Останні три тижні були одними з найпоказовіших у моїй роботі над програмним забезпеченням за допомогою ШІ.
Claude Fable повернувся на сцену, і за той самий період OpenAI випустила GPT‑5.6 із Sol, Terra та Luna. Сигнал ринку був очевидним: передові лабораторії більше не випускають ізольовані прориви, а скоріше скорочують розрив між продуктивністю, ціновими категоріями та частотою релізів. Anthropic тепер продає Fable 5 як свою топову модель для довгострокових завдань приблизно вдвічі дорожче за Opus 5, тоді як OpenAI позиціонує GPT‑5.6 як сімейство, що масштабується від флагманської потужності до економічніших рішень. xAI, своєю чергою, встановлює ціну на Grok 4.5 настільки агресивно, що її доводиться серйозно враховувати в будь-якому обговоренні співвідношення ціни та продуктивності.
І все ж найважливіше, що я дізнався за ці тижні, майже не стосувалося сторінок запуску чи слайдів із тестами.
Справжнім проривом у моєму середовищі стала підготовка.
У нас були готові історії. Ми розбили роботу на частини, які могли реально виконувати агентизовані системи кодування. Коли ця черга з'явилася, пропускна здатність стала абсурдною. За допомогою Codex, Claude, Cursor, Grok та інших інструментів у робочому процесі було написано понад 2 мільйони рядків коду приблизно за десять днів. Це число звучить як перебільшення, доки не побачиш, що зробило це можливим: не магія, не абстрактна автономія, а стабільний потік обмежених завдань із достатньою структурою, щоб моделі могли продовжувати рух.
Ось перше, що досі пропускають надто багато людей. Вибух продуктивності відбувається не тому, що моделі раптом стали самостійними інженерами. Це відбувається тому, що люди підготували поле бою.
Друге, що я дізнався, — це те, що помилки з'являються швидше при масштабуванні, ніж маркетинг коли-небудь визнає.
Codex — гарний приклад. Власні матеріали OpenAI про довгострокову роботу чітко вказують, що довготривалі потоки мають компроміс: безперервність корисна, але тривалі потоки можуть стати дорожчими та складнішими в управлінні, ніж початок заново. Функція Goals призначена саме для того, щоб утримувати потік у межах певної мети, а не перетворювати кожне складне завдання на безкінечний запит. На практиці це збігається з тим, що я бачив. Якщо процес триває надто довго, найкращим рішенням часто буває зупинити його, попросити чітку передачу, перезапустити сесію та продовжити з новою метою. Це не просто зручність. Це часто операційна гігієна.
Існує також більш конкретна проблема Codex, яка тепер має видимий публічний слід: вибухи підагентів та локального стану.
Відкритий issue #34061 документує випадок, коли відновлений батьківський потік створив тисячі дочірніх JSONL-логів і сотні гігабайтів збереженої історії сесії. Інший issue прямо попереджає, що fork_context=true може спричинити копіювання великих історій батьківського потоку в дочірні агенти, посилюючи як ризик коректності, так і витрату токенів. Ще один публічний звіт показує, що холодні запуски Codex деградують до 1–5-хвилинних очікувань, коли ~/.codex накопичує великі SQLite-логи та стан сесії. Разом ці звіти описують режим збою, який багато досвідчених користувачів одразу впізнають: як тільки локальний шар метаданих стає завеликим, збереження сесії перетворюється на серйозну частину досвіду використання продукту.
Це важливо, тому що багатоагентне кодування завжди виглядає краще в демо, ніж на напруженій робочій машині.
Обіцянка зрозуміла. Документація OpenAI про багатоагентність описує, чому паралельні підагенти можуть прискорити незалежні робочі потоки, і ця обіцянка реальна. Але та ж документація попереджає, що підагенти збільшують використання токенів і можуть не підходити для завдань, що передбачають часті записи до спільного змінюваного стану. Рекомендації щодо паралельних агентів на ChatGPT Learn ще більш конкретні: починайте з робіт, орієнтованих на читання, таких як дослідження, тести, сортування та підсумовування; будьте обережнішими з потоками, орієнтованими на запис, оскільки конфлікти та накладні витрати на координацію швидко зростають. Це попередження не теоретичне. Кожен, хто бачив, як флот агентів одночасно кидається на повний набір тестів, точно знає, що це означає.
У моїй власній системі це тепер одна з визначальних операційних проблем цілої категорії.
Проблема не в тому, чи достатньо розумні моделі для паралелізації. Очевидно, що так. Проблема в тому, що їм все ще потрібні значно кращі межі оркестрації, тому що "бути достатньо розумним, щоб делегувати" — це не те саме, що "бути достатньо розумним, щоб зберігати працездатність машини, локальні пріоритети та фінансову дисципліну в умовах конкуренції".
Та сама невідповідність проявляється і в ціноутворенні.
Cursor добре ілюструє цю проблему. Його поточне ціноутворення прозоре: є два місячні пули використання — один для власних моделей Cursor, інший для сторонніх "Other Models". Воно також показує, що Auto — це не єдине поняття. Auto Cost використовує фіксовану ціну за токени, але Balance та Intelligence виставляють рахунок за тарифом маршрутизованої моделі, і маршрутизатор може вибирати між моделями, такими як Composer, GPT‑5.6, Claude або Grok. Для людей, які час від часу виконують інтерактивну роботу, така гнучкість приваблива. Для інтенсивних промислових навантажень це може стати пасткою. Місячний преміум-бюджет може зникнути за кілька дуже продуктивних днів.
Я перевірив саме цей режим збою в одному сценарії з інтенсивним рев'ю.
Один проєкт додав приблизно 500 000 нових рядків коду. Наша система рев'ю виявила близько 1500 проблем у цьому масиві, включаючи дублікати та хибнопозитивні результати. Cursor CLI отримав завдання розібратися з ними. Об'єми сирих токенів були величезними. Результат був корисним. Але економіка не підходила для мого випадку. Коли інтенсивна робота з рев'ю та виправленнями може вичерпати місячний ліміт за тиждень, інструмент може бути хорошим, але підписка втрачає сенс.
Ця напруга тепер всюди.
Claude все ще є системою, з якою мені найприємніше працювати. Але це також та, яка змушує мене найбільше усвідомлювати витрати. Codex, особливо в ширшій екосистемі GPT‑5.6, часто може забезпечити значно більшу пропускну здатність, ніж визнають його критики. Grok 4.5 — не жарт; його публічне ціноутворення та позиціонування роблять його серйозним конкурентом. Власне ціноутворення Anthropic робить компроміс між Fable та Opus настільки очевидним, що майже пише редакційну статтю за вас: передова продуктивність є, але так само є і рахунок.
І тоді є найскладніша проблема з усіх, яку жоден запуск не вирішує насправді.
У майже всіх передових моделей кодування, які я використовую, все ще існує дратівливий розрив між недостатньою потужністю та надмірною складністю.
Вибір надто часто стоїть між моделлю, яка недостатньо думає, і тією, яка думає надто багато для поставленого завдання. Власні рекомендації Anthropic для Fable 5 фактично це визнають. Вони кажуть, що вищі зусилля можуть призвести до надмірного планування, рутинна робота може виграти від нижчих зусиль, а короткі інструкції часто перевершують роздутий каркас. OpenAI каже щось подібне у своїх рекомендаціях для GPT‑5.6: при міграції з попередніх моделей почніть з того самого рівня міркувань, а потім протестуйте на один рівень нижче, оскільки новіші моделі часто можуть зберегти або покращити якість з меншою кількістю токенів. Це технічний спосіб сказати те саме, що багато хто з нас виявляє емпірично: регулятор зусиль все ще надто легко перекрутити.
Можливо, частково це все ще наша вина.
Можливо, файли інструкцій занадто довгі. Можливо, деякі каркаси тепер борються з моделями, а не допомагають їм. Ця теорія принаймні узгоджується з власними рекомендаціями Anthropic щодо інженерії контексту, які кажуть, що контекст має бути інформативним, але стислим. Існує реальна ймовірність, що деякі ускладнення, які ми звинувачуємо моделі, посилюються розрослою інфраструктурою запитів.
Але навіть з урахуванням цього, ширший висновок залишається незмінним.
Моделі роблять менше очевидних помилок, ніж раніше. Але помилки, які вони все ще роблять, часто є більш небезпечними саме тому, що їх важче помітити. Вони ховаються всередині коду, який інакше виглядає відшліфованим, продуманим і професійним. Чим краще виглядає реалізація на відстані, тим більш підозрілим я навчився бути.
Ось чому я залишаюся скептичним щодо поточної хвилі тріумфалізму в кодуванні зі ШІ.
Я розумію, звідки береться галас. Якщо ви не жили всередині цих систем щодня, сама пропускна здатність може здаватися дивом. І деяка її частина справді є такою. Але щоденне практичне використання також розкриває інший бік: невизначеність виставлення рахунків, збої оркестрації, крихкість довгих сесій, схильність до поверхового спрощення або складного надмірного проектування, а також постійну потребу в людському пакуванні, рев'ю та судженні.
Ми все ще дуже далекі від ідеального світу кодування з LLM.
Галас не зовсім помилковий. Але він все ще набагато менш чесний, ніж операційна реальність.
