Технічний контекст
Я покопався в обговореннях і формулюваннях OpenAI, бо там легко заплутатися на рівному місці. Суть така: звичайний чат ChatGPT не витрачає ліміт agentic usage, а Codex, Work та схожі агентні сценарії знаходяться в загальному agentic-пулі.
Для тих, хто будує AI-автоматизацію або хоча б рахує, у що впреться команда через тиждень, це не дрібниця. Якщо я просто переписуюсь у вебі, це один режим. Якщо запускаю агентний workflow із reasoning, це вже інший лічильник.
Ось тут починається неприємний нюанс. Thinking-модель у стандартному chat-режимі зазвичай не вмикається, тобто формально чат-ліміт не витрачається, але й той рівень міркування, заради якого багато хто взагалі йде в Codex або Work, я там не отримую.
Саме тому в людей виникає відчуття, що «чат майже безкоштовний», а корисна важка робота чомусь швидко впирається в обмеження. У вебі ще можна зустріти перемикачі та різний UI, а на мобільному частина опцій узагалі може не відображатися, що тільки додає хаосу.
Якщо спростити до практики, картина така:
- звичайні повідомлення в ChatGPT не витрачають agentic pool;
- Codex, ChatGPT Work та інші агентні фічі витрачають загальний agentic-ліміт;
- обмеження рахується не лише повідомленнями, а часом/глибиною reasoning у вікні ліміту;
- у chat-режимі доступ до thinking-моделі обмежений або відсутній.
Я б не покладався на інтуїцію щодо інтерфейсу. Тут важливіше не те, де стоїть тумблер, а який саме workflow запускається під капотом.
Вплив на бізнес і автоматизацію
Для бізнесу висновок дуже приземлений. Якщо команда тестує AI integration через звичайний чат, вона може недооцінити майбутні витрати й потім здивуватися, чому продовий агент зжирає ліміти в рази швидше.
Виграють ті, хто одразу розводить сценарії: швидкий chat для чернеток, agentic-режим лише там, де реально потрібен reasoning. Програють ті, хто намагається міряти все «за кількістю повідомлень» і не розрізняє архітектуру режиму.
Я в клієнтів регулярно бачу одну й ту саму помилку: пілот здається дешевим, поки люди сидять у чаті, а потім починається нормальна artificial intelligence implementation з агентами, репозиторіями, перевірками, і економіка різко змінюється. У Nahornyi AI Lab ми зазвичай одразу проєктуємо такі workflow так, щоб reasoning витрачався лише на дорогі вузькі місця.
Якщо у вас Codex або Work уже почали несподівано впиратися в ліміти, можна не гадати на Reddit. Краще розібрати ваш сценарій по кроках і зібрати AI solution development без зайвого burning rate. Якщо хочете, я в Nahornyi AI Lab допоможу розкласти це в зрозумілу схему та зібрати робочу автоматизацію без сюрпризів по витратах.