Команда редактора кода Cursor запустила эксперимент. В сумме по всем тестам сотни моделей Искусственного интеллекта параллельно писали код одного проекта. Было создано более миллиона строк. Результат — полноценный браузер с нуля и неожиданное открытие о том, что важнее самой технологии.
Первая попытка провалилась комично. Разработчики дали двадцати агентам равные права и возможность самим разделить задачи. Планировалось, что производительность окажется на уровне двадцати разработчиков. Результат «превзошел» все ожидания. Объем работы был выполнен на уровне отдачи всего двух программистов. Нейросети, оказывается, тоже умеют сачковать. Пока несколько агентов трудились в поте нейронов, остальные просто стояли в очереди, ожидая, пока коллеги освободят доступ к коду. Ситуация ничего не напоминает? Осталось моделям еще начать гонять чаи и обсуждать погоду.
Хуже того, без чёткой иерархии нейросети вели себя как начинающие стажёры: избегали сложных задач, делали мелкие безопасные правки и никто не брал ответственность за серьёзные проблемы. Агенты забывали снять блокировки с файлов, пытались захватить уже занятые ресурсы или вовсе игнорировали правила координации.
Решение нашлось в разделении ролей. Планировщики изучают код и создают задачи, разбивая их на подзадачи — сам процесс планирования стал параллельным, причем нейросетям поручили постоянно улучшать инструкции для самих себя. В результате исполнительные агенты начали просто выполнять назначенное, не отвлекаясь на общую картину. В конце каждого цикла агент-судья оценивает прогресс и решал, продолжать ли работу. Схема сработала.
Для проверки системе дали цель: написать веб-браузер с нуля. Агенты на базе GPT-5.2 трудились почти неделю, выдав более трёх миллионов строк кода в тысяче файлов. Получился движок FastRender на языке программирования Rust с парсером HTML (инструмент для понимания структуры веб-страниц), каскадом CSS (система стилей), системой раскладки элементов, отрисовкой текста и собственной виртуальной машиной для JavaScript.
Майкл Труэлл, CEO Cursor, отметил: простые сайты браузер показывает быстро и корректно. До уровня WebKit (движок Safari) или Chromium (основа Chrome) далеко, но результат все равно отличный. Код выложили на GitHub для изучения.
Другие эксперименты оказались не менее масштабными: миграция кодовой базы Cursor с одного фреймворка на другой заняла три недели и включила 266 тысяч добавлений и 193 тысячи удалений строк. Один из ИИ-агентов в эксперименте Cursor взялся за задачу ускорить обработку видео и добился 25-кратного прироста скорости — этот улучшенный код уже работает в реальной версии продукта.
Сравнение показало интересные различия. GPT-5.2 оказалась значительно лучше для долгих автономных задач: держит фокус, следует инструкциям, не «дрейфует» в сторону. Opus 4.5 от Anthropic часто прерывает работу раньше времени, упрощает задачи и быстро возвращает управление человеку. GPT-5.2 лучше планирует, чем даже специализированная на коде GPT-5.1-codex. Поэтому команда начала использовать разные модели для разных ролей, а не одну универсальную.
Но главное открытие оказалось неожиданным: промпты важнее выбора модели или архитектуры системы. Координация сотен агентов, избежание зацикливания и удержание фокуса на протяжении недель потребовали долгих экспериментов именно с формулировками задач.
Почему так? Даже самая умная модель без чётких инструкций работает хаотично. Агенты блокируются, дублируют работу или уклоняются от сложностей. Иерархия ролей функционирует только при детальных правилах для каждого участника. Команда потратила больше времени на итерации промптов, чем на настройку архитектуры или выбор языковых моделей.
Эксперимент доказал: масштабирование автономного кодинга работает. Сотни агентов могут неделями трудиться над одним проектом, решая задачи уровня месяцев человеческой работы. Система пока несовершенна — агенты иногда работают слишком долго над одной задачей, требуются периодические перезапуски для борьбы с «туннельным зрением» (зацикливание на неправильном подходе). Но умение формулировать задачи для ИИ становится важнее технических деталей. Это навык, который придётся осваивать всем, кто работает с нейросетями — от разработчиков до маркетологов.
