Згідно з іноземними думками, після запуску OpenAI GPT-6 Astra логіка конкуренції в галузі ШІ змінилася. Акцент більше не лише на «хто краще використовує ШІ», а на «хто раніше впроваджує та керує ШІ-агентами». У статті Astra розглядається як точка переходу від відповідей на запитання до виконання завдань.
Від відповіді до виконання
Astra описується як здатна керувати комп’ютером, переглядати веб-сторінки, використовувати програмне забезпечення, писати та запускати код, а також виконувати довгі ланцюжки робочих процесів. Стаття вважає, що це означає, що ШІ переходить від моделі «людина ставить запитання, модель відповідає» до моделі «людина передає завдання агенту, агент виконує його».
На думку автора, ключова особливість Astra — це не просто більша здатність, а більша близькість до цифрової робочої сили, яку можна «наняти». Вона більше не просто генерує відповіді, а починає виконувати тривалі робочі завдання.
Проникнення більше не враховується за кількістю людей
Стаття використовує результати тестування OSWorld 2.0, щоб показати, що Astra краще виконує довгострокові завдання і значно скорочує час виконання. Автор висновує, що спосіб обчислення рівня проникнення ШІ також потрібно змінити і більше не можна просто оцінювати його за кількістю людей, які використовують ШІ.
Важливішими змінними стали: скільки агентів працює, скільки завдань виконує кожен агент та скільки токенів витрачається на кожне завдання. У статті зазначається, що одна особа може одночасно розгорнути кілька агентів, а підприємства можуть одночасно запускати сотні тисяч агентів.
Потреба в токені збільшиться
Автор додає, що попит на токени в епоху агентів зростає не лише разом із збільшенням кількості користувачів, а й у відповідь на зростання складності завдань та тривалості їх виконання. Постійно працюючий агент постійно виконує планування, пошук, виконання, перевірку та корекцію, що призводить до більшої кількості викликів та збільшення споживання токенів.
У статті також зазначається, що участь моделей у навчанні сама по собі створює ефект ланцюга: потужніші моделі призводять до створення потужніших агентів, які, у свою чергу, генерують більше якісних даних, що знову ж таки сприяє подальшому підвищенню якості моделей. Автори вважають, що це призведе до посилення самопідсилювального етапу потреб у обчислювальних ресурсах та токенах.