GPT-6 Astra вышла. Я стал ещё внимательнее смотреть, что ей поручаю

Недавно OpenAI выпустила GPT-6 Astra. Новая модель стала лучше работать с длинными и сложными задачами, большим контекстом, файлами и инструментами. Для меня это интересный релиз ещё и потому, что AI я в основном использую не для написания кода. Я PM, поэтому мои основные задачи это требования, Jira, документы, анализ информации, планирование и подготовка материалов.

За последний год мой подход к AI довольно сильно поменялся. Сначала ChatGPT был для меня улучшенным поиском: дай мне информацию, а дальше я сам её обработаю. Сейчас всё чаще отдаю ему целую цепочку действий: собрать информацию, структурировать, найти закономерности, проверить их и сделать вывод. Если после этого нужна большая самостоятельная работа с файлами, могу передать уже сформированную задачу в Codex.

С появлением Astra появился ещё один вопрос: какой модели вообще стоит дать конкретную задачу? Самая мощная модель нужна далеко не всегда.

Сразу оговорюсь: это не инструкция по работе с AI и не попытка собрать энциклопедию по ChatGPT, Codex и моделям OpenAI. Я просто хочу поделиться тем, как сам использую эти инструменты в работе PM, что у меня прижилось, а что нет. Если кому-то из этого пригодится хотя бы пара идей и потом останется в ежедневной работе, значит, статья написана не зря. Буду рад 🙂

Сначала я иду в Chat. И далеко не всегда после него в Codex

Допустим, мне нужно разобраться с набором требований. Есть Jira, связанные задачи, старые комментарии. Что-то уже реализовано, а актуальное решение может находиться вообще в соседней задаче.

Сейчас я чаще начинаю с Chat. Причём нередко даже не пишу, а просто наговариваю голосом, что происходит и в чём хочу разобраться. Когда задача ещё не сформулирована, так намного удобнее. Потом прошу собрать информацию, найти противоречия и проверяю выводы: откуда это требование, есть ли источник, актуально ли оно?

Когда картина становится понятна мне самому, прошу Chat подготовить инструкцию для Codex. Получается забавная цепочка: я голосом объясняю Chat, чего примерно хочу, а Chat уже объясняет Codex, что конкретно надо сделать 🙂

При этом довольно часто до Codex дело вообще не доходит. В разговоре с Chat выясняется, что нужный результат уже получен.

От «дай мне информацию» к loop

Наверное, это самое большое изменение в моём использовании AI. Сначала взаимодействие было линейным: я → AI → информация → дальше я сам. Потом запросы постепенно стали сложнее: «найди X и Y и сравни», затем «сравни и найди закономерности», потом «объясни возможные причины и проверь их».

Сейчас задача может выглядеть так: собери информацию → структурируй → найди закономерности → сформулируй гипотезы → проверь их по исходным данным → найди противоречия → скорректируй вывод → дай результат.

Получается небольшой loop. Иногда он продолжается уже между разными инструментами: Chat помогает разобраться и подготовить постановку, Codex выполняет работу, результат проверяется, появляются новые вопросы и начинается следующая итерация.

Сэм Альтман в одном из выступлений говорил о похожем переходе от линейного использования AI к циклу. В более широком смысле AI уже участвует и в улучшении самого AI: улучшенная система помогает создавать следующую. Мне как математику здесь особенно нравится нелинейность развития. При масштабировании появляются возможности, которых раньше не было видно. Вместе с ними появляются и новые проблемы. Поэтому конкретные техники и «идеальные промпты» устаревают довольно быстро, а умение выстроить процесс работы с AI становится интереснее.

Какой AI какой задачей грузить

После выхода Astra я стал сильнее фильтровать задачи. Условно моё распределение сейчас выглядит так:

Есть и очень жизненный фактор: лимиты. Думаю, кто активно пользуется AI, эту боль знает 🙂 Для одного пятичасового окна Plus приводятся такие ориентиры: 

Это не фиксированные квоты. Расход зависит от сложности задачи, размера контекста, reasoning effort и количества шагов. Но порядок цифр хорошо показывает, почему использовать Astra для всего подряд не очень разумно.

Поэтому простую работу я спокойно отдаю более лёгкой модели, а Astra оставляю для задач, где её возможности действительно влияют на результат. Для меня это скорее обычное распределение ресурсов, чем попытка экономить на AI.

Но есть вещи, которые я AI без контроля не отдам

Чем лучше работает AI, тем проще начать ему доверять. И это само по себе становится проблемой.

Примерно год назад у нас возникла проблема с одним из тестовых стендов. Его надо было срочно восстановить. В процессе разбора AI в какой-то момент предложил очень простое решение: удалить базу данных. Инженер с опытом здесь остановится. А теперь представим джуна, которому AI до этого дал пять правильных команд. Все сработали. Шестая предлагает удалить БД. Поэтому для меня правило простое: если я не понимаю, что именно предлагает AI и к каким последствиям это приведёт, выполнять это нельзя.

Был и менее очевидный случай. Я попросил AI работать с задачами только моего проекта в общей Jira. В какой-то момент он начал показывать задачи с правильными ключами моего проекта, но содержимое было из другого Jira space. И выглядело всё правдоподобно: правильный key, нормальное описание, подходящая по смыслу задача.

Такие ошибки мне кажутся даже опаснее откровенных галлюцинаций. Ерунду легко заметить. Гораздо хуже, когда 90% результата выглядит правильно. Поэтому «AI дал результат» и «результат проверен» для меня пока две разные вещи.

Это не значит, что надо контролировать каждый шаг агента. Тогда в нём теряется смысл. Но необратимые действия, данные, инфраструктуру, доступы и важные выводы я без контроля пока не оставлю.

Где AI уже не поможет

При всей скорости развития AI я пока не вижу волшебной кнопки «внедрить AI». Есть проблемы, которые от подключения новой модели никуда не исчезнут.

Если в Jira бардак, AI не сделает требования хорошими. Он просто быстрее этот бардак обработает, а иногда ещё и неправильно. Если процесс непонятен людям, AI не обязательно сделает его понятным. Если исходные данные плохие или противоречат друг другу, более мощная модель не создаст из них правильную реальность. Если непонятно, кто принимает решение и отвечает за результат, AI эту проблему тоже не решит.

Есть и большая часть работы PM, где проблема вообще не в обработке информации. Нужно договориться с людьми, убедить, выбрать между несколькими плохими вариантами, понять интересы разных сторон и в конце концов взять ответственность за решение.

Поэтому сейчас я воспринимаю AI прежде всего как очень мощный инструмент экономии времени. Он может за несколько минут собрать информацию, на которую раньше ушёл бы час. Может прочитать пачку документов, найти закономерности, сделать первый анализ, проверить мои выводы или превратить поток мыслей в нормальную постановку задачи. Иногда может выполнить почти всю задачу.

Но пока для меня это именно инструмент. Очень хороший и очень быстро развивающийся. Не замена процессам, экспертизе или ответственности.

Возможно, через пару лет я перечитаю эту статью и половина написанного будет выглядеть смешно. С нынешней скоростью развития AI я бы этому вообще не удивился.