Главный результат DevDay 2026 для меня в том, что продуктовая мысль OpenAI стала ещё отчётливее. Компания хочет сделать делегирование искусственному интеллекту обычным действием. Таким же понятным, как отправить сообщение коллеге.
Я согласен с наблюдением, которое встретил у Дэвида Джорджа: сильная сторона OpenAI в том, как она превращает возможности ИИ в новые привычки. Эта мысль помогает увидеть за отдельными анонсами общую логику. У человека появляется задача, и ему должно быть понятно, с чего начать. Без предварительного погружения в устройство моделей.
Для меня именно здесь проходит самая интересная часть конкуренции. Техническая возможность уже может существовать, а привычного способа пользоваться ею ещё нет. Между этими двумя состояниями помещается целый рынок.
Продукт начинается с понятного действия
Представьте человека, которому нужно подготовить встречу. У него письма в почте, заметки в документе и несколько договорённостей в мессенджере. Ему нужен короткий материал, с которым можно прийти на разговор подготовленным. Разбираться ради этого в инструментах автоматизации он совершенно не собирается.
Специалист видит здесь доступ к источникам, сбор контекста и проверку фактов. Пользователь видит одно поручение: «Подготовь меня к встрече». Обе картины верны. Задача массового продукта — соединить их так, чтобы сложность не легла целиком на человека.
Поэтому я смотрю на DevDay через вопрос: какое новое действие станет для людей естественным? В официальных итогах конференции рядом стоят постоянные агенты, командные пространства и расширения для разработчиков. В моей интерпретации это части одной попытки: сделать работу с ИИ повседневной средой.
Доступность модели сама по себе ещё не подсказывает, что ей поручить. Хороший продукт помогает человеку узнать собственную задачу в новом интерфейсе. А затем получить достаточно полезный результат, чтобы захотелось вернуться.
У поручения появляется продолжение
Самый выразительный анонс в этой логике — Dots. OpenAI описывает их как постоянных агентов на GPT‑6 Astra, со своим облачным компьютером и подключёнными приложениями. Они могут продолжать работу между обращениями пользователя. Развёртывание начинается на определённых тарифах и в поддерживаемых регионах.
Мне интересна предлагаемая привычка: можно оставить агенту направление работы и вернуться к результату. В обычном разговоре с чат-ботом человеку приходится заново запускать движение каждым сообщением. Здесь продукт обещает, что у поручения будет собственное продолжение.
У OpenAI есть показательный пример для автора контента: приходит расшифровка интервью, агент готовит заметки и черновики постов для согласования. Я читаю это как предложение отдать системе повторяющийся участок работы. Автор сохраняет право решить, что достойно публикации.
При этом постоянная работа не означает неограниченных полномочий. В описании Dots фоновое самостоятельное исследование ограничено чтением, а действия регулируются правилами и согласованиями. Эта деталь для меня принципиальна. Привычка поручать возникает там, где понятны границы.
Если после каждого задания нужно тревожно проверять, что агент успел сделать от вашего имени, массового доверия не получится. Удобство включает возможность увидеть ход работы и вовремя вмешаться.
Совместная работа расширяет вход в ИИ
Следующий шаг этой же идеи — ChatGPT Space и Pages. OpenAI предлагает общую среду для команды и документы, над которыми могут работать люди и агенты. Расширения плагинов позволяют разработчикам добавлять собственные панели внутрь ChatGPT. Эти возможности описаны в обзоре DevDay.
Мне кажется, здесь меняется сам способ знакомства с ИИ. Человек может прийти в общий документ по ссылке коллеги и включиться в работу. Ему не обязательно начинать с отдельного эксперимента «попробую нейросеть». Задача уже перед ним, а ИИ присутствует внутри привычного совместного действия.
Представим небольшую команду, которая готовит предложение клиенту. Один человек уточняет условия, другой правит текст. Агент собирает недостающую информацию в пределах выданного доступа. Люди видят общий результат и обсуждают его.
В таком сценарии ценность появляется в связях между действиями. Не нужно переносить каждый ответ из чата в документ, затем объяснять коллеге, откуда он взялся, и снова собирать контекст для следующего запроса. Насколько хорошо конкретный продукт решит эту задачу, покажет работа с ним. Но само направление я считаю верным.
Массовое может быть личным
Обычно массовый продукт ассоциируется с одинаковым предложением для всех. В ИИ меня привлекает другая возможность: общий вход, за которым люди собирают очень разные способы работы.
Редактору нужен выпуск материала. Руководителю нужен обзор ситуации по проекту. У каждого свои источники и критерии качества. Платформа может дать им общую среду, а конкретный способ применения найдут сами пользователи и разработчики.
Именно поэтому плагины для меня так же интересны, как новые модели. Они дают возможность достраивать продукт под задачи, которые его создатели могли вообще не предусмотреть. Компания получает шанс увидеть больше способов применения своей технологии, чем способна придумать внутри одной команды.
Здесь я имею в виду обратную связь о продукте. Какие действия люди повторяют, где им неудобно, какой инструмент приходится добавлять. Это рассуждение не требует предполагать, что все пользовательские данные идут в обучение моделей.
Я вижу в широкой аудитории преимущество для такого поиска. Но размер аудитории ещё не гарантирует, что компания правильно поймёт её потребности. Пользователи возвращаются к тому, что помогает, и довольно быстро замечают, когда удобный вход ведёт к ненадёжному результату.
Цена определяет, станет ли это привычкой
На том же DevDay появилась GPT‑6.1 Sol. По оценкам OpenAI, модель приближается к Astra в ряде рабочих задач при одной пятой её стандартной цены входных и выходных токенов. Это заявление производителя по его проверкам; оно не означает одинакового качества на любой задаче.
Для продуктовой стратегии здесь существенна экономика повторения. Одно эффектное поручение можно выполнить почти за любые разумные деньги. Ежедневная работа требует другого соотношения пользы и затрат.
Причём в затраты я включаю собственное внимание. Если дешёвый агент требует часового надзора, его цена для человека остаётся высокой. Если более дорогой результат можно быстро проверить и использовать, сравнение уже выглядит иначе.
Поэтому меня интересует стоимость завершённой работы с учётом исправлений. Снижение цены модели расширяет возможности, но привычка складывается только тогда, когда весь процесс оказывается посильным.
Я бы делал ставку на новый рабочий день
Мой вывод из DevDay: OpenAI последовательно строит продукт для людей, которым нужно заниматься своими делами. Техническая мощность должна превращаться в понятное действие, а это действие — в результат, к которому хочется возвращаться.
Я не считаю исход конкуренции предрешённым. Новые агенты ещё должны доказать надёжность за пределами демонстраций. У многих функций есть ограничения доступа, и обещание массового будущего нельзя путать с доступностью всего каждому уже сегодня.
Но с самой постановкой задачи я согласен. Следующий большой шаг ИИ я связываю с людьми, которые раньше не видели для него места в своей работе. С моментом, когда человек впервые спокойно оставит системе поручение, займётся другим делом и получит то, что действительно пригодилось.
Тем, кто создаёт продукты или внедряет ИИ в команде, я бы предложил смотреть именно на такой момент. Выбрать повторяющуюся задачу и понять, что мешает человеку доверить её системе. Иногда дело в качестве модели. Иногда в том, что результат негде проверить, непонятны разрешения или слишком долго приходится объяснять контекст.
OpenAI интересна мне масштабом этой попытки. Сделать возможность поручать работу доступной людям с очень разными задачами. Если это получится, главным следствием станут миллионы небольших изменений в обычном рабочем дне. Ради этого будущего я и слежу за происходящим.
Следующий шаг
Чтобы перейти от продуктовой идеи к собственному способу работы, прочитайте «Почему готовые ИИ-агенты не работают — и что делать вместо».
Для команды такая перемена начинается с конкретного поручения и понятных границ ответственности. Это можно разобрать на ваших рабочих задачах.
Если захотите обсудить, как это применить у себя или в команде — пишите в Telegram @pimenov
