Технічне резюме: Одним із найбільш видовищних проривів ШІ останніх місяців стали агенти Computer Use / GUI Agents (Anthropic Computer Use, OpenAI Operator, Browser-Use та Qwen2.5-VL/3-VL), здатні бачити екран, рухати курсором миші та натискати кнопки в будь-якій програмі. Проте інженерна математика показує жорстку правду: у багатоетапних процесах чистий візуальний агент є у 150 разів повільнішим і в 40 разів дорожчим за агента на базі MCP/API, а ключем до надійності 99.9% є гібридний граф станів (State Graph / DAG) із детермінованими валідаторами.
1. Пастка експоненційного падіння надійності (P = pⁿ)
Якщо бізнес-процес складається з n = 25 послідовних кроків, а точність одного кроку становить p = 0.95 (95%), то ймовірність безпомилкового завершення всього процесу дорівнює:
P_успіх = pⁿ = 0.95²⁵ ≈ 0.277 (27.7%)
У понад 72% випадків некерований автономний цикл («ReAct loop») зупиниться через модальне вікно, таймаут або галюцинацію параметрів.
2. Порівняння: GUI-Агент проти циклу ReAct та Гібридного Графа Станів (DAG)
| Інженерний критерій | Чистий GUI-Агент (Скріншоти) | Некерований цикл ReAct | Гібридний Граф Станів (DAG + MCP + GUI Fallback) |
|---|---|---|---|
| Середня затримка одного кроку | 2.4 с – 4.5 с | 0.6 с – 1.2 с | 15 мс – 180 мс (детерміновані вузли коду) |
| Витрата токенів на процес (20 кроків) | 45 000 – 110 000 токенів | 12 000 – 25 000 токенів | 1 800 – 4 200 токенів |
| Надійність End-to-End у продуктиві | 45% – 68% | 75% – 86% | 99.4% – 99.9% |
3. Продуктивний патерн 2026: Детермінований каркас на Go + AI у вузлах рішень
Ми використовуємо мовні моделі виключно для розбору неструктурованих даних (листів, PDF, договорів) із жорсткою валідацією JSON Schema, а ізольовані контейнери Playwright / Browser-Use — лише як точковий міст до старих порталів, які не мають власного API.