Технічний контекст
Я тут радше заземлю обговорення, бо у вихідному листуванні згадується «5.5 Pro», а такої офіційної моделі в Anthropic немає. Якщо спиратися на публічні релізи та нормальні бенчмарки, порівнювати зараз варто Fable 5 і Opus 4.8.
І ось тут починається найцікавіше для автоматизації з ШІ та нормальної AI-інтеграції в розробці. За живим досвідом люди вже бачать, що Fable може викопати баг, який інша модель не знайшла навіть за довгий прогін. Але на тих самих вхідних даних Opus іноді помічає ракурси, які Fable просто не піднімає.
Я такі розбіжності люблю більше за будь-які маркетингові таблички. Вони зазвичай означають не «одна модель розумніша», а те, що моделі мають різний профіль уваги: одна краще додавлює конкретну помилку, інша сильніша у бічних гіпотезах, архітектурних підозрах і дослідницькому огляді.
Якщо дивитися на відкриті дані щодо ревізії коду, Opus 4.8 поки виглядає рівніше за точністю зауважень. Fable 5, навпаки, часто балакучіший і агресивніший у коментарях, але не завжди влучає так само чисто. Водночас окремі реальні кейси, де Fable знаходить пропущений баг, я б не списував: у проді саме такі аномалії й вирішують долю релізу.
Окремий маркер мені сподобався: в одного користувача бот Codex Reviewer став помітно менше сваритися на PR, який зробив Fable. Це не академічний доказ, але добрий практичний сигнал, що Fable може писати більш «прийнятні» зміни для наступного шару автоматичної перевірки.
Вплив на бізнес і автоматизацію
Якщо я збираю пайплайн для команди, я б не ставив питання «хто розумніший». Я б ставив питання «на якому етапі хто корисніший».
Opus 4.8 зараз логічніше тримати як більш акуратний шар для ревізії коду та перевірки гіпотез. Fable 5 я б давав туди, де потрібен довгий контекст: рефакторинг, багатоскладові PR, дослідницькі прогони, чорнова розробка AI-рішень під складний внутрішній процес.
Програють тут ті, хто обирає одну модель «на все». Виграють команди, які будують зв’язку з ролей, а не культ однієї кнопки. Ми в Nahornyi AI Lab саме вирішуємо такі речі для клієнтів: не просто підключаємо модель, а збираємо робочу AI-архітектуру під реальні вузькі місця команди.
Якщо ваші PR висять добами, рев’ю шумне, а баги все одно проскакують, давайте розкладемо ваш процес по кроках. Іноді достатньо правильно розподілити ролі між моделями, а іноді вже варто будувати автоматизацію з ШІ під ваш стек, і це саме той випадок, де Nahornyi AI Lab може допомогти без зайвої магії та зі зрозумілим результатом.