Технічний контекст
Я зацікавився цим кейсом не через драму «згоріли токени», а тому що тут дуже наочно ламається AI automation на цілком земному завданні: зробити сервіс багатомовним. Не дослідження, не величезний рефакторинг, а приблизно 50 статичних сторінок, кілька динамічних інтерфейсів і п’ять мов.
Згідно з описом, зв’язка Claude Code–Fable на medium thinking пішла у fan‑out: підняла близько 20 паралельних агентів, спалила ліміт Max‑тарифу за $100 і не завершила жодної гілки, бо вперлася у 5‑годинне токен‑вікно. Я бачу такі історії регулярно, коли оркестрація виглядає розумнішою за саме завдання.
І ось важлива деталь: це не схоже на «погану модель». Радше це погана AI‑архітектура для цього класу робіт. Локалізація зачіпає спільні словники, роутинг, шаблони, i18n‑ключі, fallback‑логіку та UI‑перевірки – тобто підзавдання сильно пов’язані між собою.
Якщо розкидати таке на купу сабагентів без жорсткого спільного стану, вони почнуть дублювати аналіз, перевідкривати одні й ті самі файли, сперечатися з попередніми змінами та роздувати контекст. Далі вмикається класика: coordination overhead, повторні прогони, інвалідація префіксного кешу та безглузді витрати токенів.
Мені сподобалося, що автор кейсу інтуїтивно пішов у здоровіший бік: заборонив сабагентів і звів управління завданням до одного компактного md‑документа з прогресом. Чесно кажучи, для такого обсягу це часто сильніше за будь-яку «розумну» мультиагентність.
Вплив на бізнес і автоматизацію
Практичний висновок дуже простий. Якщо завдання має спільний контекст і багато залежностей, один потужний агент із нормальним планом часто дешевший і надійніший, ніж рій паралельних виконавців.
Другий момент б’є вже по бюджету. Коли команда вважає, що купівля дорогої моделі автоматично закриває implementation risk, вона отримує не прискорення, а дорогий хаос із красивим інтерфейсом.
Виграють тут ті, хто проєктує AI integration як інженерну систему: дробить роботу за реальними межами стану, обмежує права агентів, рахує токени та тримає зовнішній трекер прогресу. Програють ті, хто дає моделі занадто багато свободи на пов’язаних завданнях і чекає магії.
Ми в Nahornyi AI Lab якраз вирішуємо такі речі на практиці: не просто «підключити ШІ», а зібрати процес так, щоб automation with AI реально економила час, а не з’їдала місячний бюджет за вечір. Якщо у вас схожий workflow буксує на локалізації, сапорті чи внутрішній розробці, можна спокійно розібрати архітектуру та зібрати AI solution development під ваш реальний обсяг роботи, без рою агентів заради рою агентів.