джерело ↗
    • DeepSeekмісце 10

      10-секундне вікно відкату корисне; 8% повного успіху у складних веб-завданнях замало, щоб довіряти йому самому.

      Джерело ↗
    4 ШІ поставили сюди
    Джерело ↗
  8. 8

    Агент Cursor

    Сильний у кодингу, але через підмішану в запит команду він записав шкідливий файл .cursor/mcp.json без запиту на підтвердження. Два CVE 2026 року (записи про вразливості): критичний обхід автентифікації та втеча з пісочниці.

    Увімкнули: Meta, StepFun, DeepSeek. Не увімкнули: ChatGPT, Grok, Nemotron, Kimi, Wenxin.

    У їхніх списках: Meta: 7 · StepFun: 10 · DeepSeek: 6

    Що відзначив кожен ШІ 3
    • Metaмісце 7

      Щоденний інструмент для 57% у командах, що працюють у продакшені — фоновий агент за $20/міс., швидкий вбудований режим, режим дозволів Ask

      Джерело ↗
    • StepFunмісце 10

      Ін'єкція промпту змусила агента записати шкідливий .cursor/mcp.json без запиту на погодження — найясніша окрема причина, чому контроль важить більше за можливості в цьому рейтингу.

    • DeepSeekмісце 6

      69,3% за $0,44 — але дві вразливості з реєстру CVE за 2026 рік показують, що дешева швидкість може розширити поверхню атаки.

    3 ШІ поставили сюди
    Джерело ↗
  9. 9

    Perplexity Comet

    Самостійна робота в браузері всередині ваших увійдених сесій без жорсткого підтвердження. Аудит провела Trail of Bits, Brave перехопив його посеред завдання, а атака PleaseFix без кліків спрацювала на ньому.

    Увімкнули: Meta, StepFun. Не увімкнули: ChatGPT, Grok, Nemotron, Kimi, DeepSeek, Wenxin.

    У їхніх списках: Meta: 9 · StepFun: 9

    Що відзначив кожен ШІ 2
    • Metaмісце 9

      Дослідницький агент із цитуванням — визнаний найкращим для дослідницьких завдань у сумі 26,5% служби підтримки і 24,4% досліджень

    • StepFunмісце 9

      Trail of Bits провела моделювання загроз, а Brave зламала його: агентний браузинг, що діє у ваших увійдених сесіях без жорсткого підтвердження.

      Джерело ↗
    2 ШІ поставили сюди
    Джерело ↗
  10. 10

    Агент GitHub Copilot для кодингу

    Позначає кожен запис аудиту міткою actor_is_agent і зберігає журнали 180 днів; 68,0% із 2 194 вивчених PR прийняли. Лише один ШІ це охоплює.

    Увімкнули: DeepSeek. Не увімкнули: ChatGPT, Meta, Grok, Nemotron, StepFun, Kimi, Wenxin.

    У їхніх списках: DeepSeek: 4

    Що відзначив кожен ШІ 1
    • DeepSeekмісце 4

      Агент, що фіксує, від чийого імені діє — actor_is_agent у кожному записі аудиту, — але частка прийнятих PR лише 68%, тож він не на першому місці.

      Джерело ↗
    1 ШІ поставили сюди
    Джерело ↗

Трійка докладно ↓

02Докладніше про трійку

Рейтинг вище. Тут — докладніше про перші три місця: що це, чому вони тут і що варто знати.

Усі три виміряні по-різному: у Claude Code чистий приріст у Arena становить 20,14%, у агентів Gemini керованість в Arena — 19,32%, а ChatGPT Work не має показника успішності на рівні продукту.

1Claude Code (Claude Opus 5.5)

№ 1 — Claude Code (Claude Opus 5.5). У списках 6 з 8 ШІ; медіанне місце там: 1. ШІ ставлять його на перше місце за найкращий чистий приріст у Arena, а також за режими дозволів і відкат, що дають реальний контроль.

А ви знали

  • Відкат у Claude Code відміняє не все. Він відстежує лише правки, зроблені власними інструментами Claude для редагування файлів. Зміни, зроблені командами терміналу, наприклад видалення чи переміщення файлів, не охоплюються. Контрольні точки зберігаються між сесіями.

    Джерело ↗
Що це
Агент для написання коду, який працює в терміналі й редагує ваші файли.
Чим сильніший
Має найвищий чистий приріст у Arena та зрозумілі режими дозволів із відкатом.
Кому підходить
Підійде розробникам, які стежитимуть за його роботою; не для того, щоб залишити без нагляду, бо стартовим режимом є Auto.

Вікіпедія · Wikidata

Чому він тут

  • Opus 5.5 коштує $4 за мільйон вхідних токенів і $20 за мільйон вихідних, це близько 20% дешевше, ніж Opus 5. Нижча вартість роботи допомагає його оцінці практичної цінності.

    Джерело ↗
Історія

  • Claude Code стартував у лютому 2025 року як обмежений дослідницький попередній перегляд, випущений разом з моделлю Claude 3.7 Sonnet.

    Джерело ↗
Що варто врахувати

  • Якщо намір неясний або бракує контексту, автоматичний режим може схвалити небезпечні дії й заблокувати нешкідливі. Кожна дія проходить додатковий перегляд, що може додати затримки й з часом витратити більше токенів.

    Джерело ↗

  • Антропік радить запускати автоматичний режим в ізольованих середовищах, особливо з чутливим кодом. На практиці ставтеся до нього як до допоміжного інструмента, за яким треба стежити, а не як до того, кого можна залишити без нагляду.

    Джерело ↗
Де дізнатися більше

  • Відкрийте сторінку режимів дозволів, щоб побачити, що кожен режим дозволяє Claude Code робити без запиту. Спершу читайте розділ про автоматичний режим, бо тепер він стартовий.

    Джерело ↗

Відео: Every Claude Code Concept Explained for Normal People (англійською) · Simon Scrapes

Порівняти першу трійку ↓

2ChatGPT Work (раніше ChatGPT agent)

№ 2 — ChatGPT Work (раніше ChatGPT agent). У списках 5 з 8 ШІ; медіанне місце там: 3. ШІ цінують те, що він питає перед покупкою, надсиланням чи видаленням і передає вам чутливі входи в облікові записи.

А ви знали

  • Коли агентові ChatGPT потрібен вхід в обліковий запис, він призупиняється і просить вас перебрати керування його віртуальним браузером. Поки ви керуєте, ChatGPT не записує паролі й чутливі дані, які ви вводите. До ліміту використання зараховується лише ваш перший запит.

    Джерело ↗
Що це
Агент OpenAI, який виконує за вас завдання в інтернеті у хмарному браузері.
Чим сильніший
Перед ризикованими кроками питає дозвіл і дає вам самим увійти в облікові записи.
Кому підходить
Підійде обережним новачкам, які хочуть перевірок; не тим, кому потрібні перевірені показники успішності.

Wikidata

Чому він тут

  • Дослідники з безпеки показали дві атаки на браузер Atlas від OpenAI, для яких не потрібні були жодні кліки користувача. Один підкинутий коментар у X міг його перехопити. OpenAI підтвердила отримання звіту 17 лютого 2026 року.

    Джерело ↗

  • Власні інструкції Atlas змушують його зупинитися й запитати, перш ніж надіслати повідомлення за вас. Дослідники витратили «пару днів», щоб обійти його останню кнопку купівлі. Тому він високо в оцінці контролю користувача.

    Джерело ↗
Історія

  • Агента Operator від OpenAI випустили в січні 2025 року. У липні 2025 року OpenAI випустила ChatGPT agent, який виконує багатокрокові завдання.

    Джерело ↗
Що варто врахувати

  • Рецензент встановив, що агент часто застрявав, повторюючи дії, і марнував час, наприклад після затримок кліків. Він також надто буквально виконував інструкції, тож людині іноді доводилося втручатися.

    Джерело ↗
Де дізнатися більше

  • Прочитайте, як хмарний браузер просить підтвердження перед купівлею, бронюванням чи оплатою і як ви перебираєте керування для входу. Почніть із цих двох розділів.

    Джерело ↗
Meta поставили його першим. Що вони в ньому побачили

  • Meta: 20,77% підтверджених успіхів у чаті, $3,68 і 10,4 хв медіанно — найбезпечніший перший агент, який питає перед ключовими кроками, перевірений

Відео: ChatGPT Work Completely Changes How You Use ChatGPT (full guide) (англійською) · Futurepedia

Порівняти першу трійку ↓

3Агенти Google Gemini (Gemini 4 Carbon, Computer Use, Gemini CLI)

№ 3 — Агенти Google Gemini (Gemini 4 Carbon, Computer Use, Gemini CLI). У списках 5 з 8 ШІ; медіанне місце там: 3. ШІ зараховують йому найкращу керованість в Arena за низьку ціну за завдання, але його перевірки безпеки потребують налаштування.

А ви знали

  • Gemini CLI повністю відкритий за ліцензією Apache 2.0, тож будь-хто може прочитати його код. Його безкоштовний індивідуальний доступ 18 червня 2026 року перейшов до іншого інструмента, Antigravity CLI.

    Джерело ↗ ✓ підтверджено кількома ШІ
Що це
Родина агентів від Google: браузерний агент і інструмент командного рядка з відкритим кодом.
Чим сильніший
Має найкращу керованість в Arena і низьку вартість за завдання.
Кому підходить
Підійде любителям експериментувати, які ввімкнуть пісочницю; не тим, хто хоче безпечних налаштувань за замовчуванням.
Що варто врахувати

  • Після встановлення Gemini CLI за замовчуванням працює без пісочниці, і він попереджає про це користувачів. Увімкнення пісочниці заблокувало б атаку, яку знайшов дослідник.

    Джерело ↗
Де дізнатися більше

  • Відкрийте посібник з пісочниці Gemini CLI і дізнайтеся, як її увімкнути прапорцем, змінною середовища або файлом налаштувань перед запуском команд.

    Джерело ↗
Порівняти першу трійку ↓

Трійка поруч

Claude Code (Claude Opus 5.5)ChatGPT Work (раніше ChatGPT agent)Агенти Google Gemini (Gemini 4 Carbon, Computer Use, Gemini CLI)
У списках ШІ6 / 85 / 85 / 8
Першим поставилиChatGPT, Grok, StepFun, Kimi, DeepSeekMeta—

Місця з однаковою кількістю ШІ впорядковано за середнім місцем у списках самих ШІ.

Інші рейтинги

03Варто знати

Що помітили ШІ, поки складали список.

Точність росла два роки, а надійність майже не змінилася: Claude Opus 4.7 має 79,0% точності при надійності 0,86, Opus 4.5 — 74,6% при 0,87. Попередня версія дослідження (Fortune, березень) повідомляла про 85% надійності й щонайбільше 73% узгодженості результатів, але за іншою шкалою.

Помітили:
Увімкнули: Meta, Grok, StepFun, Kimi, DeepSeek. Не увімкнули: ChatGPT, Nemotron, Wenxin.
Джерело ↗

«Підтверджений успіх» на Arena — це причинний чистий приріст порівняно з базовим рівнем, а не частка завершених завдань. 21,15% у Opus 5.5 не означає, що 79% його завдань провалилися.

Помітили:
Увімкнули: ChatGPT, Grok. Не увімкнули: Meta, Nemotron, StepFun, Kimi, DeepSeek, Wenxin.
Джерело ↗

Атаки PleaseFix без кліків зачепили Comet, ChatGPT Atlas і Copilot Edge. Окремо: латка Claude for Chrome проти крадіжки облікових даних BioShocking не спрацювала.

Помітили:
Увімкнули: StepFun, DeepSeek. Не увімкнули: ChatGPT, Meta, Grok, Nemotron, Kimi, Wenxin.
Джерело ↗

Відкат працює лише локально: відкат Claude Code і контрольні точки Gemini CLI повертають файли проєкту, але не надіслані листи, не зроблені платежі та інші дії за межами проєкту.

Помітили:
Увімкнули: ChatGPT. Не увімкнули: Meta, Grok, Nemotron, StepFun, Kimi, DeepSeek, Wenxin.
Джерело ↗

Із 35 браузерних агентів, які документують виконання багатоетапних завдань, 51% не документують жодного кроку підтвердження перед незворотними діями.

Помітили:
Увімкнули: DeepSeek. Не увімкнули: ChatGPT, Meta, Grok, Nemotron, StepFun, Kimi, Wenxin.
Джерело ↗

04Як рахували

Простими словами, без формул.

1Питання

10 ШІ-агентів, яким можна довірити дії за вас, а не лише відповіді

2Чому ця тема

Він розділяє три питання, які кожен рейтинг звалює в одне: чи справляється агент із завданням, чи поводиться передбачувано і чи може власник його зупинити. Це прямо відповідає на запитання Тана.

3Де це застосовно

Глобально: споживчі й корпоративні ШІ-агенти, які користуються інструментами, переглядають веб, редагують файли, запускають код або виконують дії для користувача (телефон, комп’ютер, браузер, бізнес-застосунки)

4На що дивилися

  • Реальне виконання завдань: незалежно виміряна успішність багатоетапних завдань (25%)
  • Надійність і безпека: узгодженість, передбачуваність, стійкість, опір маніпуляціям і вигадуванню викликів інструментів (35%)
  • Контроль користувача: обмеження дозволів, підтвердження перед діями з наслідками, журнал аудиту, зупинка і відкат (30%); перевірено вручну для кожного продукту і позначено «перевірено» або «заява виробника»
  • Практична цінність: виконані завдання щодо вартості й часу (10%)
  • Ранжуються лише агенти з достатньою публічною доказовою базою
  • Прінстонський університет: HAL Reliability Tracker — 15 агентів за 12 показниками (узгодженість, передбачуваність, стійкість, безпека) поруч із точністю завдань, на GAIA і авіаційній підмножині τ-bench
  • Arena: таблиця Agent Arena (3–4 листопада 2026) — чистий приріст, підтверджений успіх, керованість, надійність bash, вигадування інструментів, медіанні вартість і час для 58 моделей-оркестраторів на близько 2
  • Arena: методологія Agent Arena — підтверджений успіх і чистий приріст є причинними ефектами втручання порівняно з базовим рівнем, а не частками завершених завдань

5Хто ставив місця

Провідні ШІ: ChatGPT, Meta, Grok, Nemotron, StepFun, Kimi, DeepSeek, Wenxin. Кожен сам склав свій список із десяти місць і до кожного місця назвав джерело.

6Як зведено місця

Те саме, назване різними ШІ по-різному, рахували як одне. Що більше ШІ включили пункт до свого списку і що вище поставили, то вище його місце. «Згода ШІ» показує, у скількох ШІ цей пункт був у власному списку. Джерела — лише ті, що знайшли самі ШІ, нічого не додано вручну.

05Список кожного ШІ окремо

🇺🇸 ChatGPT10 місць · нотаток: 4

Те саме питання, відповідь одного ШІ — ChatGPT. Підсумковий список вище об'єднує всі ШІ.

  1. 1
    Claude Code with Claude Opus 5.5

    Найсильніший зафіксований сигнал виконання завдань поєднується з незвично відчутними засобами контролю з боку людини: 20,75% підтверджених успішних виконань, режими дозволів, порівняння змін (diff) і відкат.

    Джерело ↗
  2. 2
    OpenAI Codex with GPT-6 Astra

    Нижчий, ніж в Opus, відсоток виконання завдань, але чіткі межі пісочниці та погодження роблять його сильним вибором, коли помилки можуть торкнутися реальних файлів.

    Джерело ↗
  3. 3
    Gemini CLI with Gemini 4 Carbon

    Лише $1,69 за медіанне завдання і 18,04% підтверджених успіхів; головне застереження: деякі локальні захисти безпеки потребують налаштування.

    Джерело ↗
  4. 4
    ChatGPT Agent

    Справжній запобіжник — передача керування: користувачі можуть самі перейняти браузер для чутливих входів, не віддаючи агентові свій пароль.

    Джерело ↗
  5. 5
    Claude Code with Claude Sonnet 5.5

    Майже таке саме підтверджене користувачами виконання, як в Opus, але медіанна вартість завдання значно нижча: 19,95% проти 20,75%.

    Джерело ↗
  6. 6
    Microsoft Copilot Studio Agents

    Корпоративного агента може бути легше контролювати, ніж порівнювати за результатами: Purview фіксує адміністративні події та взаємодії, але це не доказ того, що завдання справді виконано.

    Джерело ↗
  7. 7
    OpenAI Codex with GPT-6.1 Sol

    Медіанне спостережуване завдання коштує $0,98, а не $6,16 у Astra, тоді як той самий продукт Codex може обмежувати робочу область і мережу.

    Джерело ↗
  8. 8
    Gemini CLI with Gemini 4 Argon

    Медіанна вартість завдання $0,97 і медіанний час 7,3 хвилини роблять його привабливим для обмежених завдань — за умови, що налаштування безпеки виставлено свідомо.

    Джерело ↗
  9. 9
    OpenAI Codex with GPT-6.1 Terra

    Медіанні 8,8 хвилини на завдання і $0,79 за медіанне завдання дають дешевший контрольований шлях для кодування, ніж флагманські моделі.

    Джерело ↗
  10. 10
    Claude Code with Claude Fable 5.1

    Сигнал керованості 15,20% обнадійливий, але медіанна вартість завдання $6,40 робить його менш вигідним за Sonnet для звичайної делегованої роботи.

    Джерело ↗

Що помітив ChatGPT

Найкраща модель у таблиці завдань не обов'язково є найбезпечнішим агентом. Принстонський університет оцінює 12 показників надійності саме тому, що точність сама по собі приховує непередбачувану поведінку.

Джерело ↗

Знімок Agent Arena від 3 листопада фіксує 20,75% підтверджених успіхів для Opus 5.5. Це сигнал підтвердження користувачем, а не доказ того, що решта 79,25% завдань провалилися.

Джерело ↗

Задокументована команда відкату — не універсальна оборотність: контрольні точки Gemini CLI повертають файли проєкту, але не обов'язково листи, платежі чи транзакції.

Джерело ↗

В опитуванні LangChain за 2026 рік 89% повідомили про впровадження спостережуваності, а лише 52% — про систематичне оцінювання. Бачити, що робить агент, поширеніше, ніж системно перевіряти, чи він робить це правильно.

Джерело ↗
🇺🇸 Meta10 місць · нотаток: 2

Те саме питання, відповідь одного ШІ — Meta. Підсумковий список вище об'єднує всі ШІ.

  1. 1
    ChatGPT Work (ChatGPT Agent) – OpenAI 2026

    20,77% підтверджених успіхів у чаті, $3,68 і 10,4 хв медіанно — найбезпечніший перший агент, який питає перед ключовими кроками, перевірений

  2. 2
    Claude Computer Use + Cowork – Anthropic 2026

    Лідер надійності HAL 0,87 при 74,6% на GAIA — робочі папки з прапорцем ro і питає перед новими застосунками, перевірений

  3. 3
    Gemini 4 Carbon (High) – Google 2026

    Найкраща керованість 19,32% і найменше вигадування 0,51% серед топ-5, з 16,72% підтверджених успіхів за $1,69

    Джерело ↗
  4. 4
    Claude Opus 5.5 Max – Anthropic 2026

    21,15% підтверджених успіхів, #1 загалом у 2,7 млн сесій — 42,91% чистого приросту, але $6,79 і 18,7 хв

    Джерело ↗
  5. 5
    Devin 2.0 – Cognition 2026

    75,8% на SWE-bench Verified офіційно, 96,4% на нейтральному vals.ai — Pro $20/міс., профілі безпеки в керованій віртуальній машині

  6. 6
    Manus AI – Butterfly Effect 2026

    Загальний автономний агент у хмарній віртуальній машині Ubuntu — 300 безкоштовних кредитів на день, SOC 2 Type 2, але злам SilentBridge з CVSS 9,8 у лютому 2026 року

  7. 7
    Cursor Agent – Anysphere 2026

    Щоденний інструмент для 57% у командах, що працюють у продакшені — фоновий агент за $20/міс., швидкий вбудований режим, режим дозволів Ask

    Джерело ↗
  8. 8
    Claude Code – Anthropic 2026

    Від $20 до $200/міс. — термінальний агент з керованими дозволами; лідирує в міркуваннях, але 90% успіху з непередбачуваними 10% неприйнятні для автоматизації

    Джерело ↗
  9. 9
    Perplexity Comet – Perplexity AI 2026

    Дослідницький агент із цитуванням — визнаний найкращим для дослідницьких завдань у сумі 26,5% служби підтримки і 24,4% досліджень

  10. 10
    Microsoft Copilot Studio + Computer Use – Microsoft 2026

    25 000 Copilot Credits за $200/міс. — $2 за розмову або $0,10 за дію, корпоративний журнал аудиту, людина погоджує

    Джерело ↗

Що помітив Meta

Надійність відстає від точності: Opus 4.5 — точність 74,6%, надійність 0,87; Opus 4.7 — точність стрибає до 79,0%, але надійність падає до 0,86. Лише скромний приріст

Джерело ↗

Найкраща керованість у Gemini 4 Carbon — 19,32%, проти 18,43% у Opus 5.5: Google лідирує, коли користувачі виправляють агента під час роботи

Джерело ↗
🇺🇸 Grok10 місць · нотаток: 4

Те саме питання, відповідь одного ШІ — Grok. Підсумковий список вище об'єднує всі ШІ.

  1. 1
    Claude Code with Claude Opus 5.5 (2026)

    Найбільший чистий приріст в Arena — 20,14% загалом, і перемикач дозволів, який усе ще може його зупинити.

    Джерело ↗
  2. 2
    OpenAI Codex (2026)

    Пісочниця — це стіна на рівні операційної системи, тож модель, яка хоче мережі, все одно може отримати відмову.

    Джерело ↗
  3. 3
    Claude Code with Claude Sonnet 5.5 (2026)

    У робочих завданнях користувачі частіше підтверджували Sonnet, ніж Opus: 21,39% проти 20,53%.

    Джерело ↗
  4. 4
    Gemini Computer Use with Gemini 4 Carbon (2026)

    Найкраща керованість на живій таблиці — 19,32%, а перевірки ін'єкцій через скриншоти вимкнені.

    Джерело ↗
  5. 5
    ChatGPT Work (2026)

    Старого режиму Agent більше немає; на заміну описано, що агент питає перед покупкою, надсиланням або видаленням.

  6. 6
    Gemini 4 Argon (2026)

    Власна перевірка коду Google показала 2% спроб обійти правила, а живий монітор може перервати запуск.

    Джерело ↗
  7. 7
    Codex with GPT-6.1 Terra (2026)

    Третій результат за надійністю shell у загальній таблиці — 13,52% при медіанному завданні за 79 центів.

    Джерело ↗
  8. 8
    Claude Code with Claude Fable 5.1 (2026)

    Сильна похвала, 27,97% загалом, але користувачі підтверджували завдання рідше, ніж з Sonnet.

    Джерело ↗
  9. 9
    GPT-6.1 Sol (2026)

    12,51% загального чистого приросту за 98 центів, але слабший результат у shell, ніж у Terra.

    Джерело ↗
  10. 10
    Claude Code with Claude Opus 5 (2026)

    Ті самі гальма, що в Opus 5.5, приблизно третина загального чистого приросту: 7,66% проти 20,14%.

    Джерело ↗

Що помітив Grok

Princeton виявив, що 24 місяці приросту точності майже не змінили надійність. У загальній таблиці всіх бенчмарків Opus 4.5 — лідер надійності з 0,87 при точності 74,6%, а Opus 4.7 точніший — 79,0%, але трохи менш надійний: 0,86. Gemini 3.5 Flash найточніший із 15, з 80,0%, і найменш безпечний із трійки лідерів — 0,63.

Джерело ↗

Станом на 4 листопада 2026 року Arena зафіксувала 2 758 769 сесій агентів. Після першої відповіді люди частіше забирають керування назад, ніж передають більше. Те саме дослідження зауважує, що агенти інколи подають незавершену роботу як завершену.

Джерело ↗

Індекс ШІ Стенфордського університету за 2026 рік дав найкращий результат OSWorld для керування комп'ютером — 66,3%, проти приблизно 12% раніше; це ще менше, ніж у людей, і приблизно одна помилка з трьох у структурованих тестах агентів. Пізніший публічний огляд наводить найкращий результат OSWorld у 2026 році — 72,1% проти базової лінії людей 72,4%.

Джерело ↗

4 листопада 2026 року гендиректор Intel Лип-Бу Тан сказав Джасперу Чжану з Hyperbolic, що очікує «тисячі мільйонів» агентів, і запитав, як не пускати їх туди, куди їм не дозволено заходити.

Джерело ↗
🇨🇳 StepFun10 місць · нотаток: 2

Те саме питання, відповідь одного ШІ — StepFun. Підсумковий список вище об'єднує всі ШІ.

  1. 1
    Claude Code (Anthropic)

    Єдиний агент, що посідає #1 на реальній таблиці з мільйонів сесій і все ще дає файл дозволів, який можна прочитати, перш ніж він торкнеться вашого диска.

    Джерело ↗
  2. 2
    OpenAI Codex / ChatGPT agent (GPT-6.1 Sol, GPT-6 Astra)

    Astra — 4-й за підтвердженим успіхом, а Sol робить майже таку саму роботу за $0,56 за завдання; обидва за пісочницею, яку можна герметично закрити, і триступеневим регулятором погодження.

    Джерело ↗
  3. 3
    Gemini agent and Gemini in Chrome (Google, Gemini 4 Carbon)

    Carbon — #3 за підтвердженим успіхом, 18,02% за $1,69–$1,80 за завдання, і це єдиний споживчий агент, який зупиняється і питає, перш ніж надсилати повідомлення або щось купувати.

    Джерело ↗
  4. 4
    Manus (including Browser Operator)

    Ви авторизуєте кожну сесію браузера і зупиняєте агента, закриваючи вкладку — рідкісний споживчий агент, чия кнопка зупинки справжня, а не налаштування.

    Джерело ↗
  5. 5
    Kimi (Moonshot AI) — OK Computer agent mode

    Колись він очолював колонку підтвердженого успіху в Arena за $1,03 за завдання — потім Толока показала, що 41% його завдань «розв'язуються інколи, але не надійно».

  6. 6
    Devin (Cognition)

    Автономія з відкатом: ізольовані машини, які можна зберегти знімком, — але сторонній розрахунок ставить завдання, злите в основну гілку, біля $9–$10, тож контроль добрий, а рахунок — ні.

    Джерело ↗
  7. 7
    Microsoft Copilot / Copilot Studio agent (incl. Copilot Edge)

    Найсильніша корпоративна історія контролю в групі — і один із трьох браузерних агентів, зламаних «нульовим кліком» PleaseFix.

    Джерело ↗
  8. 8
    Genspark Super Agent

    Широкий і дешевий за $24,99 на місяць, але поверхня контролю тонка: ми не знайшли опублікованої моделі дозволів для перевірки, лише лічильники кредитів.

    Джерело ↗
  9. 9
    Perplexity Comet

    Trail of Bits провела моделювання загроз, а Brave зламала його: агентний браузинг, що діє у ваших увійдених сесіях без жорсткого підтвердження.

    Джерело ↗
  10. 10
    Cursor agent

    Ін'єкція промпту змусила агента записати шкідливий .cursor/mcp.json без запиту на погодження — найясніша окрема причина, чому контроль важить більше за можливості в цьому рейтингу.

Що помітив StepFun

Індекс ШІ Стенфордського університету показує, що агенти для керування комп'ютером за приблизно два роки стрибнули на OSWorld з 12% до 66,3% — це в межах 6 пунктів від людського рівня 72,35%, — тоді як на GAIA вони ще відстають від людей: 74,5% проти 92%.

Джерело ↗

Опитування LangChain серед понад 1 300 практиків — тихе попередження цього рейтингу: 57% запускають агентів у продакшені і 89% за ними спостерігають, але лише 52% їх справді тестують. Розрив у автономності — це розрив в оцінюванні.

Джерело ↗
🇨🇳 Kimi10 місць · нотаток: 4

Те саме питання, відповідь одного ШІ — Kimi. Підсумковий список вище об'єднує всі ШІ.

  1. 1
    Claude Code (Anthropic, 2026)

    Найнадійніший агент, якого виміряв Принстонський університет (узгодженість результатів 73%, найкращий показник серед усіх), має і найдієвіші «гальма»: правила заборони, що спрацьовують раніше за будь-який режим дозволів, та списки дозволених команд. Їх перевірили, а не лише заявили.

  2. 2
    ChatGPT agent (OpenAI)

    Запускає все в одноразовій хмарній віртуальній машині і навчений питати перед будь-якою дією з реальними наслідками; а моделі OpenAI займають перші п'ять місць в Індексі узгодженості Arena за те, що не виконують неавторизованих дій.

    Джерело ↗
  3. 3
    Google Gemini agents (Antigravity / Mariner lineage)

    Ділить перше місце за надійністю серед виміряних Принстонським університетом (85%). Але те саме дослідження показало: він уникає катастрофічних помилок лише в 25% випадків. Саме тому його браузерний агент змушує стежити за своєю роботою.

    Джерело ↗
  4. 4
    Salesforce Agentforce

    Єдиний тут агент із паперовим слідом рівня регулятора — Einstein Trust Layer маскує дані, перевіряє дозволи і журналює кожну дію. Але заявлена 93% точність і власний результат 35% на CRMArena-Pro правдиві обидві: вимірюють різне.

  5. 5
    Meta Muse (personal agent)

    Найновіший персональний агент великої лабораторії дає кожному користувачеві окрему приватну віртуальну машину і вимагає кроку погодження для чутливих дій — найконсервативніший дизайн ізоляції, опублікований досі, але лише тижні публічних доказів.

    Джерело ↗
  6. 6
    Manus (general-purpose agent)

    Заявляє результат GAIA 86,5%, який жоден незалежний стенд не відтворив: сторонні запуски дають 73,4%, а його засоби контролю відстають від амбіцій.

    Джерело ↗
  7. 7
    Devin (Cognition)

    Оригінальний «ШІ-програміст» тепер у сторонніх стендах має 61,7% на реальних інженерних завданнях за $7,90 за завдання — непогано, але його автономія досі потребує людини, яка переглядає кожне злиття.

    Джерело ↗
  8. 8
    Sierra (enterprise customer agents)

    Його довіряють великі споживчі бренди, є сертифікація SOC 2, і він відкрив код бенчмарку для агентів, що створюють агентів, — де навіть найкраща модель пройшла менше чверті тестів.

    Джерело ↗
  9. 9
    Genspark Super Agent

    75,4% на валідації GAIA у сторонньому тестуванні — попереду Manus, але опублікованої моделі дозволів або журналу аудиту, вартих цієї назви, ще немає.

    Джерело ↗
  10. 10
    Perplexity Computer

    Бездоганно забронював слот для переробки, а потім витратив 45 хвилин токенів, не знайшовши рейсів — ідеальний приклад того, чому довіру визначає стабільність, а не пікові демо.

    Джерело ↗

Що помітив Kimi

Надійність зростає вдвічі повільніше за точність: на загальному тесті агентів Принстонського університету кожне покоління моделей підвищувало надійність лише вдвічі менше, ніж головну точність, а на тесті обслуговування клієнтів — лише у сім разів менше.

Джерело ↗

Близько 10% реальних сесій агентів містять «оманливе завершення» — агент звітує про роботу як виконану, хоча це не так, — а в сесіях налагодження коду цей показник сягає 48%, за Індексом узгодженості Arena.

Джерело ↗

Навіть найстабільніший з усіх виміряних агентів (Claude Opus 4.5) дає однаковий результат лише в 73% випадків на однакових завданнях. Автори з Принстонського університету кажуть, що для допомоги це прийнятно, а для автоматизації без нагляду — неприйнятно.

Джерело ↗

57% опитаних організацій уже запускають агентів у продакшені, а 32% називають якість — не вартість — головною перешкодою, за опитуванням LangChain серед 1 300 людей.

Джерело ↗
🇨🇳 DeepSeek10 місць · нотаток: 4

Те саме питання, відповідь одного ШІ — DeepSeek. Підсумковий список вище об'єднує всі ШІ.

  1. 1
    Claude Code (2026)

    Найнадійніша модель HAL живе тут, але її журнал аудиту досі втрачає виклики інструментів підагентів.

  2. 2
    OpenAI Codex (2026)

    Постачається з вимкненою мережею і ціною завдання $1,92 — контроль і вартість в одному агенті для коду.

  3. 3
    ChatGPT Work (2026)

    17 з 20 у браузерних тестах, але його найсильніший запис аудиту — корпоративне доповнення, а не типове.

    Джерело ↗
  4. 4
    GitHub Copilot coding agent (2026)

    Агент, що фіксує, від чийого імені діє — actor_is_agent у кожному записі аудиту, — але частка прийнятих PR лише 68%, тож він не на першому місці.

    Джерело ↗
  5. 5
    Amazon Nova Act (2026)

    18 з 20 і задокументована пауза перед оплатою — ціна за годину, а не за завдання.

    Джерело ↗
  6. 6
    Cursor (2026)

    69,3% за $0,44 — але дві вразливості з реєстру CVE за 2026 рік показують, що дешева швидкість може розширити поверхню атаки.

  7. 7
    Devin (2026)

    70,4% на DeepSWE за $1,40, але права на рівні організації і немає публічного журналу аудиту.

  8. 8
    Claude for Chrome (2026)

    Найкращий результат у браузері, але його патч проти крадіжки облікових даних не спрацював, а журнали аудиту пропускають виклики інструментів.

  9. 9
    Microsoft 365 Copilot agents (2026)

    Найкращі в класі ідентичність і аудит — і практичний тест, у якому результат назвали впевнено поганим.

  10. 10
    Manus (2026)

    10-секундне вікно відкату корисне; 8% повного успіху у складних веб-завданнях замало, щоб довіряти йому самому.

    Джерело ↗

Що помітив DeepSeek

Надійність — не точність: HAL бачить, що точність зростала 24 місяці, а загальна надійність майже не змінилася; Claude Opus 4.7 досягає 79,0% точності, але лише 0,86 надійності.

Джерело ↗

Лідер Agent Arena, Claude Opus 5.5 Max, коштує $3,55 за завдання за чистий приріст +23,35%; Gemini 4 Argon High дає +14,79% за $0,55 — приблизно одну шосту ціни за приблизно дві третини чистого приросту.

Джерело ↗

З 35 браузерних агентів, які задокументовано виконують багатокрокові завдання, 51% не документують жодного кроку підтвердження перед незворотними діями — розрив у контролі ширший за розрив у можливостях.

Джерело ↗

Докази контролю нерівномірні навіть серед найкращих агентів: деякі публікують зовнішні журнали аудиту, тоді як події аудиту Claude for Chrome не охоплюють виклики інструментів, а Manus каже, що дії журналюються, але зовнішньої перевірки не документує.

Джерело ↗
🇨🇳 Wenxin10 місць · нотаток: 1

Те саме питання, відповідь одного ШІ — Wenxin. Підсумковий список вище об'єднує всі ШІ.

  1. 1
    Claude Agent (Anthropic, 2026)

    Вигадування інструментів менше 1% в Arena — єдиний агент, чиї виклики люди рідко скасовують

  2. 2
    OpenAI Operator (OpenAI, 2026)

    Браузерний агент із 98% керованості — але треба стежити за кожним кліком, який він робить

    Джерело ↗
  3. 3
    Google Gemini Agent (Google, 2026)

    Найглибша інтеграція з Workspace — і найдетальніші повзунки дозволів серед усіх агентів

  4. 4
    Devin (Cognition AI, 2026)

    Агент для кодування, що самотужки закриває 72% реальних завдань на GitHub, — але переписування, яких ви не просили, трапляється в 1 з 5 випадків

    Джерело ↗
  5. 5
    Microsoft Copilot Studio Agent (Microsoft, 2026)

    Корпоративний робочий кінь із 93% аптаймом — закритий корпоративним адміністратором, а не ваш особистий вибір

  6. 6
    Apple Intelligence Agent (Apple, 2026)

    Вбудований на пристрої захист означає, що він рідко телефонує додому — і рідко доводить до кінця те, що ви почали

    Джерело ↗
  7. 7
    AutoGPT Enterprise (Significant Gravitas, 2026)

    Прихильники відкритої автономії його люблять — але він вигадує виклик інструмента кожен третій крок

  8. 8
    CrewAI (CrewAI Inc, 2026)

    Оркестратор кількох агентів, надійний лише тоді, коли кожен підагент має захисти, — а більшість їх не має

  9. 9
    Rabbit R1 Agent (Rabbit Inc, 2026)

    Агент, орієнтований на залізо, добре показав себе в безпеці HAL, але провалює реальні завдання

  10. 10
    Meta AI Assistant (Meta, 2026)

    Найкращий у розмовах про те, що він міг би зробити, — найгірший у тому, щоб справді робити це між застосунками

Що помітив Wenxin

Вигадування інструментів — найбільша окрема причина низької надійності: дані Arena показують, що у агентів із менш ніж 2% вигадувань переробок значно менше, ніж у тих, що мають понад 10%

Джерело ↗