AI 500 dienų valdė įmonę – ir dauguma modelių bankrutavo

Vienas populiariausių pastarųjų metų pažadų – kad dirbtinio intelekto agentai netrukus galės ne tik atsakinėti į klausimus, bet ir savarankiškai valdyti visą verslą: nustatyti kainas, planuoti biudžetą, vystyti produktą ir laikyti įmonę pelningą. Trys Prinstono universiteto tyrėjai – Haozhe Chenas, Karthikas Narasimhanas ir Zhuangas Liu – nusprendė tai išbandyti rimtai. Jų naujas testas CEO-Bench paveda kalbos modeliams 500 dienų vienam vairuoti fiktyvią dirbtinio intelekto įmonę. Rezultatas blaivina: dauguma pažangiausių modelių per tą laiką paprasčiausiai bankrutuoja.

Kas yra CEO-Bench ir kaip jis veikia

Idėja paprasta, bet žiauri. Modeliui duodama startuolio kasa – 1 mln. JAV dolerių – ir leidžiama 500 simuliuotų dienų priiminėti sprendimus per programuojamą Python sąsają. Agentas pats nustato prenumeratos kainas, skiria pinigus rinkodarai, sprendžia, kiek investuoti į tyrimus ir infrastruktūrą, derasi su klientais ir stebi konkurentus. Vienintelis vertinimo kriterijus – kiek pinigų kasoje liko gale.

Aplinka sąmoningai sunki: rinka „triukšminga", iš dalies paslėpta ir nuolat kintanti. Klientų grupės turi nematomus pomėgius – savo didžiausią mokėjimo ribą, kokybės lūkesčius, naudojimo įpročius – o sprendimų pasekmės ateina su vėlavimu ir yra tarpusavyje susietos. Tai ne vieno teisingo atsakymo galvosūkis, o ilgo horizonto strategijos egzaminas, kurį autoriai vadina „vairavimo intelektu" – gebėjimu priimti nuoseklius sprendimus, kurių vaisius pamatysi tik po šimto dienų.

Rezultatas: dauguma modelių bankrutuoja

Iš dešimties su viršum išbandytų modelių startinę 1 mln. dolerių ribą geriausiame bandyme peržengė tik trys: Claude Fable 5, Claude Opus 4.8 ir GPT-5.5. Ir net jie nebuvo stabilūs – tik Fable 5 sugebėjo baigti virš starto ribos daugiau nei viename iš bandymų. Geriausi pavieniai rezultatai įspūdingi: Fable 5 kasą išaugino iki maždaug 47,2 mln., Opus 4.8 – iki 27,8 mln., GPT-5.5 – iki 21,3 mln. dolerių.

Bet tai – viršūnės. Didžioji dalis modelių balansavo ties nuliu arba krito į bankrotą. Qwen 3.7 Max baigė turėdamas vos ~418 tūkst., Opus 4.7 – ~390 tūkst., o Kimi K2.6, GLM 5.2 ir Claude Sonnet 4.6 – vos po kelias dešimtis tūkstančių iš pradinio milijono. Visiškai į bankrotą (0 dolerių) per 500 dienų nukrito GLM 5.1, Claude Haiku 4.5, Gemini 3 Flash, DeepSeek V4 Pro ir Grok 4.20. Diagramoje jų trajektorijos pažymėtos kaukolėmis – įmonė pinigus prarado ir nebeatsigavo.

Skaudžiausia pamoka: paprasta taisyklė nugalėjo daugumą AI

Pats įdomiausias atradimas – ne lyderiai, o tai, kas atsidūrė ketvirtoje vietoje. Tyrėjai paleido paprastą taisyklių algoritmą be jokio dirbtinio intelekto: jis fiksuoja kainas, kvotas ir produkto lygius, sutelkia pardavimus bei vystymą į kelias atrinktas klientų grupes ir koreguoja pajėgumus pagal pastarojo meto naudojimą. Jokių kalbos modelio „apmąstymų". Šis primityvus scenarijus uždirbo ~15,8 mln. dolerių – ir taip aplenkė visus modelius, išskyrus tris geriausius.

Kitaip tariant, disciplinuota, nuobodi, bet nuosekli strategija pranoko brangiausius pasaulio modelius. Kodėl? Žvelgiant į tai, kaip lėšas skirstė nugalėtojai, matosi tas pats raktas – fokusas. GPT-5.5 net 89 %, o Opus 4.8 – 87 % vystymo biudžeto nukreipė į tikslines klientų grupes, kai silpnesni modeliai pinigus barstė plačiai ir be aiškaus plano. Geriausi agentai net rašydavo nuosavą kodą, kuris modeliuodavo klientų kohortas ir prognozuodavo būsimus pinigų srautus bei analizuodavo derybų istoriją, ieškodami paslėptų klientų pageidavimų.

Ką tai reiškia verslui Lietuvoje

Pastaruosius metus rinka užtvindyta pasakojimų apie „autonominius AI darbuotojus", kurie netrukus patys suks įmones. CEO-Bench yra naudingas atsvaras šiam hype'ui. Net galingiausi 2026-ųjų modeliai ilgame žaidime elgiasi nestabiliai: tas pats modelis viename bandyme uždirba dešimtis milijonų, kitame – bankrutuoja. Verslui, kuris svarsto patikėti dirbtiniam intelektui realius sprendimus, tai aiškus signalas – kol kas tai įrankis prie vairo, o ne vairuotojas.

Antra pamoka praktiškesnė ir tinka net be jokio AI. Paprastas taisyklių algoritmas nugalėjo daugumą modelių ne dėl gudrumo, o dėl drausmės: fiksuotos kainos, aiškus fokusas į kelis segmentus, jokio blaškymosi. Daugeliui smulkių ir vidutinių Lietuvos įmonių tai pažįstama tiesa – nuosekli, gerai apgalvota strategija ilgainiui dažnai aplenkia chaotišką „reaguojam į viską" veikimą. Dirbtinis intelektas šią logiką gali sustiprinti, bet tik tada, kai už jo stovi aiškus planas.

Trečia – svarbu, ko CEO-Bench nematuoja. Tai vis dėlto simuliacija, o ne reali rinka su tikrais klientais, teisės aktais ir reputacija. Skaičiai gauti pačių autorių aplinkoje, todėl jų nereikia laikyti galutiniu modelių „protingumo" reitingu. Bet kryptis aiški: trumpalaikis modelio sumanumas viename žingsnyje ir gebėjimas nuosekliai vairuoti įmonę 500 dienų – tai du labai skirtingi dalykai. Būtent antrojo dažnam dirbtiniam intelektui kol kas labiausiai ir trūksta.