AGI — это
Runtime,
а не модель
Почему IRI Lab строит слой исполнения вокруг моделей: агенты, память, задачи, инструменты, биллинг и человек в контуре.
Большая часть разговоров об AGI крутится вокруг вопроса: какая модель победит? GPT, Claude, Gemini, Grok, Llama, DeepSeek, Qwen — список меняется каждый месяц. Но если смотреть на реальную работу команды, модель почти никогда не является всей системой.
Команда работает не "моделью". Команда работает задачами, памятью, ролями, инструментами, файлами, деньгами, сроками, проверками и решениями. Поэтому позиция IRI Lab звучит так: AGI — это не одна большая модель. AGI — это Runtime.
Runtime — это слой исполнения, где модели, агенты, память, задачи, инструменты, биллинг и человек в контуре собираются в управляемую систему.
Почему одной модели недостаточно
Даже очень сильная языковая модель отвечает только на текущий запрос. Она может быть умной, быстрой, дешевой, мультимодальной, но сама по себе она не знает, какой у проекта статус, что уже решили, какие риски приняли, какие файлы важны и кому принадлежит следующий шаг.
В реальном проекте нужны еще несколько слоев:
- 01Контекстчто это за проект, какие файлы и решения имеют значение.
- 02Роликто смотрит как стратег, кто как скептик, кто как техдир.
- 03Памятькакие решения приняты и почему их нельзя забыть через сутки.
- 04Инструментыкод, файлы, API, браузер, почта, документы, платежи.
- 05Контрольпроверки, тесты, логи, лимиты, права, стоимость.
Модель может быть ядром рассуждения. Но без этих слоев она остается умным собеседником, а не операционной системой работы.
Что IRI Lab называет Intelligence Runtime
Intelligence Runtime — это не один продукт. Это архитектурная категория. Внутри нее разные компоненты отвечают за разные участки работы.
| Компонент | Роль в runtime |
|---|---|
| IRI Gateway | Модельный слой: API, доступ к моделям, биллинг, ключи, лимиты. |
| Verstak | Рабочая среда: agentic-разработка, контекст проекта, решения, память. |
| AIOS | Операционный слой задач, людей и AI-инструментов. |
| AI-BOS | Бизнес-операционный слой: клиенты, процессы, сотрудники, отчеты. |
| Agent Studio | Среда для сборки и управления агентами. |
Все это можно воспринимать как разные органы одной системы. Gateway дает кровь моделей. Verstak дает рабочую поверхность. Память решений не дает проекту терять курс. А человек остается в контуре, потому что ответственность нельзя делегировать токенам.
Чем Runtime отличается от AI-чата
AI-чат хорош, когда задача локальная: объяснить, написать, перевести, придумать. Runtime нужен, когда задача живет дольше одного сообщения.
- Чат отвечает. Runtime ведет задачу.
- Чат забывает контекст. Runtime строит банк контекста.
- Чат пишет текст. Runtime вызывает инструменты и проверяет результат.
- Чат не знает стоимость процесса. Runtime считает токены, рубли и лимиты.
- Чат не фиксирует решения. Runtime сохраняет Decision Record.
Почему это важно сейчас
Модели быстро становятся commodity. Сегодня одна модель в лидерах, завтра другая. Но слой, который умеет выбирать модель, давать ей правильный контекст, проверять результат, считать стоимость и вести память проекта, становится только важнее.
Именно поэтому IRI Lab не делает ставку на обучение собственной LLM как главный путь. Ставка другая: построить оркестратор и рабочий слой поверх моделей. Там, где меняются провайдеры, но остается процесс.
Как это видно в Verstak
В Verstak этот тезис проявляется в практических функциях:
- Shadow Team — запрос смотрит не одна модельная роль, а виртуальная команда: стратег, скептик, финансист, техдир, риск-контролер, продавец, компилятор.
- Decision Memory — после ответа сохраняется запись: что решили, почему, какие риски приняли, какие альтернативы отбросили.
- Context Bank — проект можно прогреть, сохранить summaries и context packs, а затем не платить за один и тот же контекст снова.
- Gateway billing — можно считать не только качество ответа, но и стоимость процесса.
Это уже не "чат с кодом". Это попытка сделать рабочий штаб проекта, который помнит, спорит, считает и доводит действия до результата.
Что проверять в любом AI-продукте
Если продукт говорит, что он "AI-система", задайте пять вопросов:
- Где хранится контекст проекта?
- Как фиксируются решения?
- Можно ли сменить модель без переписывания процесса?
- Видна ли стоимость работы?
- Кто проверяет результат и несет ответственность?
Если ответов нет, перед вами, скорее всего, интерфейс к модели. Если ответы есть, перед вами начинает появляться runtime.
Итог
Следующий шаг AI-рынка — не только более сильные модели. Следующий шаг — системы, которые умеют превращать модели в управляемую работу. IRI Lab строит именно этот слой: Intelligence Runtime для команд, проектов и агентных процессов.