Компания Stripe выпустила новый набор тестов для оценки того, насколько эффективно ИИ-агенты справляются с комплексными задачами по разработке ПО. Несмотря на успехи в написании кода, исследование выявило серьезные недостатки в управлении состоянием системы, проверке результатов и восстановлении после ошибок в реальных рабочих процессах.