Технічний контекст
Я люблю такі сигнали від реальних користувачів: не «вау, яка розумна модель», а «я видалив Superpowers, бо він уже заважав». Це вже не про хайп, а про тертя в реальній роботі. Якщо модель сама нормально тримає завдання, то AI-автоматизація стає простішою без шару «милиць» зверху.
З того, що вже відомо про GPT-5.5, стрибок виглядає правдоподібно. Найважливіше для мене не «IQ моделі», а те, що вона помітно краще утримує довгий контекст і не розвалюється на багатокрокових інструкціях. На довгому контексті в діапазоні 512K–1M токенів у неї заявлений сильний приріст retrieval, а на складних багатокомпонентних задачах модель краще планує, користується інструментами та перевіряє себе.
Ось тут я реально зупинився. Раніше я часто бачив один і той самий патерн: щоб отримати стабільний результат, люди обвішували модель системними пресетами, TDD-скілами, кастомними командами та плагінами для дисципліни відповіді. Тепер частину цієї логіки, схоже, можна просто викинути.
Але я б не робив із цього хибний висновок «плагіни померли». Ні, не померли. У новині немає офіційного доказу, що сторонні інструменти стали повністю непотрібними, а в складній оркестрації, вузьких інженерних сценаріях та командних пайплайнах спеціалізовані надбудови все ще можуть давати плюс.
Що це змінює для бізнесу та автоматизації
Перше: падає ціна крихкості. Чим менше прошарків між завданням і моделлю, тим простіша AI-імплементація, налагодження та підтримка. Менше магії в промптах, менше несподіваних побічних ефектів після оновлень.
Друге: прискорюється запуск внутрішніх сценаріїв. Якщо модель краще розуміє «брудні» запити з купою умов, можна швидше збирати AI-рішення для бізнесу: асистентів для підтримки, аналізу документів, код-рев'ю та внутрішніх агентів для команд.
Програють тут здебільшого ті продукти, чия цінність трималася лише на латках для слабкого instruction-following. Виграють команди, які будують AI-інтеграцію навколо процесу, даних та контролю якості, а не навколо колекції хитрих промптів.
Я в себе дивлюся на це дуже прагматично: якщо новий клас моделей дозволяє викинути половину надбудов, я краще спрощу архітектуру, ніж захищатиму старий стек зі звички. Якщо у вашій компанії AI-автоматизація вже обросла крихкими промптами та ручними милицями, можна спокійно розібрати це на частини й перезібрати. У Nahornyi AI Lab ми якраз такі історії й беремо в роботу: знаходимо, де модель уже тягне сама, а де справді потрібен кастомний AI-агент без зайвої складності.