🧠 Оценка агентов по результату скрывает их реальное поведение Статья на arXiv от 31 мая 2026 года утверждает: ИИ-агентов нужно оценивать как поведенческие системы — через наблюдение за процессом, а не только по итоговому результату. Текущие тесты фиксируют результат — точность, скорость, награду, — но не показывают, какую стратегию выбрал агент и насколько она устойчива к возмущениям. Авторы, исследователи из области поведенческих наук, предлагают три инструмента: восстановление стратегий из последовательностей действий, среды для изоляции поведенческих различий и изучение возникающей динамики в многоагентных системах. Это не эмпирическая работа — в статье нет ни одного эксперимента, только исследовательская программа по трём направлениям. Для разработчика, который разворачивает агента в рабочей среде, это прямое предупреждение: пройденный тест ничего не говорит о том, как модель поведёт себя на четвёртом шаге цепочки вызовов. Поведенческие методы сами не безгрешны: в психологии кризис воспроизводимости так и не решён, и переносить их на ИИ без адаптации — значит заменить одну слепую зону другой. Но альтернатива хуже: агенты, которые проходят тесты за счёт использования особенностей среды, — это уже не гипотеза, а повседневность рабочих систем. Вопрос не в том, нужны ли поведенческие тесты, а в том, кто напишет для них стандарты раньше — лаборатории или регуляторы. arXiv #агенты #поведенческиетесты #оценкаИИ #arXiv