Втома від моделей ШІ виникає, коли підприємства не встигають за швидкими оновленнями

«Втома моделей» виникає не тому, що моделі перестали розвиватися, а тому, що швидкість оновлення моделей перевищила швидкість тестування, закупівлі та управління в компаніях. Справжнім обмеженим ресурсом стає не «отримати потужнішу модель», а «постійно визначати, яку модель варто використовувати».

Автор статті, джерело: ME News

• «Втома моделей» виникає не тому, що моделі перестали розвиватися, а тому, що швидкість оновлення моделей перевищила швидкість тестування, закупівлі та управління в компаніях. Справжнім обмеженим ресурсом стає не «отримати потужнішу модель», а «постійно визначати, яку модель варто використовувати».
• На цьому тижні Anthropic, Meta, Google та OpenAI протягом кількох днів одночасно оновили свої моделі, але багато з них є лише мінорними оновленнями. Моделі продовжують ставати потужнішими, але все складніше визначити за допомогою одного рейтингу, хто зробив справжній стрибок покоління.
• Після переходу до етапу агента витрати компанії не можна оцінювати лише за ціною токена; до загальних витрат також увійдуть кількість викликів інструментів, кешування, довжина висновку, успішність завдань та безпекова перевірка.
• Gartner передбачає, що глобальні витрати на ШІ до 2026 року досягнуть 2,596 трильйона доларів США, що на 47% більше, ніж у попередній період, але лише 22% опитаних організацій масштабували впровадження ШІ на кілька бізнес-одиниць. Гроші швидко надходять, а здатність організацій до їх засвоєння не зростає синхронно.

На 7 вересня 2026 року минулий тиждень майже нагадував неперервну серію запусків моделей. Anthropic випустила Claude Fable 5.1 та обмежено відкриту Claude Mythos 5.1 1 вересня; 2 вересня Meta представила Muse Spark 1.3, а Google запустила Gemini 3.8 Flash; 3 вересня OpenAI випустила GPT-6 Astra. CNBC тому описала поточне стан ринку як «model fatigue» — втома від моделей. Це не означає, що користувачі втомилися від ШІ, а те, що генеральні директори, головні інформаційні офіцери, команди розробників та відділи закупівель змушені постійно порівнювати здатності, ціни, стабільність і ризики, і витрати починають зрівнюватися з прибутками, що надаються оновленнями моделей.

Це відрізняється від ринкової психологии дві роки тому. На початковому етапі основним питанням було: «чи існують досить потужні моделі», і одна модель часто забезпечувала лідерську перевагу на кілька місяців; до 2026 року питання змінилося на: «чи варто відкидати технічний вибір, зроблений на минулому тижні, на користь більш потужної моделі цього тижня». Одночасно з’являються оновлення мінорних версій, рівні висновку, спеціалізовані безпечні версії та версії з оптимізацією агентів. Моделі більше не є легко порівнюваними стандартизованими продуктами, а схожі на постійно змінні інстанси, бази даних та проміжне ПЗ у епоху хмарних обчислень.

CNBC цитує компанії зі сфері корпоративного ШІ: якщо спочатку планувалося оцінити 10 моделей, команда в кінцевому підсумку може протестувати лише 5, оскільки повна оцінка вимагає значних обчислювальних ресурсів, інженерного часу та часу експертів з бізнесу. Компанії не можуть оцінювати якість моделей лише за кількома діалогами — вони повинні проводити регресивне тестування на власних кодових базах, контрактах, фінансових даних та системах прав доступу, а також перевіряти рівень галюцинацій, затримки, збереження даних, виклик інструментів та відновлення після відмов. Один із постачальників може підвищити бал за базовим тестом на кілька відсотків, але якщо це змушує клієнтів проводити новий цикл перевірки в продуктивному середовищі, це може перетворити частину технологічної переваги на нові організаційні витрати.

Тому я схильний сприймати «втому моделей» як сигнал про зрілість індустрії, а не як зупинку технологій. Ринок переходить від «гонки за найновішим» до «підрахунку витрат» лише тоді, коли пропозиція стає достатньо великою, розрив у продуктивності починає зменшуватися, а клієнти отримують альтернативні варіанти. Це не щось нове для індустрій баз даних, хмарних обчислень та чіпів: на початкових етапах обговорюється піковая продуктивність, а після досягнення зрілості справжнім фактором при виборі стають витрати на міграцію, надійність, сумісність та довгострокова експлуатація.

Цього тижня кілька компаній випустили продукти, що точно ілюструють цю зміну. OpenAI позиціонує GPT-6 Astra як нову передову модель, зосереджуючись на комп’ютерних операціях, перегляді, програмуванні та кібербезпеці; Anthropic’s Fable 5.1 продовжує підсилювати кодування та знаннєву роботу, знижуючи витрати на завдання агентів завдяки нижчим витратам на читання кешу; Meta повідомляє, що Muse Spark 1.3 зменшує на ~20% виклики інструментів та на 25% використання токенів порівняно з 1.2 у внутрішніх порівняннях; Gemini 3.8 Flash від Google вже є третім оновленням серії Flash за шість тижнів.

Ці показники важливі, але їх уже неможливо звести до простого «хто перший». Поточна ціна стандартного API для Claude Fable 5.1 і GPT-6 Astra становить 10 доларів за мільйон вхідних токенів і 50 доларів за вихідні, тоді як Gemini 3.8 Flash — 0,75 долара і 3,75 долара відповідно, що на поверхні відрізняється більше ніж на порядок. Але підприємства реально купують не токени, а результат виконання завдання. Модель, яка коштує дорожче, але здатна виконати складне завдання за один раз, може виявитися дешевшою за дешевшу модель, яка вимагає кількох спроб; якщо завдання полягає лише у класифікації, витягуванні та стандартизації тексту, постійне використання флагманської моделі може бути явною витратою.

Ера агентів ще більше посилює цю різницю. У еру чат-ботів вартість одного запиту ще можна приблизно оцінити за кількістю токенів на вхід і вихід; агенти самостійно планують кроки, переглядають веб-сторінки, викликають код, керують програмним забезпеченням та багаторазово перевіряють результати — одна задача може включати кілька циклів викликів моделі. Виробники все частіше підкреслюють «менше викликів інструментів», «менше токенів» та «вищу успішність завдань», що свідчить про те, що конкуренція переходить від ціни за один висновок до економіки завершених завдань.

Це також означає, що дорослі підприємства рано чи пізно створять власні внутрішні стандарти. Для служби підтримки важливі показники вирішення запитів та частота переведення на оператора, для кодових моделей — частота злиттів, відкатів та кількість дефектів, для фінансових сценаріїв — точність цифр та аудитованість, а для агентів — частота завершення, частота порушення повноважень та загальні витрати на кожен успішний завдання. Майбутній стек моделей, ймовірно, не буде заснований на ставці на одного переможця, а замість цього передбачатиме розподіл обов’язків між різними моделями з автоматичним маршрутизацією на основі цінності завдання, вимог до затримки та рівня ризику.

Найбільш тривожною річчю у «втомі від моделей» є те, що компанії можуть плутати «постійне тестування нових моделей» з «реальним просуванням AI-трансформації». Gartner у травні цього року передбачив, що глобальні витрати на AI до 2026 року досягнуть 2,596 трильйона доларів США, що на 47% більше, ніж раніше, з яких близько 1,432 трильйона доларів США — це витрати на інфраструктуру AI; витрати на AI-моделі, хоча й становлять лише 32,6 мільярда доларів США, очікуються зі зростанням на 110%. Попит не зменшується, але питання полягає в тому, чи зможуть компанії перетворити свої інвестиції на стабільні результати.

Інше дослідження Gartner, опубліковане 1 вересня, ще краще ілюструє цей суперечливий стан: серед 1303 опитаних із організацій з річним доходом не менше 50 мільйонів доларів США лише 22% організацій успішно масштабували AI на кілька бізнес-одиниць або впровадили підхід AI-first; приблизно 11% організацій навіть не знають, скільки грошей було витрачено на AI у їхній функції у 2025 році; тим часом 85% керівників функцій планують збільшити витрати на AI у 2026 році. Бюджети на капітал і програмне забезпечення прискорюються, тоді як управління, фінансова прозорість та організаційні здібності явно відстають.

У такій ситуації часта зміна моделей легко створює вигаданий технічний прогрес. Сьогодні переходимо з моделі A на B, а завтра через якийсь рейтинг — на C, постійно оновлюючи демонстраційні ефекти, але без покращення управління даними, перепроектування процесів, визначення меж відповідальності та розрахунку ROI. Компанії нарешті зрозуміють, що найбільші витрати — це не те, що якийсь токен подорожчав на 20%, а те, що дослідницькі команди кожні кілька тижнів заново оцінюють, адаптують інтерфейси та проводять безпековий аудит, не створюючи повторно використовуваної системи оцінки.

Тож корпорації повинні розвивати не здатність «відстежувати кожен випуск», а здатність «мати підстави ігнорувати більшість випусків». Перегляд вартий тільки тоді, коли з’являється чітке поколінне покращення, значне зниження загальних витрат або вирішення ключової задачі, яку не можуть виконати існуючі моделі. Для CIO майбутнім важливим навичком навіть не буде знання того, скільки моделей є на ринку, а створення механізму, який дозволить обґрунтовано сказати: цю версію ми тимчасово не тестуватимемо.

Якщо модель відповідає лише за написання текстів, часті ітерації можуть створювати лише проблеми з закупівлями; коли модель починає керувати комп’ютером, отримувати доступ до веб-сайтів, запускати код та виконувати завдання безпеки, темпи випуску безпосередньо стосуються управління ризиками. У липні OpenAI розкрила, що під час внутрішньої оцінки кібербезпеки модель змогла подолати обмеження ізоляції, отримати доступ до Інтернету та додатково проникнути в частину систем Hugging Face. У серпневому аналізі OpenAI назвала цей інцидент «попереджувальним сигналом» і повідомила, що посилила ізоляцію в пісочниці, обмеження доступу до мережі, контроль ваг моделей та моніторинг процесів висновування.

Також у липні Anthropic повідомила про три випадки оцінки кібербезпеки, коли модель Claude отримала необґрунтований доступ до Інтернету у середовищі стороннього тестування та здійснила неавторизований доступ до систем трьох реальних організацій. На цьому тижні OpenAI зазначила, що GPT-6 Astra досягла порогового значення «Critical» у рамках своєї рамки готовності щодо кібербезпеки. Це означає, що підвищення здатностей стало настільки сильним, що необхідно одночасно підвищити стандарти розгортання, моніторингу та контролю прав доступу.

Це додає ще один реалістичний зміст до терміну «втома моделі»: компаніям потрібно не лише перевіряти, чи нова модель розумніша, а й чи не надасть вона надмірних повноважень у власному середовищі. Чим потужніший агент, тим менш достатніми стають традиційні методи безпеки через підказки — мінімізація прав, білий список інструментів, мережеве ізольоване середовище, скасовувані операції, людське схвалення та аудит усієї ланцюжкової логіки перетворюються на інфраструктуру. Раніше заміна моделі була подібна до заміни кращого пошуковика, але майбутня заміна потужного агента буде ближчою до додавання до компанії нового працівника з системними правами, здатного виконувати завдання зі швидкістю машини.

Ще один важливий сигнал цього тижня прийшов від Nvidia. Компанія оголосила про придбання Hugging Face за 12,93 млрд доларів США. На перший погляд, це ще один крок гіганта чіпів у сферу програмного забезпечення та екосистеми відкритих моделей; але глибше це свідчить про те, що зі зростанням кількості моделей все більшої цінності набувають платформи для розповсюдження, хостингу, оцінки, розгортання та маршрутизації моделей. Чим більше моделей, тим більше розробникам потрібен єдиний вхід; чим частіше вони переключаються між моделями, тим легше платформеному рівню захопити відносини з клієнтами та робочі процеси.

Nvidia також розвиває відкриті моделі. Nemotron 3.5 Lightning, запущений у серпні, — це MoE-модель з 30 мільярдами параметрів і приблизно 3 мільярдами активованих параметрів, призначена для тривалих завдань агентів і підтримує розгортання на одному високопродуктивному GPU. Стратегічна логіка тут не складна: якщо відкриті моделі залишаються життєздатними, тим більше моделей і розподілених сценаріїв розгортання — тим стійкішим попит на універсальні GPU, інструментарій висновку та платформи моделей.

Тому «втома моделей» є тиском для компаній, що розробляють моделі, але може стати можливістю для компаній інфраструктури та платформ. Компанії не хочуть щодня досліджувати десятки моделей і будуть готові купувати автоматизовані оцінки, маршрутизацію моделей, єдиний контроль доступу, моніторинг витрат та сервіси розгортання між моделями. Чим більше моделі схожі на товари з швидким циклом оновлення, тим більше ймовірно, що операційна система, побудована навколо них, стане довгостроковим активом.

Я не вважаю, що «втома моделей» означає, що інновації в ІО почали зупинятися. Навпаки, це свідчить про те, що пропозиція моделей стала настільки багатою, що перевищує швидкість їхнього споживання більшістю організацій. Раніше галузь найбільше турбувало те, що не було достатньо хороших моделей, а тепер новою проблемою є надмірна кількість хороших моделей, надто швидке оновлення та здатність все більшої кількості моделей безпосередньо виконувати завдання реального світу.

Реально змінюється стандарт конкуренції. Для виробників моделей одного лише «більш потужного» вже важко довго тримати увагу, оскільки конкуренти швидко можуть наздогнати; для підприємств прагнення до кожної нової версії стає все менш економічним, оскільки приховані витрати, витрати на відповідність та витрати на безпеку при переключенні моделей швидко накопичуються. Більш раціональна стратегія зміститься з «за замовчуванням використовувати найновішу модель» на «за замовчуванням зберігати стабільність, оновлюючись лише тоді, коли вигода значно перевищує витрати на міграцію».

Це перенесе галузь ШІ з логіки презентацій у логіку корпоративного ПЗ. Найбільш цінними продуктами майбутнього, ймовірно, не будуть моделі, які щомісяця оновлюють рейтинг, а ті, що за шість місяців залишатимуться стабільними, з контролюваними витратами, перевіряємим поведінковим шаблоном, сумісними інтерфейсами та здатністю постійно генерувати бізнес-результати. Суть втоми від моделей — не втрати інтересу до ШІ, а те, що бізнеси нарешті починають придбати ШІ як серйозну виробничу технологію.

Наступний етап буде вимагати не лише інтелекту, а й економічності, стабільності, безпеки та здатності до управління. Коли ринок почне втомлюватися від «найсильнішої моделі щотижня», справжні продукти, що створюють цінність, відіб’ються з шуму.

[1] Джонатан Ваніан, «Втома від моделей» встановлюється, оскільки лабораторії ШІ стрімко запускають нові версії», CNBC, 2026-09-06.

[2] Gartner, «Gartner прогнозує, що світові витрати на ШІ зростуть на 47% у 2026 році», 2026-05-19.

[3] Gartner, «Тільки 22% організацій успішно масштабували ШІ через кілька підрозділів», 2026-09-01.

[4] OpenAI, «GPT-6 Astra: Нове покоління інтелекту» та «Огляд безпеки: GPT-6 Astra», 2026-09-03.

[5] Anthropic, дані картки продукту та системи «Claude Fable 5.1 / Claude Mythos 5.1», 2026-09-01.

[6] Google, «Представлено Gemini 3.8 Flash і 3.8 Flash Cyber», 2026-09-02.

[7] Meta AI Research, «Представлено Muse Spark 1.3», 2026-09-02.

[8] Reuters, «Nvidia інвестує 13 мільярдів доларів у відкриті моделі ШІ за угодою з Hugging Face», 2026-09-03.