ChatGPT и GPT-6 Astra: как выбрать модель под задачу
OpenAI выпустила GPT-6 Astra, и вместе с этим у пользователей появился новый вопрос: когда действительно нужен самый мощный ChatGPT, а когда достаточно более простой модели. Автор показывает это на своем опыте PM — через работу с требованиями, Jira, документами и анализом информации.
Почему после Astra приходится внимательнее выбирать задачи
Новая GPT-6 Astra стала лучше справляться с длинными цепочками действий, большим контекстом, файлами и инструментами. Но автор статьи смотрит на релиз не как на повод отдавать модели вообще всё подряд, а как на повод точнее распределять задачи между разными инструментами.
Это особенно заметно в работе project manager'а. В его случае AI нужен не для кода, а для требований, задач в Jira, документов, планирования, анализа и подготовки материалов. То есть там, где важны не только скорость, но и аккуратность, логика и понимание контекста.
Как меняется работа с ChatGPT в реальных задачах
Раньше ChatGPT чаще использовался как умный поиск: найти информацию, а дальше человек сам всё проверяет и собирает в единый вывод. Сейчас подход стал сложнее: сначала AI собирает данные, потом структурирует их, ищет связи, проверяет гипотезы и помогает сформулировать вывод.
Если задача требует самостоятельной работы с файлами и инструментами, автор может передать уже подготовленную постановку в Codex. Но часто до этого этапа дело не доходит: в диалоге с ChatGPT выясняется, что нужный ответ уже найден или задача вообще проще, чем казалась сначала.
Почему мощную модель лучше беречь для сложных случаев
После появления Astra автор стал по-другому фильтровать запросы. Простые и однотипные операции он старается отдавать более легкой модели, а GPT-6 Astra оставляет для ситуаций, где важны большой контекст, неоднозначность и высокая цена ошибки.
На это есть и очень практичная причина — лимиты. Они зависят от сложности запроса, размера контекста, reasoning effort и количества шагов, поэтому использовать самую сильную модель для всего подряд просто невыгодно. Это не про экономию ради экономии, а про разумное распределение ресурсов.
Что AI всё ещё нельзя доверять без проверки
Чем лучше работает AI, тем легче начать верить ему слишком сильно. Автор приводит пример, когда система предложила удалить базу данных для восстановления тестового стенда. Для опытного инженера это очевидно опасно, но для новичка, который уже получил несколько верных ответов подряд, такая ошибка могла бы закончиться плохо.
Был и другой случай: AI начал показывать задачи с правильными ключами проекта, но содержимое относилось к другому Jira space. Ошибка выглядела правдоподобно и потому была особенно рискованной. Поэтому вывод простой: результаты AI — это не финальная истина, а материал для проверки. Без контроля нельзя отдавать необратимые действия, доступы, инфраструктуру и важные решения.