Технічний контекст
Я поки не називав би це підтвердженим багом платформи на рівні документації, але кейс надто неприємний, щоб його ігнорувати. Користувач дав Sol довге завдання на складання звіту, чекав близько двох годин, отримав прохання перемкнутися на простішу модель, відмовився, і після цього весь прогрес зник.
Ось момент, де я одразу думаю не про драму, а про AI implementation. Якщо агент веде тривалу роботу в межах однієї сесії і не записує проміжний стан назовні, будь-яка спроба downgrade або reset перетворює дві години обчислень на нуль. Ліміт при цьому, судячи з опису, уже витрачено.
Офіційного підтвердження саме такої поведінки Sol у мене немає. У публічних матеріалах про Sol зараз здебільшого говорять про можливості, партнерський доступ та агентні сценарії, а не про те, як він поводиться при відмові змінювати модель. Але сам патерн мені знайомий: довгий агентний прогін, внутрішні сабтаски, перепакування контексту, потім скидання стану.
Технічно це може виглядати так: агент впирається в контекст, вартість або обмеження інструменту, пропонує downgrade, а при відмові не вміє коректно утримати робочий стан. У підсумку памʼять сесії відкочується, чернеткові артефакти не збережено, а білінг або task limit уже закрили спробу як виконану. І так, це саме той випадок, коли «майже закінчив» нічого не означає.
Я вважав би це не поодинокою дивиною, а попередженням для всіх, хто будує automation with AI на довгих асинхронних завданнях. Якщо результат цінний, він повинен зберігатися покроково: summary, checkpoints, зовнішнє сховище, артефакти по етапах, а не лише фінальна відповідь у чаті.
Вплив на бізнес та автоматизацію
Програють ті, хто віддає агенту довгі звіти, дослідження або multi‑step pipeline без контрольних точок. Виграють ті, у кого AI integration зроблена як інженерна система, а не як надія на один вдалий прогін.
Мій практичний висновок простий. Перше: не тримати критичний прогрес тільки всередині Sol-сесії. Друге: перед ризикованими кроками примусово просити коротке резюме зробленого й зберігати його поза чатом. Третє: дробити завдання на етапи з окремою фіксацією результату, навіть якщо інтерфейс обіцяє «автономність».
З клієнтами в Nahornyi AI Lab ми саме такі місця й закриваємо: виносимо стан назовні, проєктуємо checkpoint-логіку та збираємо AI automation так, щоб збій моделі не спалював години роботи команди. Якщо у вас схожі довгі процеси вже тріщать по швах, я можу разом із вами перебудувати архітектуру так, щоб агент допомагав бізнесу, а не влаштовував дорогу лотерею.