[Ciko 2]

Нещодавно OpenAI випустила GPT-6 Astra. Нова модель стала краще працювати з довгими та складними завданнями, великим контекстом, файлами та інструментами. Для мене це цікавий реліз ще й тому, що AI я переважно використовую не для написання коду. Я PM, тому мої основні завдання це вимоги, Jira, документи, аналіз інформації, планування та підготовка матеріалів.

За останній рік мій підхід до AI досить сильно змінився. Спочатку ChatGPT був для мене покращеним пошуком: дай мені інформацію, а далі я сам її оброблю. Зараз все частіше віддаю йому цілий ланцюжок дій: зібрати інформацію, структурувати, знайти закономірності, перевірити їх і зробити висновок. Якщо після цього потрібна велика самостійна робота з файлами, можу передати вже сформоване завдання Codex.

З появою Astra постало ще одне питання: якій моделі взагалі варто дати конкретне завдання? Найпотужніша модель потрібна далеко не завжди.

Відразу зазначу: це не інструкція по роботі з AI і не спроба зібрати енциклопедію з ChatGPT, Codex та моделей OpenAI. Я просто хочу поділитися тим,  як сам використовую ці інструменти в роботі PM , що в мене прижилося, а що ні. Якщо комусь із цього стане в нагоді хоча б пара ідей і потім залишиться в щоденній роботі, значить, стаття написана не дарма. Буду радий 🙂

Спочатку я йду до Chat. І далеко не завжди після нього в Codex

Допустимо, мені потрібно розібратися з набором вимог. Є Jira пов'язані завдання, старі коментарі. Щось уже реалізовано, а актуальне рішення може перебувати взагалі у сусідньому завданні.

Зараз я частіше починаю з Chat. Причому часто навіть не пишу, а просто намовляю голосом, що відбувається і в чому хочу розібратися. Коли завдання ще не сформульовано, то набагато зручніше. Потім прошу зібрати інформацію, знайти протиріччя та перевіряю висновки: звідки ця вимога, чи є джерело, чи актуальна вона?

Коли картина стає зрозумілою мені самому, прошу Chat підготувати інструкцію для Codex. Виходить кумедний ланцюжок: я голосом пояснюю Chat, чого приблизно хочу, а Chat вже пояснює Codex, що потрібно зробити 🙂

При цьому часто до Codex справа взагалі не доходить. У розмові з Chat з'ясовується, що потрібний результат вже отримано.

Від «дай мені інформацію» до loop

Напевно, це найбільша зміна у моєму використанні AI. Спочатку взаємодія було лінійним: я → AI → информация → дальше я сам. Потім запити поступово стали складнішими: «найди X и Y и сравни», потім «сравни и найди закономерности», потім «объясни возможные причины и проверь их».

Наразі завдання може виглядати так:собери информацию → структурируй → найди закономерности → сформулируй гипотезы → проверь их по исходным данным → найди противоречия → скорректируй вывод → дай результат.

Виходить маленький loop. Іноді він продовжується вже між різними інструментами: Chat допомагає розібратися та підготувати постановку, Codex виконує роботу, результат перевіряється, з'являються нові питання та починається наступна ітерація.

Сем Альтман в одному з виступів говорив про подібний перехід від лінійного використання AI до циклу. У більш широкому значенні AI вже бере участь і в покращенні самого AI: покращена система допомагає створювати таку. Мені як математику тут особливо подобається нелінійність розвитку. При масштабуванні з'являються можливості, яких не було видно. Разом із ними виникають і нові проблеми. Тому конкретні техніки та «ідеальні промпти» старіють досить швидко, а вміння вибудувати процес роботи з AI стає цікавішим.

Яким AI яким завданням вантажити

Після виходу Astra я став сильніше фільтрувати завдання. Умовно мій розподіл зараз виглядає так:

Інструмент/модель	Для чого використовую
Chat	Зібрати інформацію, подумати над проблемою, сформувати вимоги
Luna	Великий обсяг простих та однотипних операцій
Astra	Складні та неоднозначні завдання, великий контекст, висока ціна помилки
Codex	Самостійна багатокрокова робота з файлами та інструментами

Є й дуже життєвий фактор: ліміти . Думаю, хто активно користується AI, цей біль знає 🙂 Для одного п'ятигодинного вікна Plus наводяться такі орієнтири: 

Модель	Орієнтир на 5-годинне вікно Plus
Luna	250–2000 повідомлень
Sol	10–100 повідомлень
Astra	5–45 повідомлень

Це не фіксовані квоти. Витрата залежить від складності завдання, розміру контексту, резонансу ефекту і кількості кроків. Але порядок цифр добре показує, чому використовувати Astra для всього поспіль не дуже розумно.

Тому просту роботу я спокійно віддаю легшій моделі, а Astra залишаю для завдань, де її можливості справді впливають на результат. Для мене це скоріше звичайний розподіл ресурсів, ніж спроба заощаджувати на AI.

Але є речі, які я AI без контролю не віддам

Чим краще працює AI, тим простіше почати йому довіряти. І це саме собою стає проблемою.

Приблизно рік тому у нас виникла проблема з одним із тестових стендів. Його треба було терміново відновити. У процесі аналізу AI в якийсь момент запропонував дуже просте рішення: видалити базу даних . Інженер із досвідом тут зупиниться. А тепер уявімо джуна, якому AI до цього дав п'ять правильних команд. Усі спрацювали. Шоста пропонує видалити БД. Тому для мене правило просте: якщо я не розумію, що саме пропонує AI і які наслідки це призведе, виконувати це не можна.

Був і менш очевидний випадок. Я попросив AI працювати з завданнями тільки мого проекту у загальному Jira. Якогось моменту він почав показувати завдання з правильними ключами мого проекту, але вміст був з іншого Jira space. І виглядало все правдоподібно: правильний key, нормальний опис, відповідне за змістом завдання.

Такі помилки мені здаються навіть небезпечнішими від відвертих галюцинацій. Дурниці легко помітити. Набагато гірше, коли 90% результату виглядає правильно. Тому «AI дав результат» і «результат перевірений» для мене поки що дві різні речі .

Не означає, що треба контролювати кожен крок агента. Тоді в ньому втрачається сенс. Але незворотні дії, дані, інфраструктуру, доступи та важливі висновки я без контролю поки не залишу.

Де AI вже не допоможе

За всієї швидкості розвитку AI я поки що не бачу чарівної кнопки «впровадити AI». Існують проблеми, які від підключення нової моделі нікуди не зникнуть.

Якщо Jira бардак, AI не зробить вимоги хорошими. Він просто швидше цей бардак обробить, а іноді ще й неправильно. Якщо процес незрозумілий людям, AI не обов'язково зробить його зрозумілим. Якщо вихідні дані погані або суперечать один одному, потужніша модель не створить з них правильну реальність. Якщо незрозуміло, хто приймає рішення та відповідає за результат, AI цю проблему теж не вирішить.

Є й більшість роботи PM, де проблема взагалі над обробці інформації. Потрібно домовитися з людьми, переконати, вибрати між декількома поганими варіантами, зрозуміти інтереси різних сторін і, зрештою, взяти відповідальність за рішення.

Тому зараз я сприймаю AI насамперед як дуже потужний інструмент економії часу . Він може за кілька хвилин зібрати інформацію, на яку раніше пішла б година. Може прочитати пачку документів, знайти закономірності, зробити перший аналіз, перевірити мої висновки або перетворити потік думок на нормальну постановку завдання. Іноді може виконати майже все завдання.

Але поки що для мене це саме інструмент. Дуже хороший і дуже швидко розвивається. Чи не заміна процесам, експертизі чи відповідальності.

Можливо, через пару років я перечитаю цю статтю і половина написаного виглядатиме смішно. З нинішньою швидкістю розвитку AI я цього взагалі не здивувався б.