# AI-агенти не відчувають часу, і це проблема для автономних workflow > Дослідження The Decoder показує: AI-агенти на базі LLM погано оцінюють тривалість задач і не усвідомлюють власних часових обмежень у довгій роботі. - Опубліковано: 30 серпня 2026 р. (2026-08-30T11:24:47.969718+00:00) - Розділ: Агенти - На основі публікації: [The Decoder](https://the-decoder.com/ai-agents-have-no-sense-of-time-and-are-not-aware-of-it/) - Видання: AiiN (https://aiin.news) - URL: https://aiin.news/article?slug=ai-%D0%B0%D0%B3%D0%B5%D0%BD%D1%82%D0%B8-%D0%BD%D0%B5-%D0%B2%D1%96%D0%B4%D1%87%D1%83%D0%B2%D0%B0%D1%8E%D1%82%D1%8C-%D1%87%D0%B0%D1%81%D1%83-%D1%96-%D1%86%D0%B5-%D0%BF%D1%80%D0%BE%D0%B1%D0%BB%D0%B5%D0%BC%D0%B0-%D0%B4%D0%BB%D1%8F-%D0%B0%D0%B2%D1%82%D0%BE%D0%BD%D0%BE%D0%BC%D0%BD%D0%B8%D1%85-workflow --- AI-агент, якому доручили задачу на кілька годин автономної роботи, однаково впевнено оцінює залишок часу і на першій хвилині, і на сотій — байдуже, скільки насправді вже минуло. [За даними The Decoder](https://the-decoder.com/ai-agents-have-no-sense-of-time-and-are-not-aware-of-it/), це не збій конкретної моделі, а системна властивість агентів на базі великих мовних моделей: вони погано оцінюють тривалість задач і не розуміють власних часових обмежень. Для читача, який просто ставить запитання в чат-вікні, це непомітно — розмова триває стільки, скільки триває. Але для AI-білдера, який запускає агента на автономне виконання багатокрокової задачі без людини в циклі, відсутність відчуття часу — це не абстрактна філософська деталь, а конкретний операційний ризик. Наш погляд в AiiN: це одне з тих обмежень, які легко проігнорувати на етапі прототипу і які боляче вилазять на проді — коли агент працює годинами, спалює бюджет токенів і не подає жодного сигналу, що щось пішло не так по часу. ## У чому саме проблема з часом у агентів? Проблема не в тому, що агент повільний чи швидкий, а в тому, що він не має внутрішнього годинника, порівнянного з людським відчуттям тривалості. Мовна модель мислить токенами й кроками контексту, а не хвилинами й годинами — секунда мовчання й секунда генерації тексту для неї виглядають однаково, бо в її внутрішньому поданні немає wall-clock часу. - Модель не бачить різниці між задачею, яка триває 5 хвилин, і задачею, яка триває 5 годин, якщо обидві описані схожою кількістю кроків. - Агент не отримує сигналу «ти вже перевищив ліміт», якщо цей сигнал не подано йому явно ззовні. - Оцінки тривалості, які модель дає користувачу, — це радше правдоподібний текст, ніж результат виміру. ## Чому агент навіть не здогадується про цю прогалину? Тут і криється друга частина знахідки: агенти не просто погано оцінюють час — вони не усвідомлюють, що оцінюють його погано. Модель відповідає на запитання «скільки ще залишилось» з тією ж впевненістю, з якою відповідає на запитання, для яких у неї справді є надійні дані. Різниці в тоні відповіді користувач не побачить: невпевнена оцінка звучить так само переконливо, як обґрунтована. Це узгоджується з ширшою відомою рисою LLM: моделі схильні генерувати впевнені відповіді там, де в них немає механізму виміряти власну похибку, — часова оцінка просто ще один такий випадок, а не виняток. ## Що це означає для довгих агентних workflow? Найбільший практичний ризик — це агент, який продовжує виконувати задачу далеко за межами розумного бюджету часу чи коштів, бо ніхто й ніщо не сказало йому зупинитися. У циклі «агент викликає агента» чи в багатокроковому автономному пайплайні ця помилка накопичується: кожен підагент трохи неправильно оцінює, скільки часу в нього є, і сума цих похибок виливається в непередбачувану загальну тривалість запуску. Це особливо відчутно в системах, де вартість прив'язана до часу виконання — оренда GPU, платні API-виклики, хмарні sandbox-середовища. Агент, який не знає, що вже витратив весь бюджет, просто продовжує працювати, поки його не зупинить зовнішній ліміт. ## Що з цим робити AI-білдерам просто зараз? Головний висновок практичний: не покладайтеся на те, що агент сам скаже «я витрачаю забагато часу». Ця функція має жити поза моделлю, а не всередині неї. - Ставте жорсткі wall-clock таймаути й лічильники кроків на рівні оркестратора, а не покладайтеся на самооцінку агента. - Вимагайте періодичних проміжних звітів («checkpoint») із зовнішнім записом часу, а не питайте агента, скільки він думає, що минуло. - Розбивайте довгі автономні задачі на менші етапи з окремим бюджетом на кожен — так похибка одного кроку не з'їдає весь запуск. - Логуйте реальний wall-clock час поруч із виводом агента, щоб під час дебагу бачити розрив між тим, що агент «думає», і тим, що сталося насправді. ## Висновок AiiN Наша теза: відсутність відчуття часу в агентів — це не деталь для дослідницької статті, а аргумент на користь архітектури, де контроль над тривалістю й бюджетом лежить строго на стороні інфраструктури, а не на стороні моделі. Довіряти агенту самостійне рішення «мені пора зупинитися» — так само ризиковано, як довіряти йому самостійну оцінку власної точності: обидва механізми в LLM відсутні за замовчуванням, і про це варто пам'ятати ще на етапі проєктування workflow, а не після першого інциденту з рахунком за GPU. ## Чи можна навчити агента відчувати час? Пряму «фізіологію» часу вбудувати в модель складно, але можна компенсувати архітектурно: подавати агенту explicit мітки часу й лічильники кроків у промпті на кожній ітерації, щоб він хоча б формально мав дані для оцінки, навіть якщо не має вродженого відчуття тривалості. ## Чи стосується це лише довгих автономних агентів? Найбільше ризик проявляється саме в задачах без людини в циклі й з тривалістю від десятків хвилин, тоді як короткі інтерактивні сесії з людиною, яка сама стежить за годинником, страждають від цього значно менше. --- Теги: AI, агенти, LLM, автономність, AIagents, workflow Джерело: AiiN — https://aiin.news/article?slug=ai-%D0%B0%D0%B3%D0%B5%D0%BD%D1%82%D0%B8-%D0%BD%D0%B5-%D0%B2%D1%96%D0%B4%D1%87%D1%83%D0%B2%D0%B0%D1%8E%D1%82%D1%8C-%D1%87%D0%B0%D1%81%D1%83-%D1%96-%D1%86%D0%B5-%D0%BF%D1%80%D0%BE%D0%B1%D0%BB%D0%B5%D0%BC%D0%B0-%D0%B4%D0%BB%D1%8F-%D0%B0%D0%B2%D1%82%D0%BE%D0%BD%D0%BE%D0%BC%D0%BD%D0%B8%D1%85-workflow. Цитуючи, посилайтесь на канонічний URL.