Технічний контекст
Я зацікавився цією історією не через галас, а тому що такі збої одразу б'ють по AI-автоматизації, особливо якщо Codex CLI у вас сидить у локальних пайплайнах або CI/CD. І тут моє питання не до моделі, а до обв'язки: OpenAI не робила явного визнання тотальної поломки, але за фактом workflows у людей посипалися після 5.6.
Я переглянув те, що підтверджує спільнота. Картина неприємна, але не містична: на Linux у частини команд GPT-5.6 працює нестабільно або не запускається взагалі, на Windows оновлення впирається в права доступу, а інтерактивний picker моделей місцями не показує GPT-5.6, хоча запуск через прапор проходить.
Тобто проблема виглядає не як «все померло», а як суміш регресій по платформах, sandbox-обмежень і старого кешу. Ось чому в одного розробника все злітає на macOS, а в іншого на Linux той самий сценарій падає без чіткого пояснення.
З практичних обходів зараз бачу три найкорисніші. Перший: перевстановити CLI вручну, наприклад через npm, якщо автооновлення застрягло. Другий: вбити app-server і очистити models_cache.json. Третій: не чекати picker, а смикати потрібну модель напряму через -m gpt-5.6-sol.
Ще я б одразу вмикав детальні логи й окремо перевіряв права на каталоги, особливо якщо у вас Full Auto режим або організаційний акаунт з нетривіальною авторизацією. Такі штуки часто маскуються під «модель зламалася», хоча насправді відвалилася AI-інтеграція на рівні оточення.
Що це змінює для бізнесу та автоматизації
Якщо Codex CLI вбудований у продовий процес, головний висновок простий: не можна прив'язувати критичний потік до автооновлення без піннінгу за версією. Одне оновлення — і команда втрачає години не на розробку, а на розкопки оточення.
Виграють ті, у кого є ізоляція версій, fallback-сценарій і окрема перевірка CLI після апдейту. Програють команди, де AI-впровадження зроблено «на довірі», без тестового контуру і без спостережуваності.
Я такі вузькі місця регулярно бачу в клієнтських процесах: сам інструмент може бути потужним, але слабка AI-архітектура навколо нього все псує. У Nahornyi AI Lab ми саме розбираємо такі вузли, щоб автоматизація з AI не руйнувалася від одного апдейту. Якщо у вас схожа історія, можна спокійно подивитися ваш workflow і зібрати нормальну схему з резервом, логами й передбачуваним оновленням, а не жити в режимі «вранці все працювало, ввечері ні».