Google Opal: новый стандарт для корпоративных AI-агентов

Тихая революция в no-code агентах

Google Labs обновил Opal — свой визуальный конструктор AI-агентов — и сделал это почти без шума. Никаких громких анонсов, никакой пресс-конференции. А между тем внутри обновления скрыт полноценный архитектурный манифест: то, как Google видит корпоративных AI-агентов в 2026 году. И этот взгляд заслуживает пристального внимания каждого, кто строит или планирует строить агентные системы для бизнеса.

Конец эпохи «агентов на рельсах»

Первая волна enterprise-агентов была определена жёстким компромиссом между автономией и контролем. Ранние языковые модели просто не были достаточно надёжны для открытого принятия решений. Результатом стали так называемые «агенты на рельсах»: жёстко ограниченные workflow, где каждый шаг, каждый вызов инструмента и каждая ветка логики должны были быть заранее прописаны разработчиком.

Это работало — но плохо масштабировалось. Построить агента на рельсах означало заранее предусмотреть каждое возможное состояние системы. Комбинаторный кошмар для всего, что выходит за рамки линейных задач.

Что изменилось с Gemini 3 и новыми флагманами

Gemini 3, Claude Sonnet 4.6 и другие современные модели перешли через порог: они достаточно надёжны в планировании, рассуждениях и самокоррекции, чтобы «рельсы» начали уходить в прошлое. Обновление Opal прямо признаёт этот сдвиг. Новый «шаг-агент» не требует предопределённых путей — модель сама оценивает цель, выбирает инструменты и определяет оптимальную последовательность действий.

• Адаптивная маршрутизация — агент сам выбирает путь на основе цели и контекста
• Персистентная память — агент помнит пользователя и накопленный контекст между сессиями
• Human-in-the-loop — агент сам решает, когда нужна помощь человека

Память как архитектурное требование

Второе крупное дополнение Opal — персистентная память. Google позволяет агентам запоминать информацию между сессиями: предпочтения пользователя, историю взаимодействий, накопленный контекст. Это переводит агентов из категории «умных одноразовых инструментов» в категорию систем, которые становятся полезнее с каждым использованием.

Для корпоративных команд это принципиально: агентная платформа без чёткой стратегии памяти — это платформа, которая даёт впечатляющие демонстрации, но не справляется с production. Ценность агента накапливается через повторные взаимодействия с одними и теми же пользователями и данными.

Human-in-the-loop: не запасной вариант, а паттерн

Третий столп обновления — то, что Google называет «интерактивным чатом»: способность агента приостановить выполнение, задать уточняющий вопрос, собрать недостающую информацию и только потом двигаться дальше. Это human-in-the-loop оркестрация — и её включение в потребительский продукт говорит о многом.

Самые эффективные агенты в production сегодня не полностью автономны. Это системы, которые знают предел своей уверенности и умеют корректно передать управление человеку. Opal идёт дальше традиционных подходов: агент сам решает, когда ему нужна помощь — на основе качества и полноты имеющейся информации.

Динамическая маршрутизация на естественном языке

Четвёртая ключевая функция — динамическая маршрутизация, где критерии выбора пути задаются на естественном языке, а не в коде. Бизнес-аналитик, а не разработчик, может определить: «если клиент новый — ищи информацию в интернете; если существующий — смотри внутренние заметки о встречах». Модель интерпретирует критерии и принимает решение о маршруте.

Это смещает разработку агентов от инженерной дисциплины к дисциплине, где доменная экспертиза становится главным узким местом. Потенциально — это огромное ускорение принятия агентов в нетехнических бизнес-подразделениях.

Мнение редактора: почему это важно именно сейчас

Google упаковал всё это в бесплатный потребительский продукт. Это не исследовательская бумага и не enterprise-контракт на $500 тысяч. Это сигнал: фундаментальные паттерны для построения эффективных AI-агентов больше не являются передовыми исследованиями — они продуктизированы.

Если ваша команда до сих пор хардкодит каждый узел в workflow, предопределяет каждую ветку логики и не доверяет модели маршрутизацию — вы, вероятно, переусложняете. Новое поколение моделей поддерживает другой паттерн проектирования: определяйте цели и ограничения, давайте инструменты, управляйте агентами — не программируйте их. Opal — это работающая референсная архитектура, которую можно изучать и тестировать прямо сейчас, бесплатно.