Технічний контекст
Я розібрався в тому, що зараз обговорюють навколо Claude Fable 5, і найважливіше тут не хайп, а передбачуваність. Якщо я будую AI-автоматизацію для команди розробки, мені потрібно розуміти, коли модель вирішує завдання самостійно, а коли раптово перекидає запит в Opus.
За доступними даними, Fable 5 дійсно має вбудовані guardrails і механізм fallback. Але офіційний зміст цієї маршрутизації інший: не «аналіз реального сайту», а перевірка ризикованих запитів, у першу чергу навколо кібербезпеки, біології та distillation-сценаріїв.
І ось тут починається дратівлива частина. У живому використанні люди бачать, що достатньо згадати реальний сайт або дати завдання з зовнішнім контекстом, і поведінка вже здається нестабільною: модель може стати обережнішою, повільнішою або взагалі направити запит в Opus.
Я такі речі не люблю з простої причини: архітектура перестає бути прозорою. Коли у мене в пайплайні є агент, який повинен стабільно розбирати інтерфейс, документацію або кодову базу, будь-яке приховане перемикання моделі ламає очікування щодо якості, latency і вартості.
З ціною теж не все мило. У контексті Fable 5 згадується тариф близько $10 за мільйон вхідних токенів і $50 за мільйон вихідних, тобто це не іграшка для безконтрольних прогонів. А якщо частина завдань ще й іде в Opus для додаткової оцінки, рахувати юніт-економіку доводиться вже не на око, а нормально.
Щодо GPT-5.6, я б тут взагалі не будував планів. На сьогодні немає чіткого підтвердження, що реліз справді ось-ось станеться, тож приймати архітектурні рішення на основі твіттер-натяків я б не став.
Вплив на бізнес та автоматизацію
Виграють команди, яким важлива безпека за замовчуванням. Програють ті, хто очікує від coding-асистента жорстко стабільної поведінки на реальних бойових завданнях, особливо у фронтенді та агентних сценаріях.
На практиці я бачу три наслідки. Перше: потрібно проектувати AI integration так, ніби fallback станеться в будь-який момент. Друге: не можна обіцяти команді фіксовану швидкість і ціну без реальних тестів. Третє: фронтенд і customer-facing продукт все ще впираються не лише в код, а й у смак, QA та людську перевірку.
Ми в Nahornyi AI Lab якраз такі вузькі місця і розбираємо: де модель реально економить години, а де створює ілюзію автоматизації. Якщо у вас назріла AI solution development для розробки, сапорту або внутрішніх агентів, можна спокійно розкласти ваш процес по кроках і зібрати систему без сюрпризів, а не на вірі в черговий гучний реліз.