Arcade.dev: новая система подбора инструментов снижает расходы компаний на входные токены на 37%

Arcade.dev — стартап, который помогает ИИ-агентам работать с корпоративными программами и контролирует их действия. Tool Recommendation решает практическую проблему: чем больше систем подключено к агенту, тем длиннее и дороже становятся его инструкции.

По данным Arcade, новый механизм сокращает число токенов, связанных с поиском инструментов, максимум на 91%; расчётная экономия на входных токенах достигает 37%. В отдельном тесте полных рабочих процессов результат скромнее, но ближе к реальным затратам: общая сумма за входные и выходные токены снизилась на 7,6%.

Представитель Arcade сообщил VentureBeat, что с 15 октября функция появится у клиентов полностью управляемой облачной платформы Arcade Cloud без отдельной платы за неё. На платных тарифах сохраняются обычные платежи за платформу и использование. Стоимость корпоративного развёртывания, в том числе на собственных серверах заказчика, рассчитывается отдельно.

Microsoft, Anthropic и OpenAI уже предлагают способы искать инструменты по запросу. Arcade объединяет такой поиск с системой, которая проверяет разрешения, применяет корпоративные правила и записывает действия агента при работе с разными моделями.

Что делает Arcade и кто пользуется платформой

Arcade — не чат-бот и не новая большая языковая модель. Компания предоставляет программное обеспечение, которое позволяет ИИ-агентам на базе моделей вроде Claude или ChatGPT выполнять действия в рабочих системах.

Например, если агенту нужно изменить запись в Salesforce или отправить письмо через Gmail, Arcade подключает его к приложению, проверяет, разрешено ли сотруднику и агенту выполнить действие, обрабатывает необходимые учётные данные и записывает результат.

Существующая платформа Arcade объединяет три основные возможности:

Шлюз MCP от Arcade объединяет инструменты самой компании и других поставщиков за одним подключением. MCP, или протокол контекста модели, — новый распространённый способ связывать ИИ-помощников с внешними приложениями. 7 октября Arcade также запустила Private Registry — каталог, где сотрудники могут увидеть, какими инструментами пользуются их агенты, и запросить недостающие.

Среди организаций, использующих технологии Arcade, компания называет LangChain, Relevance AI, Snyk и Sybill. На сайте Arcade размещены отзывы представителей этих компаний.

Там же упоминаются Duracell и YUR, а также неназванные заказчики, которых Arcade описывает как финансовую организацию из списка Fortune 100 и потребительскую интернет-компанию из Nasdaq-100. Эти упоминания не подтверждают, что кто-либо из названных клиентов уже получил заявленную экономию токенов благодаря новой функции.

В июле сооснователь и технический директор Arcade Сэм Парти представил технологии безопасности и контроля компании на мероприятии VentureBeat Transform 2026 Innovation Showcase. Он рассказал, что платформа позволяет агентам действовать с правами соответствующего пользователя, а специалистам по безопасности — видеть их активность.

Tool Recommendation развивает эту инфраструктуру: теперь Arcade хочет не только проверять, вправе ли агент выполнить действие, но и упростить и удешевить поиск подходящего действия.

Почему список инструментов становится статьёй расходов

Инструмент — это функция, которую агент может вызвать: например, найти письмо, получить данные о клиенте, изменить заявку или создать документ. Прежде чем выбрать и применить такую функцию, агенту нужны её описание и сведения о необходимых входных данных.

По данным Arcade, в каталоге компании больше 8 000 инструментов. Описание всего каталога заняло бы около 1,75 млн токенов ещё до того, как пользователь отправит запрос. Даже гораздо меньший список создаёт повторяющиеся расходы по мере продолжения диалога.

Tool Recommendation заменяет весь каталог несколькими способами найти приложение, запросить подходящие функции и выполнить выбранное действие. Агент сообщает, что ему нужно прямо сейчас; Arcade ищет и ранжирует инструменты, возвращает короткий список и запускает выбранную функцию.

Для поиска и ранжирования подходящих инструментов Arcade использует небольшие специализированные модели, вместо того чтобы снова и снова заставлять большую ИИ-модель читать весь каталог. При этом базовая модель агента остаётся прежней: именно она решает, какое из предложенных действий выполнить.

В эксклюзивном интервью VentureBeat Парти рассказал, что Arcade использует небольшие модели из открытой экосистемы и данные о действиях агентов.

По его словам, эти данные позволяют обучать небольшие языковые модели предсказывать, что пользователь захочет сделать.

Парти отметил, что задачи агентов, в отличие от ленты социальной сети, настроенной под конкретного человека, часто относятся к широким категориям: отправить письмо, отредактировать черновик или изменить запись в Salesforce.

По словам Парти, идея появилась во время работы над агентом для инженеров по надёжности сайтов. Тогда языковые модели часто не могли правильно выбрать инструмент и подготовить для него входные данные.

Он вспоминал, что прежние модели могли не сформировать правильный формат JSON, даже если им предлагали всего пять инструментов.

По мере улучшения моделей тот же подход к рекомендациям стало возможно применять шире — для выбора действий и подготовки данных, необходимых для их выполнения.

Это может быть важно для работы сразу в нескольких системах. Например, продление договора может потребовать данных о клиенте, истории обращений в поддержку, финансовой информации и подготовленного ответа. Поиск инструментов позволяет подключать разные функции по мере необходимости. Польза для конкретного процесса зависит от качества короткого списка и расходов на дополнительные поисковые запросы.

Arcade сообщает, что Tool Recommendation работает через MCP и включается на шлюзе — узле связи между агентом и доступными ему инструментами. Для этого не нужно заново создавать уже работающие интеграции. По словам компании, функция совместима с разными моделями, фреймворками для создания агентов и приложениями с поддержкой MCP. Клиентам не придётся менять Claude, ChatGPT или собственных агентов, чтобы начать пользоваться рекомендациями.

Что означают заявления об экономии 37% и результат теста в 7,6%

В методике Arcade есть несколько разных показателей, которые корпоративным заказчикам важно не смешивать.

Максимальная экономия в 37% получена в расчёте входных расходов для помощника со 100 заранее заданными инструментами. Для типичного диалога с тремя запросами и примерно восемью вызовами инструментов на каждый запрос Arcade оценивает экономию примерно в 20%. Точный результат зависит от модели.

В интервью Парти назвал близкую оценку: по его словам, обычный пользователь в сеансе из десяти ходов может сэкономить 18–20% токенов.

Речь идёт об ожидаемом сокращении числа токенов в типичном сеансе, а не о независимо подтверждённой экономии на всём счёте корпоративного клиента.

В расчёте не учитываются выходные токены и предполагается, что клиент хранит большие результаты работы инструментов вне диалога. Если эти результаты остаются в контексте, компания оценивает экономию всего в 5–7%. Наибольшая расчётная выгода приходится на короткие диалоги.

Оценка годовой экономии около $119 000 для 1 000 пользователей Claude Opus 5 предполагает, что каждый из них проводит по 20 диалогов в месяц. Это расчётный сценарий, а не подтверждённая экономия клиента, названного по имени.

Заявление о сокращении на 91% относится к более узкому набору токенов. Оно учитывает входные токены в описаниях функций и ответах системы рекомендаций за смоделированный диалог из десяти ходов, но не сам диалог и не данные, возвращённые корпоративными системами.

В этом расчёте число токенов для GPT-5.6 снижается с 256 650 до 22 164, а для Claude Opus 5 — с 411 729 до 38 170.

Arcade уточняет в описании методики, что это экономия на токенах описаний функций, а не на всём диалоге.

Более полный тест сравнивал рабочие процессы с поиском инструментов и без него: 408 сеансов охватывали 64 процесса и использовали Codex и Claude Code. Arcade сообщает о снижении общей стоимости токенов на 7,6% — с учётом входных и выходных токенов. Доверительный интервал в 95% составляет от 2,5% до 12,6%, а доля выполненных задач не изменилась.

Для Claude Code снижение составило 9,7%, для Codex — 5,5%; интервал для Codex включает ноль. VentureBeat не воспроизводило эти тесты самостоятельно.

Парти признал, что многократные обращения к системе рекомендаций могут потребовать столько ресурсов, что экономия исчезнет или работа с инструментами станет дороже. Он считает такие случаи редкими, но не привёл независимо проверяемых данных о том, как часто это происходит.

Сравнение с Microsoft требует оговорки

Arcade также проверяет поиск инструментов на открытом бенчмарке ToolRet. Показатель Recall@10 отражает, сколько из необходимых инструментов попали в первые десять результатов. Он не измеряет, удалось ли выполнить задачу целиком.

Arcade приводит эти данные, чтобы сравнить Tool Recommendation с существующим решением Microsoft Foundry.

Источники данных — изображение из объявления Arcade и опубликованная оценка Microsoft. Тесты проводились в разных условиях.

В рабочей версии Arcade использует дополнительный этап ранжирования и инструкции для бенчмарка. В тесте Microsoft строку инструкции не включали, чтобы избежать расходов и задержки на её генерацию дополнительным вызовом модели. Microsoft также описывает способ поиска, который позволяет не использовать ресурсоёмкую модель ранжирования во время работы системы.

Arcade признаёт, что это сравнение указывает на возможное преимущество, но не является контролируемым прямым испытанием. Результаты стоит проверить, однако они не доказывают, что Arcade лучше Foundry справляется с задачами или снижает общие расходы.

Microsoft, Anthropic и OpenAI уже предлагают поиск инструментов

В подходе Microsoft Foundry Toolboxes агенту предоставляются способы искать инструменты и запускать их, после чего система выдаёт описания подходящих функций. Microsoft сообщает, что решение не привязано к одному семейству моделей и может работать с разными источниками инструментов. Значит, поддержка разных моделей есть не только у Arcade.

Tool Search Tool от Anthropic тоже откладывает загрузку описаний до момента, когда они понадобятся Claude. Решение поддерживает встроенный текстовый поиск и пользовательские способы поиска. Anthropic сообщает о сокращении числа токенов на 85% в собственном примере, но сравнение основано на другой исходной точке, чем измерения Arcade.

Responses API от OpenAI поддерживает отложенную загрузку функций и инструменты MCP, а поиск может выполнять размещённый сервис или само приложение. В документации OpenAI сказано, что новые описания добавляются в конец контекста, чтобы сохранить кэширование; поддержка начинается с GPT-5.4.

Arcade выделяет другое отличие: поиск объединён с управлением выполнением действий в одном слое, который можно использовать с выбранными заказчиком ИИ-системами.

По словам компании, этот слой проверяет права пользователя и разрешённые действия агента, хранит учётные данные вне контекста модели, применяет правила до и после вызовов и передаёт журналы аудита через OpenTelemetry. Эти проверки можно использовать и для обнаружения чувствительных данных.

Парти сказал, что такой подход также позволяет Arcade подключать новые передовые модели без пересоздания системы рекомендаций для каждого поставщика.

По его словам, после примерно трёх-четырёх крупных выпусков моделей поведение технологии оставалось в основном неизменным. Парти ожидает, что при выходе каждой новой модели Arcade сможет в течение недели обеспечить сопоставимый уровень работы.

Это ожидание на будущее, а не независимо проверенная гарантия сервиса. Парти также предупредил, что технологии быстро меняются. По его словам, функция работает с Claude, ChatGPT и другими средами для агентов.

Как действующие тарифы Arcade соотносятся с новой экономией

Arcade уже берёт плату за основную платформу. Публичные тарифы зависят от объёма использования, а не от числа сотрудников. Компания предлагает:

События авторизации связаны с подключением агентов к учётным записям пользователей. Вызов инструмента — это запрос агента на выполнение конкретного действия. Указанные цены относятся к платформе Arcade и не включают возможные платежи за большие языковые модели, на которых работают агенты.

Arcade заявляет, что пользователям Arcade Cloud не придётся отдельно платить за саму Tool Recommendation. Это не означает, что пользоваться функцией можно без ограничений: на тарифе Team сохраняются стандартные платежи за события авторизации и вызовы инструментов. Основную платформу Arcade также предлагает размещать в облаках заказчика, на собственных серверах и в изолированных средах. Отдельное корпоративное развёртывание новой функции запланировано, но цены и точные сроки компания пока не назвала.

Парти описал крупные организации как основной коммерческий сегмент Arcade — особенно компании, которые платят за безопасность и управление агентами для сотрудников. По его словам, за корпоративное развёртывание с клиентов будут брать плату. Он говорил о корпоративных вариантах, а не о стандартной функции Arcade Cloud, включённой без доплаты.

Поэтому снижение расходов на токены ИИ-модели не означает такого же сокращения общих затрат компании на ИИ. Заказчикам нужно учитывать плату за платформу Arcade и отдельные действия, возможные расходы на корпоративную лицензию и стоимость собственной инфраструктуры. Arcade не приводила сравнение полных расходов с учётом новой функции для какого-либо названного клиента.

Экономия возникает не для каждого агента автоматически. Согласно собственным расчётам Arcade, при фиксированном списке меньше примерно 25–28 инструментов выгоднее обходиться без системы рекомендаций. Для более крупных каталогов заказчикам нужно измерить расходы на поиск, долю выполненных задач и итоговые счета на собственных рабочих процессах.

Компаниям, которые используют несколько бизнес-приложений и моделей ИИ, Arcade предлагает не только экономию токенов. Платформа должна дать единое место, где можно определить, что разрешено агенту, подключить его к рабочим системам, записать выполненные действия и предложить подходящий инструмент, не перегружая диалог. Самое полное подтверждение в материалах компании — снижение затрат в тесте целых рабочих процессов; более высокие проценты показывают возможную экономию при отдельных условиях.