Технічний контекст
Я теж все частіше ловлю себе на тому, що не вмикаю окремий plan mode. У зв'язці GPT-5.5 і Codex модель справді краще тримає ритм задачі: спочатку розкладає роботу, потім переходить до реалізації без постійного стусана з мого боку. Для практичної імплементації ШІ це дуже приємний зсув.
Але тут я одразу пригальмую: в офіційних матеріалах OpenAI немає прямої обіцянки, що модель сама надійно замінює окремий планувальник. Документація говорить про інше: GPT-5.5 сильніший в agentic workflows, підтримує reasoning.effort, працює через Responses API і краще користується інструментами. Це не те саме, що гарантоване автоматичне перемикання між фазами plan та act.
Я покопався в доступних гайдах, і картина така. GPT-5.5-Codex справді став впевненішим у довгих інженерних задачах, менше зависає в «ось мій план» і частіше доходить до дії. Але якщо потрібен передбачуваний продовий контур, обв'язка все ще вирішує: режими, політики інструментів (tool policies), обмеження на холості відповіді, іноді явний strict-agentic шар.
Тобто, я чудово розумію відчуття користувача, що «планувальник більше не потрібен». На рівні UX так і є: тертя стало менше. На рівні архітектури ШІ я б формулював обережніше: не скасування planner-підходу, а зростання базової здатності моделі самої тримати цикл роботи.
Вплив на бізнес та автоматизацію
Перший наслідок простий: менше ручного мікроменеджменту в розробці. Якщо раніше доводилося окремо вибивати з агента план, а потім окремо штовхати до виконання, тепер частину цієї механіки можна прибрати і прискорити інтеграцію ШІ в продукт.
Друге: дешевшим стає не сама інференція, а оркестрація навколо неї. Менше службових кроків, менше зайвих повідомлень, простіші сценарії автоматизації за допомогою ШІ там, де задача не вимагає жорсткого аудиту кожного кроку.
Але програють ті, хто занадто рано викине контроль. У чутливих процесах, де важливі перевірюваність, погодження (approvals) та трасування дій, окрема фаза планування все ще корисна.
Я б дивився на це так: для внутрішніх dev-задач і швидких агентів можна сміливо спрощувати потік. Для продових систем із ризиком помилки краще тестувати на своїх сценаріях, а не вірити в магію. Якщо у вас якраз впирається швидкість команди або агент то планує, то топчеться на місці, можемо разом розібрати ваш процес: у Nahornyi AI Lab я такі штуки зазвичай докручую до виразної AI-автоматизації без зайвої театральщини навколо «розумного агента».