Релиз GPT-6 Astra от OpenAI снова поднял вопрос, который многие пользователи ChatGPT задают себе всё чаще: какую модель вообще стоит дать под конкретную задачу. Самая мощная модель нужна далеко не всегда — и это не только вопрос экономии, но и вопрос лимитов. Автор материала на Habr, работающий продакт-менеджером, описывает, как за последний год его подход к ИИ изменился: от «дай мне информацию, дальше я сам» до цепочек действий, где модель собирает данные, структурирует их, ищет закономерности, формулирует гипотезы и проверяет их по исходным данным.
По словам автора, GPT-6 Astra стала лучше работать с длинными и сложными задачами, большим контекстом, файлами и инструментами. Но именно это и заставляет сильнее фильтровать задачи. В его распределении Chat отвечает за сбор информации, обдумывание проблемы и формирование требований. Luna берёт на себя большой объём простых и однотипных операций. Astra оставлена для сложных и неоднозначных задач, большого контекста и высокой цены ошибки. Codex используется для самостоятельной многошаговой работы с файлами и инструментами.
| Инструмент / модель | Для чего использую |
|---|---|
| Chat | Собрать информацию, подумать над проблемой, сформировать требования |
| Luna | Большой объём простых и однотипных операций |
| Astra | Сложные и неоднозначные задачи, большой контекст, высокая цена ошибки |
| Codex | Самостоятельная многошаговая работа с файлами и инструментами |
Разница в лимитах хорошо показывает, почему использовать Astra для всего подряд неразумно. Для одного пятичасового окна Plus приводятся такие ориентиры: Luna — 250–2000 сообщений, Sol — 10–100 сообщений, Astra — 5–45 сообщений. Это не фиксированные квоты: расход зависит от сложности задачи, размера контекста, reasoning effort и количества шагов. Но порядок цифр объясняет, почему простая работа уходит более лёгкой модели, а Astra остаётся для случаев, где её возможности влияют на результат.
Автор использует Chat для сбора информации и формулировки требований, Codex — для многошаговой работы с файлами.
Отдельная тема — доверие к ИИ. Чем лучше работают модели, тем проще начать им доверять, и это само по себе становится проблемой. Автор приводит пример годичной давности: при разборе проблемы с тестовым стендом ИИ предложил простое решение — удалить базу данных. Опытный инженер на этом остановится, но джун, который доверился модели, может пойти дальше. Этот пример не про конкретную модель, а про то, что финальное решение всё равно остаётся за человеком.
В более широком смысле автор описывает переход от линейного использования ИИ к циклу: собрать информацию, структурировать, найти закономерности, сформулировать гипотезы, проверить их, найти противоречия, скорректировать вывод и выдать результат. Иногда цикл продолжается между разными инструментами: Chat помогает разобраться и подготовить постановку, Codex выполняет работу, результат проверяется, появляются новые вопросы и начинается следующая итерация. По мнению автора, конкретные техники и «идеальные промпты» устаревают быстро, а умение выстроить процесс работы с ИИ становится важнее.
