AutoGPT vs Lindy AI 2026: open-source фреймворк против no-code SMB-платформы

Перед сравнением полезно понять: эти два сервиса не воюют за одного и того же пользователя. AutoGPT и Lindy решают разные задачи разными методами, и путать их — самая частая ошибка при выборе.

AutoGPT — это open-source Python-фреймворк, появившийся в апреле 2023 года. Разработчик клонирует репозиторий Significant-Gravitas/AutoGPT, прописывает API-ключи OpenAI или Anthropic в .env, и получает рекурсивного агента: задача → план → шаг → проверка результата → следующий шаг. AutoGPT Classic — это CLI-инструмент; AutoGPT Platform — визуальный no-code граф-редактор блоков, который команда выпустила в beta в 2024 году. По сути, AutoGPT — это DIY-конструктор для разработчиков, которые готовы инвестировать время в настройку.

Lindy — закрытая SaaS-платформа из США, публичный запуск — 2024 год. Команда называет свой продукт «AI-сотрудник» (Lindy as employee). Принцип построения агента: триггер (письмо, событие, расписание, webhook) → действие (отправить email, заполнить запись в HubSpot, ответить из базы знаний) → ветвление по условиям. LLM под капотом — GPT-4o и Claude, выбираются платформой автоматически без участия пользователя. Lindy продаёт сценарии: email automation, meeting notetaker, lead qualification, customer support — каждый запускается из шаблона за десяток минут.

Из карты видно: эти сервисы не пересекаются по основному назначению. AutoGPT соревнуется с Agent Zero, CrewAI и LangChain-агентами — то есть с другими open-source фреймворками для разработчиков. Lindy конкурирует с Zapier AI, Make.com, Microsoft Copilot + Power Automate и HubSpot AI — то есть с no-code workflow-платформами. По нашему опыту в редакции мы используем оба, но в совершенно разных контекстах: AutoGPT — для прототипирования собственных агентов, Lindy — когда нужно быстро автоматизировать рутинный SMB-сценарий без программистов. Полная карта категории ai-agents — на отдельной странице AIRatings.

Степень автономности у этих двух сервисов настроена под совершенно разные сценарии: AutoGPT даёт ползунок от «полного autopilot» до «подтверждай каждый шаг», Lindy жёстко привязан к триггеру и набору действий, заданных в шаблоне.

AutoGPT Classic запускается в одном из двух режимов. В режиме --continuous агент работает в полном autopilot: задача → план → шаги → завершение без участия пользователя. В обычном режиме перед каждым потенциально критичным действием — запись файла, выполнение кода, исходящий запрос — агент останавливается и спрашивает: «Authorize this action?». Уровень контроля задаётся флагами при старте; разработчик может встроить human-in-the-loop в произвольный шаг через настройки или плагины. Это даёт большую гибкость, но требует понимания, какие шаги опасны и где ставить точку подтверждения.

Lindy строит автономность вокруг шаблона. Когда вы создаёте Lindy-агента из template, фаза автономности фиксируется на старте: «отвечать на письма автоматически» или «эскалировать к человеку, если не уверен». Платформа имеет встроенный механизм escalation — если агент не понимает контекст или не нашёл ответ в базе знаний, он передаёт задачу человеку через Slack/email-уведомление. Также есть testing/simulation: можно прогнать агента на тестовых данных до запуска в production, чтобы увидеть, какие действия он выберет. Изменить шаг автономности после запуска можно, но только через интерфейс — не на лету и не на отдельном инстансе агента.

В сухом остатке: AutoGPT — для тех, кто хочет тонко настроить, на каком шаге останавливать агента (и готов выкатывать настройку самостоятельно). Lindy — для тех, кто хочет, чтобы агент работал по предсказуемому сценарию из шаблона и сам понимал, когда передать дело человеку. У AutoGPT теоретическая автономность выше, но цена за это — необходимость держать руку на пульсе во время отладки.

Browser-use — это водораздел между AutoGPT и Lindy. У одного есть техническая возможность гонять браузер, у другого — нет вообще.

AutoGPT Classic умеет работать с браузером через Selenium и Playwright — оба входят в репозиторий как инструменты. Агент может открыть страницу, прочитать DOM, заполнить форму, кликнуть, перейти по ссылке. Также есть встроенные интеграции с Google Custom Search, DuckDuckGo и Bing для поиска. На практике это значит, что AutoGPT теоретически способен выполнить такую задачу: «найди топ-10 fintech-стартапов 2024 года, открой их сайты, собери информацию о финансировании, сохрани в Excel». Каждый шаг — отдельный вызов LLM, поэтому такая задача растягивается на десятки минут и стоит несколько долларов API-токенов. Стабильность — отдельный разговор: dossier фиксирует, что AutoGPT Classic часто «зависает» в бесконечном цикле или отклоняется от первоначальной цели, особенно на нестандартных сайтах.

Lindy в этой части практически отсутствует. Платформа построена вокруг API-интеграций — Gmail, Outlook, HubSpot, Salesforce, Slack, Notion — а не вокруг управления GUI. Lindy не открывает сайты, не заполняет формы в браузере, не работает с капчей или динамическим контентом веб-страниц. Если вашему сценарию нужно нажать кнопку на странице, которая не имеет API, Lindy не решение. По сути, для browser-use в категории Lindy конкурирует не с AutoGPT, а с Operator от OpenAI или Anthropic Computer Use — и проигрывает им начисто, потому что browser-use просто не его задача.

Бенчмарков WebArena / VisualWebArena для AutoGPT в досье не зафиксировано — официальные публикации команды не содержат таких результатов. Поэтому конкретные проценты успешности не указываем; ограничиваемся фиксацией факта «browser-use есть, но нестабилен» из dossier-секции 12.

Кодирующий агент — функция, которая критична для разработчиков и почти не нужна SMB-командам. Это и определяет результат сравнения.

AutoGPT включает возможность выполнения Python-кода как одного из стандартных действий цикла. Агент может написать скрипт, запустить его, прочитать вывод, обработать ошибку компилятора, переписать скрипт, запустить заново. По описанию архитектуры из dossier это полноценная петля execute-evaluate-correct, ограниченная только токенным бюджетом LLM. На практике AutoGPT не позиционируется как coding agent в первую очередь — он универсальный. Для сравнения, dossier фиксирует, что Devin специализирован именно на этой задаче и надёжнее в production. AutoGPT может писать код, но его сильная сторона не здесь, а в DIY-кастомизации.

Lindy не имеет coding-агента вообще. В платформе нет шага «выполни Python-код» или «открой репозиторий на GitHub и сделай PR». Lindy работает с Notion, Linear, Asana через API — то есть может создать задачу или обновить тикет, но не написать код. Если ваш сценарий требует автоматической генерации кода или работы с репозиторием — Lindy не та платформа. В категории coding-агентов Lindy не участвует вообще, и dossier явно фиксирует это в разделе «слабых сторон»: «нет browser-use, нет coding agent».

Здесь важно не переоценить AutoGPT — балл 6/10 не значит, что он соревнуется с Devin или Claude Code. AutoGPT — это универсальный фреймворк, в котором есть инструмент «выполни код», и этот инструмент работает достаточно, чтобы агент мог сам поправить опечатку в скрипте, но не достаточно, чтобы заменить специализированного coding-агента в долгом проекте с тестами и code review.

Хороший агент должен уметь разбить задачу на шаги. Плохой — хаотично переключается, забывает, что начал, или генерирует план на сорок шагов там, где хватило бы трёх.

AutoGPT строит план через LLM: пользователь даёт высокоуровневую цель, агент сначала генерирует список подзадач, затем последовательно их выполняет, переоценивая план после каждого шага. Архитектурно это recursive loop из dossier-секции 2.3: «задача → план → действие → проверка результата → следующий шаг». План читаем для пользователя — он выводится в лог CLI или интерфейс Platform. Слабая сторона, зафиксированная в dossier-секции 12: AutoGPT Classic «часто застревает в петлях или отклоняется от задачи». Это и есть проблема планирования: агент может перегенерировать новый план в каждой итерации, теряя нить начального запроса.

Lindy планирование почти не требуется — оно зашито в шаблон. Когда вы выбираете template «Email assistant», структура задачи уже определена: триггер (новое письмо) → классификация → действие (ответить, переслать, создать задачу) → обновление CRM. Агент не строит план с нуля; он выполняет заранее описанные шаги, в которых LLM решает только конкретные мини-задачи (например, «классифицируй это письмо как срочное или нет»). Это даёт предсказуемость в обмен на гибкость — Lindy не справится с задачей, которой нет шаблона, потому что у него нет общего планировщика.

Это классический trade-off: чем больше планирования делает LLM, тем гибче агент и тем меньше он стабилен. AutoGPT даёт больше степеней свободы; Lindy — больше предсказуемости. Для бизнес-процессов второе ценнее; для исследовательских задач — первое.

Если шаг провалился — что делает агент? Откатывается? Пробует другой путь? Или продолжает цикл с той же ошибкой, пока не закончатся токены?

В dossier AutoGPT слабые стороны прописаны прямо: «Classic часто застревает в петлях или отклоняется от задачи». Это и есть проблема self-correction в чистом виде. Recursive loop в AutoGPT означает, что после каждого шага вызывается LLM для оценки результата, но качество оценки зависит от того, как сформулирован промпт и как агент описывает себе текущее состояние. На практике AutoGPT может зациклиться: попытаться открыть страницу, получить ошибку 404, попробовать ту же страницу ещё раз, снова 404, и продолжать до исчерпания бюджета. Pluggable архитектура позволяет встроить кастомную логику обработки ошибок, но это требует работы разработчика, а не идёт из коробки.

Lindy подходит к self-correction иначе — через эскалацию. Если агент не уверен в ответе или не нашёл данных в базе знаний, он передаёт задачу человеку: уведомление в Slack, письмо менеджеру, помечает тикет как «нужно ручное вмешательство». Из dossier-секции 4.2: «Если агент не уверен — escalates к человеку». Это значит, что Lindy не пытается героически довести задачу до конца любой ценой; он умеет признать, что не справился. Для production-сценариев — например, корпоративной службы поддержки — это надёжнее, чем агент, который пытается импровизировать на сложном клиенте.

Парадокс: Lindy «менее автономен», но именно поэтому его self-correction надёжнее — он точнее знает, когда отступить. AutoGPT гордо пытается решить задачу сам и иногда тонет в собственном цикле.

Здесь Lindy в своей стихии: вся платформа спроектирована вокруг бизнес-интеграций. AutoGPT же требует, чтобы разработчик подключил всё сам.

Lindy из коробки умеет: Gmail, Outlook (чтение, классификация, отправка писем), Google Calendar и Outlook Calendar (планирование встреч), Zoom и Google Meet (транскрипция и summary встреч), HubSpot и Salesforce (создание сделок, обновление записей), Slack и WhatsApp Business (сообщения), Notion / Linear / Asana (задачи), Zapier + кастомные webhooks. Список из dossier-секции 5 — это набор активных коннекторов, которые работают через OAuth и поддерживаются командой Lindy. Шаблоны категории «email assistant», «meeting notetaker + CRM», «lead qualification», «customer support» — готовы к запуску за минуты. Это и есть основная ценность платформы.

AutoGPT в стандартной поставке подключает только базовый набор: файловая система, поиск в интернете, браузер, выполнение кода. Чтобы агент работал с Gmail или HubSpot, разработчик пишет плагин или использует существующий из community-репозитория. Плагин-система в dossier-секции 4.2 описана как «расширяемая архитектура», но не как «готовые надёжные коннекторы». Качество и поддержка плагинов сильно варьируются — это open-source, кто-то поддерживает свой плагин годами, кто-то бросил его после пары месяцев. Если ваша команда готова инвестировать в собственные интеграции — AutoGPT даёт полный контроль. Если хочется работающие коннекторы здесь и сейчас — Lindy выигрывает в любую погоду.

В этом параметре Lindy — лидер пары без оговорок. Email-first философия с deep Gmail/Outlook интеграцией — главное достоинство сервиса по dossier-разделу 4.3. AutoGPT же ставит на DIY и архитектурную гибкость, а готовых коннекторов в нём почти нет.

Для русскоязычной аудитории качество работы на родном языке — фильтр. Если агент пишет письма с акцентом или переключается на английский в середине задачи — он не годится для российской команды.

AutoGPT в этом плане честнее — он не имеет «собственного» русского, потому что качество полностью зависит от выбранной пользователем LLM. В dossier-секции 7 явно сказано: «качество русского зависит от выбранной базовой LLM; GPT-4o и Claude — хорошее качество на русском». То есть если разработчик подключил OpenAI с GPT-4o или Anthropic с Claude, агент будет говорить на русском так же, как эти модели — то есть на уровне, который для большинства задач достаточен. Если же подключена слабая модель, русский провалится. Плюс: пользователь контролирует выбор. Минус: ответственность за выбор тоже на пользователе.

Lindy в dossier-секции 7 описан более скромно: «может работать на русском через базовые LLM-возможности, но не оптимизирован под русскоязычные сценарии». Интерфейс платформы — только английский, шаблоны написаны под англоязычные сценарии (английские формулировки писем, английские названия CRM-полей). LLM под капотом — GPT-4o и Claude, поэтому понимание русского у моделей есть, но шаблоны email-assistant писались под американский деловой стиль, и переучивать их под русскоязычную деловую переписку — отдельная работа. Для аудитории AIRatings это значит: Lindy придётся настраивать под русский вручную через кастомные шаблоны и Knowledge Base на русском.

На русскоязычные сайты AutoGPT через Selenium/Playwright заходит и читает текст так же, как на любые другие — DOM-парсинг от языка не зависит. Lindy же не работает с русскоязычными корпоративными сайтами вне набора интеграций, потому что у него нет browser-use вообще.

Финансовая модель у двух сервисов настолько разная, что прямое сравнение «$0 vs $49.99» не отвечает на главный вопрос — сколько вы реально заплатите за год использования.

AutoGPT Classic стоит $0 — MIT-лицензия, бесплатно forever. Но это цена самого фреймворка; реальная стоимость владения складывается из API-вызовов OpenAI или Anthropic. Из dossier-секции 6: «на GPT-4 — несколько долларов за сложную задачу». Если запускать AutoGPT раз в день для исследовательской задачи и брать средние 3–5 долларов за прогон, получается 90–150 долларов в месяц только на токенах — это уже больше Lindy Pro. AutoGPT Platform (hosted) использует credits-based модель, но dossier фиксирует data gap по актуальным ценам: команда меняла тарифы в течение beta, точных чисел на август 2025 нет.

Lindy предлагает прозрачный тариф-лист: Free с ограниченным числом задач (точный лимит в dossier помечен как data gap), Pro за $49.99 в месяц (по dossier-секции 3.2 цена ориентировочная и могла измениться), Business / Teams от $99 в месяц, Enterprise по запросу. За год Pro выходит примерно 600 долларов; Business — от 1188 долларов. К этому добавляется проблема credits-burn — в dossier-секции 9 пользователи отмечают: «pricing непрозрачен, credits расходуются быстрее, чем ожидалось». То есть номинальная цена тарифа — не финальная: на сложных задачах вы можете упереться в лимит и докупать credits.

Парадокс: «бесплатный» AutoGPT может оказаться дороже Lindy Pro при интенсивном использовании на GPT-4. И наоборот: при редких запусках AutoGPT с дешёвой моделью почти бесплатен. Lindy предсказуемее по бюджету, но «непрозрачные credits» могут испортить картину.

Free-тариф — лучший способ оценить агента до покупки. У AutoGPT и Lindy концепции «бесплатно» разные по сути.

AutoGPT Classic — это MIT-лицензия, $0 за фреймворк навсегда. Вы клонируете репозиторий, запускаете локально, плюс докупаете API-токены OpenAI или Anthropic. Никаких лимитов на число задач, число агентов, число дней использования. Если у вас уже есть API-ключ для других проектов, AutoGPT добавляется к нему без отдельной подписки. Это и есть смысл open-source: бесплатно навсегда, ограничения — только в вашей инфраструктуре и токенном бюджете.

Lindy Free — это классический freemium с лимитом задач в месяц. По dossier-секции 3.1: «ограниченное число задач (tasks/runs); несколько предустановленных Lindy-шаблонов». Точный лимит помечен как data gap — команда не публикует фиксированную цифру, она менялась за время beta. Free-тариф позволяет попробовать платформу — настроить простой email-агент, подключить Gmail, посмотреть, как работает meeting notetaker. Но в production его использовать не получится: лимита не хватит для регулярной обработки даже маленького потока входящих писем. Free здесь — пробник, а не «бесплатно навсегда».

Если ваш приоритет — бесплатно навсегда без оговорок, AutoGPT в этом параметре — лидер пары. Но «бесплатно навсегда» работает только при наличии собственной инфраструктуры и Python-навыков для запуска.

Если вы строите собственный продукт поверх агента — нужен API. Здесь у AutoGPT и Lindy разные категории «доступности».

AutoGPT по своей природе — это код. Вы импортируете модули, расширяете классы, переопределяете методы. Это «API» в смысле полного программного контроля: всё, что делает агент, — вызовы Python-функций. Если вам нужен REST-эндпоинт — вы оборачиваете AutoGPT во Flask или FastAPI и получаете его за пару часов. Rate limits отсутствуют, потому что вы — оператор инфраструктуры. Webhook-поддержка — пишется руками, но архитектура plugin-системы из dossier-секции 2.3 позволяет встроить кастомные триггеры. MCP-совместимость в dossier явно не зафиксирована — это data gap, и без подтверждения от команды ставить «MCP поддерживается» в плюсы запрещено правилами no-fabrication.

Lindy в dossier-секции 12 имеет прямо записанную слабость: «нет API для разработчиков. Нельзя строить собственные продукты на Lindy». Это значит, что Lindy — это конечный продукт для бизнес-пользователя, а не платформа для других продуктов. Есть webhook-поддержка для запуска агентов и Zapier-интеграция для связки с внешними сервисами, но полноценного REST API с программным управлением Lindy-инстансами на август 2025 платформа не предлагает. Если вы планируете встраивать функциональность Lindy в свой SaaS — это блокер, для такой задачи берите Zapier API или собирайте через AutoGPT.

В то же время Lindy предсказуемее для пользователя-непрограммиста: webhook-поддержка достаточно для большинства SMB-сценариев (запустить агента по событию из CRM), и от вас не требуется поднимать сервер.

Аудитория AIRatings — преимущественно российские специалисты. Если сервис заблокирован по IP или не принимает Mir — для нашего читателя это сильный аргумент против.

AutoGPT в плане доступа из РФ — оптимальный вариант среди ai-agents. Поскольку это open-source-код, его можно клонировать с GitHub без VPN (хотя для надёжного доступа к репозиторию в 2024–2025 годах в РФ многие используют зеркала или VPN — это вопрос политики GitHub, не AutoGPT). Запускается локально на любом компьютере; данные никуда не уходят, кроме выбранного API-провайдера. Главное препятствие — оплата API OpenAI или Anthropic с российских карт: ни одна из этих платформ не принимает Mir или карты российских банков. Решается через прокси-сервисы (vsegpt.ru, ProxyAPI и аналоги) или зарубежную карту. Russian payment — это не проблема AutoGPT, это проблема выбранной LLM.

Lindy сложнее. Прямой доступ без VPN — по dossier-секции 7 «неизвестно, сервис американский, могут быть ограничения» (data gap по точному статусу geo-blocking). Оплата российскими картами — нет, потому что Lindy использует Stripe, который не работает с российскими картами с 2022 года. Интерфейс — только английский, что для русскоязычной SMB-команды добавляет фрикции при онбординге сотрудников. Качество русского, как обсуждалось в подтеме F8, средненькое — не оптимизирован под русскоязычные сценарии. Совокупность этих факторов делает Lindy довольно проблемным выбором для российской команды без зарубежной структуры.

Для разработчика из России AutoGPT — практичный выбор, потому что проблема оплаты решается на уровне выбора LLM-провайдера, а сам фреймворк ни от кого не зависит. Для российского SMB Lindy в нынешней конфигурации — почти недоступен без зарубежной карты и без переноса юрлица.

Агент, который выполняет код или управляет файлами, — это потенциальный риск. Важно понимать, что произойдёт, если он соберётся удалить нужное.

AutoGPT Classic запускается там, где его поставил пользователь — на локальной машине или сервере. По умолчанию никакого sandbox нет: если агент решает удалить файл, он удалит файл в текущей рабочей директории. Это и плюс (полный контроль), и минус (легко выстрелить себе в ногу). Лучшая практика — запускать AutoGPT в Docker-контейнере с ограниченными правами или на отдельной виртуальной машине. Этот подход не встроен в фреймворк; разработчик настраивает его сам, опираясь на стандартные DevOps-инструменты. Логирование действий есть — каждый шаг агента пишется в лог, что позволяет постфактум разобрать, что произошло, если что-то пошло не так.

Lindy выполняется в облачной инфраструктуре Lindy — пользователь не видит, где именно. Это даёт изоляцию от вашей локальной системы: Lindy не удалит ваши локальные файлы, не выполнит произвольный код на вашем компьютере. Но взамен Lindy имеет доступ к вашему Gmail, HubSpot, Salesforce через OAuth — то есть может прислать письмо от вашего имени или создать сделку в CRM. Что произойдёт, если агент ошибётся в письме? Lindy сделает то, что запрограммирован сделать. Откат для отправленных писем невозможен — это вопрос фундаментальный. Logging есть, escalation есть, simulation/testing помогают отловить проблемы до прода.

«Безопаснее» здесь не имеет однозначного ответа — оба сервиса опасны по-разному. AutoGPT может выполнить деструктивный shell-вызов, Lindy может отправить ошибочное письмо клиенту. Выбор зависит от того, какие риски в вашем сценарии страшнее.

Где живёт ваша рабочая экосистема — там должен жить и агент. Иначе он не получит контекста и не выполнит задачу.

Lindy в этой подтеме — лидер пары. Из dossier-секции 5: Gmail, Outlook, Google Calendar, Outlook Calendar, Zoom, Google Meet, HubSpot, Salesforce, Slack, WhatsApp Business, Notion, Linear, Asana, Zapier и webhooks. Это покрытие ровно того набора, который используется в среднем американском SMB. Особенно сильно реализовано покрытие Google Workspace: Lindy не просто отправляет письмо через Gmail API, а читает входящий поток, классифицирует, отвечает в потоке, обновляет Calendar при назначении встречи. Покрытие Microsoft 365 чуть скромнее (Outlook + Calendar), но рабочее.

AutoGPT по умолчанию работает с Google Custom Search для поиска и Selenium / Playwright для браузера; интеграции с Workspace, Notion, Slack — через плагины из community-репозитория. Из dossier-секции 5: «Twitter, GitHub, и другие (через plugin system)». Плагины существуют, но их качество и поддержка сильно варьируются — это типичная ситуация для open-source-экосистемы, где коммерческой ответственности за работоспособность плагина никто не несёт. Для команды, готовой инвестировать в собственный плагин или адаптацию существующего, AutoGPT даёт всю свободу, но «из коробки» здесь конкуренция с Lindy проиграна.

Этот параметр прямо отражает разницу в позиционировании: Lindy продаёт время-до-результата, AutoGPT продаёт контроль.

Если агент читает корпоративную почту и работает с CRM — вопрос «где живут данные и кто их видит» становится решающим.

AutoGPT в self-hosted сценарии — это максимальная приватность из возможных. Данные не уходят никуда, кроме выбранного вами API-провайдера (OpenAI или Anthropic), и попадают к ним только в виде промптов. По dossier-секции 8: «open-source Classic — максимальная приватность; данные идут только в API-провайдеры по их политике». MIT-лицензия позволяет использовать коммерчески, форкать, менять. SOC2 / GDPR / 152-ФЗ относятся не к AutoGPT, а к вашей собственной инфраструктуре — вы отвечаете за compliance того, что построили. Для команды с готовым ISMS это плюс; для команды без — дополнительная ответственность.

Lindy в dossier-секции 8 описана осторожнее: SOC 2 «декларируется для Enterprise» (data gap по точному сертификационному статусу). Данные хранятся на инфраструктуре Lindy в США. Доступ к Gmail/Outlook через OAuth — Lindy читает письма на своих серверах. Политика обучения на данных «не публично подтверждена» (data gap). По правилам no-fabrication мы не подставляем формулировку «данные не используются для обучения» — ставим 5/10 за непрозрачность compliance (см. §17 SKILL.md). Для enterprise-команды с требованиями DPA, SOC 2 Type II, GDPR-аудита Lindy на текущем уровне раскрытия — рискованный выбор без отдельной юридической проверки.

Для регулируемой индустрии — банк, медицина, госсектор — выбор очевиден: либо self-hosted AutoGPT с собственной инфраструктурой и compliance-аудитом, либо ждать, когда Lindy опубликует полный отчёт SOC 2 Type II.

Покупая подписку или закладывая агента в pipeline, стоит спросить: будет ли этот сервис существовать через два года?

Significant Gravitas Ltd, компания-разработчик AutoGPT, по dossier-секции 1 — небольшая, основанная Toran Bruce Richards в Великобритании. Точные финансовые данные не публикуются; основной актив — комьюнити вокруг 170 000+ GitHub stars (один из самых звёздных AI-репозиториев в истории). Темп разработки, по dossier-секции 12, замедлился по сравнению с хорошо финансируемыми конкурентами. Зато сам код останется доступен под MIT навсегда, даже если команда распустится: open-source не умирает вместе с компанией, его всегда можно форкнуть. Для долгосрочной стабильности это сильный аргумент.

Lindy AI, Inc. по dossier-секции 1 — венчурный стартап из Сан-Франциско, основанный в 2023 году, публичный launch — 2024. Суммы раундов финансирования помечены как data gap; точная сумма не публиковалась. Команда фокусируется на multi-agent collaboration и enterprise-рынке в 2025 году. Риск типичный для венчурного SaaS: если раунды кончатся раньше, чем удастся выйти на прибыльность, продукт может быть свёрнут или продан с переходом политики. Для SMB-клиента, который зашит на Lindy в email-процессах, такой исход означает миграцию workflow на другую платформу.

Парадокс баллов: и тот, и другой получают «среднюю» оценку, но по разным причинам. AutoGPT — медленнее развивается, но не исчезнет. Lindy — быстрее развивается, но может схлопнуться. Выберите риск, который вам ближе.

Финальный ориентир — портреты пользователей. Не «у кого что лучше», а кому конкретно какой сервис экономит больше времени.

AutoGPT — для разработчика или технически грамотного специалиста, которому нужен бесплатный self-hosted агент с полным контролем. Из dossier-секции 13: «идеальный пользователь — разработчик, исследователь, изучающий AI agents». Сюда же — преподаватель, который показывает студентам, как работают autonomous agents под капотом. Сюда же — продуктовая команда, прототипирующая собственного агента под нишевую задачу: проще взять AutoGPT и допилить, чем строить с нуля на LangChain. Не подходит AutoGPT для пользователя без Python-навыков; для команды без DevOps-ресурса; для production-задачи, которая не может позволить себе «зависание в петле».

Lindy — для SMB или стартапа, которым нужно автоматизировать email, CRM и meetings без найма дополнительного сотрудника. Из dossier-секции 13: «не технические основатели и менеджеры». Это owner-operator малого бизнеса в США, у которого 100–500 входящих писем в неделю и нет времени на ручную обработку. Это sales-команда в стартапе, которой нужно классифицировать лиды и заполнять HubSpot. Это менеджер консалтинга, который хочет автоматизировать заметки из Zoom-встреч с клиентами. Не подходит Lindy для тех, кому нужен browser-agent или coding-agent; для российской команды без зарубежной карты; для проектов, требующих API-интеграции в собственный продукт.