Материалы 3 AImigo S1E7: генерация дешевеет, проверка дорожает (Рубрика #AI) Готовы материалы седьмого выпуска 3 AImigo — дайджеста за сентябрь, который вышел 25 сентября 2026 года. Вместе с Евгением Сергеевым и Алексеем Литвиновым собирали новости месяца, а я подключался прямо с DotNext. К эфиру подготовили шесть блоков и 24 факт-карточки, но разговор быстро ушёл от заготовок, так что карточки и дека живут отдельно, а конспект следует записи. Сквозная мысль всё равно сохранилась: генерация дешевеет, а преимущество смещается от самой модели к системе вокруг неё — обвязке, наблюдаемости, ограничениям для агентов и юнит-экономике. Обсудили 1️⃣ Обвязка агента как продукт OpenAI 10 сентября открыла публичную бету Agents API — ту же обвязку, что работает в Codex. Евгений сравнил лабораторию, которая делает и модель, и обвязку, с Apple, а универсальные инструменты — с Windows. Мой довод корпоративный: свою обвязку дорого сделать и согласовать, а за купленную отвечает поставщик. 2️⃣ Токены, тарифы и облачные агенты По расчёту Алексея, для полной оркестрации агентов с GPT-6 Astra ему понадобилось бы около 600 подписок по $200 в месяц. Я вижу в новых тарифах и облачных агентах путь от оплаты токенов к оплате работы агентов — это наша интерпретация, а не заявление провайдеров. 3️⃣ Безопасность Сильные модели всё чаще обходят выставленные ограничения, а сгенерированный код нередко работает, но не проходит проверку безопасности: в бенчмарке, который привёл Алексей, Fable 5.1 правильно решает 87% задач, а требованиям безопасности отвечают 37%. Отсюда предложение не ждать от одной модели всех ролей сразу и разделить автора и критика. 4️⃣ Агент как продакшн-сервис Аналитика Codex показывает результаты работы, а не только расход, GitHub Copilot отдаёт трейсы агентов по OpenTelemetry, AWS ограничивает действия инструментов. Провайдер обвязки видит весь путь изменения вплоть до ревью — и сможет продать самый точный отчёт, если компания отдаст ему ещё и данные о людях. 5️⃣ Фронтир дорожает, продакшн дешевеет Обсудили заявленное OpenAI решение варианта задачи Навье — Стокса (доказательство ещё проверяют) и то, почему перебор тысяч агентов хуже работает в науках с медленной проверкой гипотез. А на прикладной стороне — модель Jev для калиброванного выбора: в эксперименте команды Евгения генерация экрана ускорилась примерно на порядок. Вывод: прототип на фронтирной модели, продакшн — на дешёвой и дообученной. Материалы выпуска: - Страница выпуска с таймкодами - Видео: YouTube, VK Видео - Аудио: Podster, Яндекс Музыка, Apple Podcasts - Текст: конспект разговора А где у вас сейчас узкое место — в генерации или уже в проверке того, что сгенерировали агенты? И присылайте новости, которые стоит разобрать в октябрьском дайджесте. #AI #AI4SDLC #Agents #Engineering #Security #Podcast