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, 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.