Технический контекст
Я тут скорее заземлю обсуждение, потому что в исходной переписке мелькает «5.5 Pro», а такой официальной модели у Anthropic нет. Если опираться на публичные релизы и нормальные бенчмарки, сравнивать сейчас имеет смысл Fable 5 и Opus 4.8.
И вот тут начинается самое интересное для AI automation и нормальной AI integration в разработке. По живому опыту люди уже видят, что Fable может выкопать баг, который другая модель не нашла даже за долгий прогон. Но на тех же вводных Opus иногда замечает ракурсы, которые Fable просто не поднимает.
Я такие расхождения люблю больше любых маркетинговых табличек. Они обычно означают не «одна модель умнее», а что у моделей разный профиль внимания: одна лучше дожимает конкретную ошибку, другая сильнее в боковых гипотезах, архитектурных подозрениях и исследовательском обзоре.
Если смотреть на открытые данные по code review, Opus 4.8 пока выглядит ровнее по точности замечаний. Fable 5, наоборот, часто разговорчивее и агрессивнее в комментариях, но не всегда попадает так же чисто. При этом отдельные реальные кейсы, где Fable находит пропущенный баг, я бы не списывал: в проде именно такие аномалии и решают судьбу релиза.
Отделький маркер мне понравился: у одного пользователя Codex Reviewer bot стал заметно меньше ругаться на PR, который сделал Fable. Это не академическое доказательство, но хороший практический сигнал, что Fable может писать более «приемлемые» изменения для следующего слоя автоматической проверки.
Влияние на бизнес и автоматизацию
Если я собираю пайплайн для команды, я бы не ставил вопрос «кто умнее». Я бы ставил вопрос «на каком этапе кто полезнее».
Opus 4.8 сейчас логичнее держать как более аккуратный слой для code review и проверки гипотез. Fable 5 я бы давал туда, где нужен длинный контекст: рефакторинг, многосоставные PR, исследовательские прогоны, черновая AI solution development под сложный внутренний процесс.
Проигрывают здесь те, кто выбирает одну модель «на всё». Выигрывают команды, которые строят связку из ролей, а не культ одной кнопки. Мы в Nahornyi AI Lab как раз решаем такие штуки для клиентов: не просто подключаем модель, а собираем рабочую AI architecture под реальные узкие места команды.
Если у вас PR висят сутками, ревью шумное, а баги всё равно проскакивают, давайте разложим ваш процесс по шагам. Иногда достаточно правильно распределить роли между моделями, а иногда уже стоит build AI automation под ваш стек, и это как раз тот случай, где Nahornyi AI Lab может помочь без лишней магии и с понятным результатом.