IronBee buduje agenta przeglądarkowego, który omija LLM i sam sprawdza zamówienie

Demo jest małe i konkretne. Jak podaje wpis na blogu IronBee, Express zalogował się, dodał produkt, wpisał adres i kartę, a potem czekał, aż strona zamówienia pokaże COMPLETED: dziewięć akcji, 6,7 sekundy.

Silnik decyzyjny nazywa się Jev. To model od TypeSafe, który odpowiada na pytania wielokrotnego wyboru o ustalonym formacie. IronBee twierdzi, że w pętli nie ma żadnego LLM. Każdy krok to jedno wywołanie Jev, które zwraca wybraną opcję, prawdopodobieństwo dla każdej opcji i wynik pewności. Model nie generuje tekstu i nie czyta zrzutów ekranu. Decyzja zajmuje około 300 ms z Turcji, przy czym większość tego czasu to podróż do serwera. Firma sprzedaje przede wszystkim koszt. Wejście kosztuje 0,042 dolara za milion tokenów, wyjście jest darmowe, co według IronBee sprowadziło pełne odtworzenie kasy, razem z oceną i przeglądem, do 0,00054 dolara. Odpowiedź może być wyłącznie kluczem z listy, którą przesłał harness, więc wynik modelu nigdy nie staje się selektorem, współrzędną ani skryptem. Agent może kliknąć tylko to, co już było na ekranie.

To węższy zakład niż agenci sterowani zrzutami ekranu, których wdrożenia pojawiają się gdzie indziej. Warto patrzeć, czy podejście przetrwa na stronach, które nie dają czystej, numerowanej listy kontrolek.

Awarialna kasa, która sprzedała projekt

Szybkość łatwo sfilmować. Ciekawszy w tekście jest przebieg kasy, który poszedł źle. Strona pokazywała "Order placed successfully!", a API zamówienia zwróciło 200, ale dane w tej odpowiedzi mówiły FAILED. Agent IronBee oznaczył przebieg jako nieudany w 7,57 sekundy, przez 8 akcji i 9 decyzji, wskazując najpierw na odpowiedź API, a potem na linię z logu backendu: notification-service, Order #131 Could Not Be Processed, Reason: Insufficient inventory.

Strona mówiła "Order placed successfully!". API zamówienia odpowiedziało 200, ale zamówienie w środku miało status FAILED.

Nikt nie napisał asercji na żadne z tych zdarzeń, twierdzi autor wpisu. Etap oceny to też pytanie do Jev: czy cel został osiągnięty i jakie dowody na to wskazują. Wszystkie liczby w tekście pochodzą z własnych przebiegów IronBee między 21 września a 1 października 2026, a pierwsza wersja, uruchomiona 24 września, zalogowała się i dodała produkt do koszyka 3 razy na 3, w czasie od 2,85 do 3,05 sekundy.

Ta ostrożność ma znaczenie, bo większość materiałów o agentach przeglądarkowych opublikowanych w tym tygodniu nie jest neutralnym testem. Implementacja referencyjna na 400 liniach od xhluca pokazuje odwrotną architekturę: daje Gemini 3.8 Flash zrzuty ekranu i kontrolki przeglądarki w 394 liniach Pythona, w tym nagrany przebieg, który rezerwuje warsztaty i weryfikuje potwierdzenie. Oba podejścia twierdzą, że sprawdzają wynik. Tylko jedno płaci za każdy zrzut ekranu.

Weryfikacja to temat tygodnia

Ten sam spór widać w narzędziach do kodowania. Dotpals, otwarty towarzysz pulpitu dla Claude Code, Codex i Cursor, czyta wyniki testów z wyjścia komend, a nie z tego, co mówi agent, i odsyła agenta z powrotem, gdy testy nie przechodzą. Wyłapuje też test zmieniony tylko po to, żeby przeszedł. Tekst Iana Maurera przytacza zespół OpenClaw, który usunął około 400 000 linii własnych testów przy niewielkiej zmianie pokrycia, i przekonuje do testów outside-in, opisujących zachowanie użytkownika zamiast rosnącego stosu testów jednostkowych. Threadnote przeprowadził małe badanie parami na pięciu publicznych repozytoriach i podaje 65,62% mniej tokenów cyklu życia na zweryfikowane ukończenie oraz 46,14% mniej czasu przy zapisanym przekazaniu, z weryfikacją zaliczoną w 5 z 5 zadań wobec 4 z 5 przy samych plikach. Firma wyraźnie zaznacza, że to jej własne badanie na jednym modelu, na buildzie 5.1.0-beta.2, a nie niezależna ewaluacja.

Jej zdanie o problemie jest bez ogródek: "Done" to zdanie, które agent potrafi wygenerować, a nie wynik testu.

Trwałość też zwraca uwagę. Pi Durable, eksperymentalny framework od Arendelle wydany razem z Pi 1.0, zapisuje punkty kontrolne rozmów, żeby nowy proces mógł je wznowić. Odtwarza jednak przerwane wywołanie narzędzia tylko wtedy, gdy narzędzie zadeklaruje bezpieczeństwo powtórzenia, bo ponowne wysłanie płatności to nie to samo co powtórzenie wyszukiwania. Ostoyae, runner grafów dla agentów kodujących, uruchamia każde zadanie we własnym worktree gita i liczy pracę dopiero wtedy, gdy komenda sprawdzająca przejdzie na świeżym checkoucie.

Dlaczego firmy utykają

Lukę między demami a wdrożeniami da się zmierzyć. Badanie MIT Technology Review Insights na 300 menedżerach danych i technologii, przygotowane przez jego dział treści własnych, a nie redakcję, wykazało, że średnio tylko około 34% projektów agentowej AI w organizacjach dociera do produkcji. Rozproszenie danych było najczęściej wskazywaną przeszkodą w rozszerzaniu dostępu agentów do wiedzy, z wynikiem 55%.

Po stronie badań praca poprawiona 1 października przedstawia StructMemEval, test sprawdzający, czy agenci porządkują pamięć długoterminową, a nie tylko przywołują fakty. Autorzy piszą, że LLM z wyszukiwaniem radzą sobie gorzej z zadaniami takimi jak rejestry transakcji i listy zadań, a współczesne modele nie zawsze rozpoznają wymaganą strukturę bez podpowiedzi.

Nic z tego nie sprawia, że trudną częścią jest kasa w 6,7 sekundy. Wpis IronBee zajmuje się głównie rzeczami, które się zepsuły, a jego główna teza jest wąska: wybierz z listy, sprawdź wybór i oceń przebieg na podstawie dowodów, a nie banera sukcesu na stronie. To mniejsza obietnica niż agent, który czyta sieć, i łatwiejsza do przetestowania.