Technical Context
Я дивлюся на цю історію не як на «фічу для гіків», а як на тихий зсув у платформі: користувачі спостерігають, що середовище виконання ChatGPT оновилося і стало контейнерним та мультимовним. У практичних тестах (включно з розбором Саймона Віллісона від 26 січня 2026 року) пісочниця виконує не лише Python, а й Bash, Node.js, Ruby, PHP, Go, Java, Swift, Kotlin, C/C++, і — що особливо чіпляє — Perl. Це не «офіційний реліз», а факт поведінки продукту, який вже впливає на те, що можна автоматизувати.
Як архітектору мені важливі два нюанси. Перший: перехід від «Python-орієнтованого» Code Interpreter до контейнерів, де системні команди та різні рантайми доступні напряму. На практиці це означає, що ChatGPT може виконувати bash-команди без танців із subprocess у Python, ставити пакети звичними менеджерами (pip/npm та аналоги), а також збирати й запускати прості програми на компільованих мовах у межах пісочниці. Другий: з'являється чіткіший розділ між інтерфейсом чату та внутрішнім виконавцем коду — те, що користувачі описують як «будь-який запит летить в агента, він під капотом крутить код».
Термін «агентський режим за замовчуванням» у мобільному застосунку поки що не підтверджений офіційною документацією OpenAI, і я не сприймаю це як встановлений факт. Але я регулярно бачу такі зміни в SaaS: продукт починає «передбачати», що потрібно виконати код, та ініціює запуск частіше й сміливіше, ніж раніше. Для нас, хто будує процеси, важливе не маркетингове формулювання, а спостережувана поведінка: код запускається автоматично при більшій кількості запитів, а користувач отримує результат так, ніби «само зробилося».
Обмеження теж принципові. Пісочниця залишається ізольованою: прямого вихідного інтернету зазвичай немає, але можуть бути проксі-механізми для завантажень/установок. Якщо вірити спостереженням, додалися функції на кшталт container.download для вивантаження файлів. Для бізнесу це означає: можна швидше збирати артефакти (CSV, звіти, бінарники, логи), але одночасно з’являється новий контур контролю — що саме завантажується, звідки та з якими метаданими.
Business & Automation Impact
У моїх проектах із впровадження ШІ вирішальне значення має не «ще одна мова», а те, що платформа стала ближчою до універсального виконавця завдань. Perl тут — маркер: OpenAI (або команда продукту) явно цілиться не тільки в data science, а й у «спадщину» підприємств. У реальному секторі Perl досі живе в білінгах, ETL-скриптах, звітності, телеком-утилітах, адмінках. І якщо ChatGPT може в пісочниці відтворити поведінку легасі-скрипта, це прискорює діагностику, міграцію та написання обгорток.
Хто виграє? Команди, у яких багато різнорідних автоматизацій і які втомилися від зоопарку локальних оточень. Я бачу практичний кейс: інженер дає фрагмент Perl-скрипта, логи та вхідні дані — модель проганяє, реплікує помилку, пропонує патч, а потім збирає «чистий» звіт і віддає файл. За наявності правильних правил знеособлення даних це перетворюється на потужну автоматизацію за допомогою ШІ для підтримки та експлуатації.
Хто програє? Ті, хто сприймає пісочницю як «безпечну магію» і починає згодовувати їй усе підряд. Чим більше автоматичного виконання коду «за замовчуванням», тим вищий ризик, що в процес непомітно потрапить шкідлива логіка (prompt injection через вхідні файли/тексти, підміна інструкцій у «даних», несанкціоновані дії з артефактами). Навіть якщо контейнер ізольований, збитки бувають не лише мережевими: можна зіпсувати результати розрахунків, підсунути невірні звіти керівництву, злити чутливі шматки у вивід, який потім копіюють у тікети та листи.
Я також очікую зміни в архітектурних рішеннях. Раніше ми часто будували так: чат → рекомендація → людина руками виконує скрипт у CI/локально. Тепер природний ланцюжок стає іншим: чат → виконання в пісочниці → готовий артефакт (файл/патч/команда) → людина тільки затверджує. Це різко підвищує швидкість, але вимагає формального шару контролю: політики, журналювання і чітке розділення «інтерактивної пісочниці» та «продакшн-виконання». У Nahornyi AI Lab я зазвичай закладаю двоконтурну модель: пісочниця для прототипу та перевірки гіпотез, а потім — детермінований пайплайн (CI/CD або workflow-рушій) для повторюваного виконання.
Strategic Vision & Deep Dive
Я б не переоцінював Perl як «реванш мови». Я читаю цей сигнал інакше: ChatGPT поступово перетворюють на стандартизований runtime для маленьких автоматизацій, де мова — лише плагін. Якщо це так, то наступний крок — зростання кількості «напівагентських» сценаріїв: модель сама вирішує, коли їй потрібно згенерувати код, коли запустити його, коли сформувати файл, і як упакувати результат.
У моїх впровадженнях найчастіше ламається не модель, а контекст: які дані можна використовувати, які не можна; де джерело істини; як перевіряти результат. Контейнерна мультимовна пісочниця посилює цю проблему: тепер модель може «переконливо» створити будь-який артефакт — від SQL-дампа до бінарника — і це створює ілюзію готовності до продакшену. Тому в архітектурі ШІ-рішень я рекомендую фіксувати три правила: (1) усі входи класифікуються (PII/комерційна таємниця/техдані); (2) усі виходи проходять валідацію (тести, контрольні суми, порівняння з еталонами); (3) пісочниця ніколи не є кінцевою точкою бізнес-процесу — тільки етапом підготовки.
Якщо спостережувана «агентська» поведінка в додатку дійсно стає дефолтом, я очікую сплеск «тіньової автоматизації»: співробітники почнуть закривати завдання без узгодження, тому що інструмент раптово став потужнішим і зручнішим. Для бізнесу правильна відповідь — не заборона, а керована ШІ інтеграція: корпоративні політики, шаблони промптів, контроль джерел даних і зрозумілий шлях із прототипу в промисловий контур.
Хайп тут у слові «агент». Користь — у тому, що контейнери зробили ChatGPT ближчим до універсального інженерного помічника. Пастка — почати довіряти виконанню без дисципліни: чим легше запускати код, тим дорожчі помилки й тим непомітніша підміна результату.
Якщо ви хочете перетворити ці можливості на керовану ШІ автоматизацію, я запрошую обговорити ваш кейс із Nahornyi AI Lab. Напишіть мені — Vadym Nahornyi — і я допоможу спроектувати контури пісочниці, валідації та безпечного виведення в продакшн під ваші дані та регуляторику.