Sa pananaw ng mga dayuhang midya, pagkatapos ng paglunsad ng GPT-6 Astra ni OpenAI, nagbago na ang lohika ng kompetisyon sa AI. Hindi na lamang ang paksang “sino ang mas mahusay sa paggamit ng AI,” kundi “sino ang mas maaga sa pag-deploy at pagpapahalaga sa AI Agent.” Ibinibilang ng artikulo ang Astra bilang isang punto kung saan nagmula sa pagbibigay ng sagot patungo sa pagpapatupad ng mga gawain.
Mula sa sagot hanggang sa pagpapatupad
Ang Astra ay inilarawan bilang may kakayahang mag-operate ng computer, mag-browse ng web, gamitin ang software, sumulat at jalurin ang code, at matapos ang mas mahabang mga workflow. Ipinapakita ng artikulo na ito ay nangangahulugan na ang AI ay nagmumula sa “tatanong ang tao, sumasagot ang modelo” patungo sa “ibinibigay ng tao sa Agent, natatapos ng Agent ang gawain.”
Sa pananaw ng may-akda, ang pangunahing punto ng Astra ay hindi lamang ang mas malakas na kakayahan, kundi ang mas malapit ito sa isang digital na puwersa ng paggawa na maaaring “hiringin”. Hindi na ito nagpapagawa lang ng mga sagot, kundi umuunlad sa pagtanggap ng mga patuloy na gawain.
Ang penetration rate ay hindi na sinusukat batay sa bilang ng tao
Ang artikulo ay gumagamit ng mga resulta ng pagsubok ng OSWorld 2.0 upang ipakita na mas malakas ang pagganap ng Astra sa mga mahabang gawain at mas maikli ang oras ng pagkumpleto. Batay dito, naniniwala ang may-akda na dapat baguhin ang paraan ng pagkalkula sa antas ng paggamit ng AI at hindi na maaaring sukatin nang simpleng “bilang ng mga gumagamit ng AI”.
Ang mas mahalagang mga variable ay naging: ilang Agent ang nagpapatakbo, ilang gawain ang ginagawa ng bawat Agent, at ilang Token ang kinokonsumo ng bawat gawain. Sa artikulo, itinuturo na isang tao ay maaaring mag-deploy ng maraming Agent nang sabay-sabay, at maaaring magpapatakbo ang mga negosyo ng mga daan-daang o libo-libong Agent nang sabay-sabay.
Ang pangangailangan sa token ay magiging mas malaki
Lalong ipinakita ng may-akda na ang pangangailangan sa Token sa panahon ng Agent ay hindi lamang sumasabay sa pagtaas ng bilang ng mga gumagamit, kundi pati na rin sa pagkakaroon ng mas kumplikadong mga gawain at haba ng oras ng pagpapatakbo. Isang Agent na patuloy na nagpapatakbo ay magpapatuloy sa pagpaplano, paghahanap, pagpapatupad, pagpapatotoo, at pagpapabuti, na nagdadala ng mas maraming pagtawag at mas mataas na paggamit ng Token.
Binanggit din ng artikulo na ang pagkakasali ng modelo sa pagtuturo ay mismo ay bumubuo ng isang flywheel: mas malakas na modelo ay nagdadala ng mas malakas na Agent, ang mas malakas na Agent ay nagpapagawa ng higit pa at mas mataas na kalidad na data, na bumabalik upang itaguyod ang karagdagang pagpapabuti ng modelo. Naniniwala ang mga may-akda na ito ay magdudulot ng mas malakas na pagpapalakas sa pangangailangan para sa computing power at Token.