Технический контекст
Я покопался в обсуждении и в формулировках OpenAI, потому что там легко запутаться на ровном месте. Суть такая: обычный ChatGPT chat не ест лимит agentic usage, а вот Codex, Work и похожие агентные сценарии сидят в общем agentic-пуле.
Для тех, кто строит AI automation или хотя бы считает, во что упрется команда через неделю, это не мелочь. Если я просто переписываюсь в вебе, это один режим. Если я запускаю агентный воркфлоу с reasoning, это уже другой счетчик.
Вот где начинается неприятный нюанс. Thinking-модель в стандартном chat-режиме обычно не включается, то есть формально чат лимит не тратит, но и тот уровень рассуждения, ради которого многие вообще идут в Codex или Work, я там не получаю.
Именно поэтому у людей возникает ощущение, что «чат почти как бесплатный», а полезная тяжелая работа почему-то быстро упирается в ограничения. На вебе еще можно встретить переключатели и разный UI, а на мобильном часть опций вообще может не отображаться, что только добавляет хаоса.
Если упростить до практики, картина такая:
- обычные сообщения в ChatGPT не расходуют agentic pool;
- Codex, ChatGPT Work и другие агентные фичи расходуют общий agentic-лимит;
- ограничение считается не только сообщениями, а временем/глубиной reasoning в окне лимита;
- в chat-режиме доступ к thinking-модели ограничен или отсутствует.
Я бы не полагался на интуицию по интерфейсу. Здесь важнее не то, где стоит тумблер, а какой именно workflow запускается под капотом.
Влияние на бизнес и автоматизацию
Для бизнеса вывод очень приземленный. Если команда тестирует AI integration через обычный чат, она может недооценить будущие затраты и потом удивиться, почему продовый агент сжирает лимиты в разы быстрее.
Выигрывают те, кто сразу разводит сценарии: быстрый chat для черновиков, agentic-режим только там, где реально нужен reasoning. Проигрывают те, кто пытается мерить все «по числу сообщений» и не различает архитектуру режима.
Я у клиентов регулярно вижу одну и ту же ошибку: пилот кажется дешевым, пока люди сидят в чате, а потом начинается нормальная artificial intelligence implementation с агентами, репозиториями, проверками, и экономика резко меняется. В Nahornyi AI Lab мы обычно сразу проектируем такие ворклоу так, чтобы reasoning тратился только на дорогие узкие места.
Если у вас Codex или Work уже начали неожиданно упираться в лимиты, можно не гадать по Reddit. Лучше разобрать ваш сценарий по шагам и собрать AI solution development без лишнего burning rate. Если хотите, я в Nahornyi AI Lab помогу разложить это в понятную схему и собрать рабочую автоматизацию без сюрпризов по расходу.