Підсумок AI-трендів за ІІ квартал 2026 року: агенти, спотикаючись, виходять у світ

Автор: Боян, Tencent Technology

Увесь минулий кінець року більшість людей ще сприймали ШІ як інструмент для спілкування — щоб відповідати на запитання, писати тексти або підсумовувати матеріали. Після серії «запитання — відповідь» на цьому й закінчувалася роль ШІ.

Але до другого кварталу 2026 року ситуація змінилася. Бо OpenClaw, Codex і Claude Cowork витягли ШІ з діалогових вікон.

Агент почав сам читати файли, запускати код, робити таблиці, керувати програмами і навіть підключатися до внутрішніх систем компаній. Ти даєш йому ціль — і він сам розбиває задачу, викликає інструменти, виконує роботу, а потім приходить із звітом.

OpenClaw, що з’явився у березні, позначив зміну в масовому розумінні Agent-а. Раніше, коли говорили про Agent, усі за замовчуванням вважали, що його використовують для допомоги в написанні коду. З’явився «рак», і він почав брати на себе роботу в різних сферах.

Ось що ми бачили за минулі три місяці: «новачок» проходить досвід входження в реальний робочий процес.

Він став новим програмним «входом», заходячи в професійні сценарії на кшталт фінансів, права та дизайну. Компанії побачили його потенціал і почали масштабно розгортати Tokenmaxxing-рух, але гроші горіли 2 місяці — і ця «AI-вибухова» втеча без меж швидко зупинилася. Бо вони виявили: частину, яка реально підвищує ефективність, знову «відкушують» процедури перевірки й судження, а ці вузькі місця перетворюються на затори. І щойно всі повернулися, щоб доповнити ці етапи, одразу ж з’явилися проблеми зі швидкістю виконання та витратами.

Ці вісім трендів, підсумованих у звіті за другий квартал, і виникли саме внаслідок зіткнення з такими реаліями.

Починаючи з другого кварталу 2026 року, ключове питання змістилося з «чи може Agent робити роботу» на те, як побудувати ефективну Human in Loop-систему і як реально знизити витрати на Agent-а.

Загальний Agent виходить у море — так виглядає AI OS

Codex, Claude Code (Cowork), Workbuddy — трансформації, які вони роблять у цей період, це трансформація в бік «універсального Agent-а».

Чому «універсального»? Бо в власному звіті OpenAI за ці лише 2 місяці квітень–травень серед користувачів Codex 20% з тих, хто раніше не займався програмуванням, з’явилися в новій хвилі. Темп зростання користувачів, які не програмують, у 3 рази вищий за темп програмістів. Codex, який був створений для програмування, тепер створений для всього.

Бо якщо не знаєш, як програмувати, тобі потрібен Agent. У цьому світі все, що має повторювані процеси, має потребу в Agent-і.

А з Harness (фреймворком запуску) і Skill (модульністю навичок) Codex справді може робити ці складні процеси. Хоча не все, але того, що може, вже достатньо багато.

Раз вони універсальні, то дискусії минулого року про «вхід у епоху AI» можна тимчасово завершити.

Річ, яка здатна робити все, природно стане «входом» до всього.

Близько 2025 року індустрія зробила ставку на «AI-браузер». Адже за останні двадцять років браузер був головним «входом» у наш інтернет: щоб щось зробити — треба відкрити веб-сторінку. З появою застосунків роль браузера зменшилася, але він усе одно залишається топовим.

Аби AI став «входом», потрібно контролювати цей «вхід» і рухатися слідом за веб-сторінками: натискати кнопки, заповнювати форми.

Google зробив Project Mariner, OpenAI — Operator, Perplexity випустив Comet, а потім навіть запропонував купити Chrome за 34,5 мільярда доларів. Оскільки браузер вміщує життя людей в інтернеті, він має вміщати й Agent-ів — так думало багато людей.

Але сьогодні, через рік. У травні 2026 Google закрив Mariner і відповідні можливості інтегрував у Gemini Agent; Operator також перейшов у більший ChatGPT Agent.

З іншого боку, Codex, Claude Code і Cowork напряму підключаються до файлів, терміналів, репозиторіїв коду, конекторів даних і локальних застосунків — і їхнє використання росте швидше.

Уся логіка за цим — це проблема, яку гаряче сперечалися в Q1: чи потрібен GUI. Графічний інтерфейс (GUI) призначений для людей, а кольори й кнопки допомагають людині розуміти систему, але Agent-у це не потрібно.

Попросити Agent чекати завантаження вебсторінки, розпізнавати кнопки й симулювати мишу — це відволікаючий обхід. Для нього командний рядок (CLI) і структуровані дані значно пряміші.

За цією логікою GUI все ще існує — людям потрібен фронтенд, щоб підтверджувати і виділяти. У loop, де бере участь людина, CUI все ще потрібен, а іноді навіть ефективніший.

Тому браузер не зникне, але він з «єдиного входу» перетвориться на один із інструментів у інструментарії Agent-а. Дані працюють на рівні інфраструктури, а сторінка лише показує людині результати, щоб їй було зручно вносити правки.

Коли «вхід» устоявся, компанії великих моделей почали заходити в вертикальні індустрії.

У квітні Anthropic випустив Claude Design: Agent читає бренд-гайди та кодову базу, готує дизайн-макети, прототипи, презентації для демо та маркетингові матеріали. Після цього вони запустили фінансові Agent-и, розділені за посадами: покриваючи оцінку (valuation) та аудит, звірку головної книги, місячне підбиття підсумків і KYC, а потім перенесли подібні підходи в юридичну сферу. OpenAI не пішов повністю цим шляхом. З одного боку, вони вбудовують фінансові, медичні, наукові та безпекові можливості в модель і перші сторінкові продукти; з іншого — через Apps, MCP, AgentKit і Frontier з’єднують компанії з наявними в них системами.

Хоча формат не зовсім однаковий, і глибина різна, але базова логіка — спиратися на великий каркас універсального Agent-а.

Раніше, коли модельні компанії входили в індустрію, їм потрібно було трохи «дотюнити» дані, щоб підлаштуватися під галузь: розробити нові процеси, підключити нові інтерфейси — кожна компанія робила по-своєму.

Але тепер на рівні основи можна продовжувати використовувати той самий набір Agent-ів. Хочеш робити фінанси — підключаєш MCP до універсальної фінансової бази даних, додаєш методи оцінки та набір compliance-процесів у вигляді skill — і тоді кожний відповідний працівник може цим користуватися; коли потрібно щось додати, він просто трохи доповнює. Хочеш робити право — заміни це на контрактні положення та юридичний пошук.

Щоб перейти від універсального Agent-а до Agent-а для конкретної індустрії, потрібно змінити лише галузеві знання, дані та правила роботи; середовище виконання повністю можна повторно використовувати.

У такому разі змінюються і «бастіони» вертикальних софтів. З MCP і Harness потрібно лише купити кілька баз даних, знайти кількох експертів, щоб сформувати стандарти й направляючі матеріали — і «базово робоча» вертикальна модель може бути готова. Для компаній великих моделей це також доволі легко.

Залишається тільки складніше для копіювання: власні дані компанії, її права доступу та журнали приймання результатів.

Наприклад, чи прийняв опонент фінальні юридичні правки; чи були пізніше припущення в оцінці (valuation) скасовані інвестиційним комітетом — ці дані користувачів у відповідь навчать Agent-а, як робити наступного разу.

Хто зможе швидше й раніше залишити й використати зворотний зв’язок такого типу — той і матиме перевагу першопрохідця.

Поки ринок великих моделей ще не протиснувся до закріплених «фіксованих» сфер, у тебе ще є перевага раннього накопичення даних.

Тому вертикальні можливості вперше можна збирати масово.

А оскільки Agent-у все більше дають роботи, те, що він зробить, організації людей не завжди зможуть прийняти «на вхід».

Tokenmaxxing — перша стіна, в яку вони вперлися після того, як Agent пішов у реальну роботу

Tokenmaxxing — один із найпопулярніших слів у всьому травні. Великі компанії побачили, що Agent такий зручний, тож дали співробітникам більше Token, більше інструментів і довший час роботи. Теоретично їхня продуктивність мала б збільшитися в рази. І до того ж: як би співробітники взагалі могли не вміти? Мовляв, мої працівники мають швидше адаптуватися до епохи AI, щоб не відставати за ефективністю.

На хвилі FOMO та перебільшеного уявлення про можливості Agent-а спалювання Token стало на деякий час «доказом зусиль» у епоху AI.

Хуанг Ренсюнь публічно заявив: інженер із річною зарплатою 500 тисяч доларів, якщо за рік він не спалив 250 тисяч доларів Token, то босу варто хвилюватися — чи він взагалі достатньо використовує AI.

За лічені три місяці ця пожежа залишилась без дров.

Внутрішній рейтинг Amazon викликав масу марних завдань, зроблених лише для місця в рейтингу — врешті довелося вимкнути. Uber’s Claude Code витрачав бюджет уже до квітня, а керівництво не бачило стабільного зв’язку між витратами Token і ростом ефективної функціональності.

Найперше — тому, що це дорого. Звичайні запити можуть один раз викликати модель, а Agent, виконуючи довгі задачі, змушений знов і знов читати ціль, історичний стан, результати інструментів і повідомлення про помилки.

Витрати Token на складні задачі можуть сягати десятків або навіть тисяч разів більше, ніж на звичайний one-shot запит.

У Хардінській Гарячій машині в кінці травня запропонували «обчислювальні потужності ефективного фідбеку»: спеціально рахували, скільки з потрачених обчислень справді впливає на наступний крок. У складних задачах цей показник падає до приблизно 10%. Решта 90% Token здебільшого витрачається на повторне читання, спроби й помилки та марні цикли туди-сюди.

Гроші — це ще не найболючіше. Навіть якщо Agent спалив Token правильно, створене ним ще не гарантує, що воно дійде до етапу здачі.

Код написаний — але треба аудит, тестування, інтеграція і реліз. Згенерований звіт — його треба звірити з джерелами, оцінити висновки. Дизайн-макет має пройти бар’єр бренду, бізнесу й клієнта. Якщо автоматизований процес помиляється — потрібні люди, щоб пояснити, відкотити й відповідати.

Дослідження MIT, яке охопило понад 100 тис. розробників на GitHub, виявило: автономні Agent-и для програмування можуть збільшити кількість кодових комітів на 120%. Але ці коди на стадії проходження ініціації (взяття в розробку) скоротилися до 50%, а версії, які реально випускаються й виходять у прод, лишилися лише 30%.

Уяви ресторан, який раптом утричі пришвидшив нарізання овочів. Але смаження, розкладання по тарілках, подача й запити клієнтів не змінюються. На кухні лишається завалена купа нарізаних інгредієнтів, а за день ресторан усе одно продає стільки ж столів.

У економіці є теорія «теорія заміщення»: ефективність процесу визначається тими частинами, які не можна замінити автоматизацією. AI підтягує швидкість генерації, але швидкість review низька. Через це Agent-ове підвищення ефективності впирається в «перешийок» системи.

Повторна генерація також спалює ще одну частину Token. Оскільки швидкість генерації одного Skill, модуля або застосунку різко зростає, а ефективних механізмів синхронізації немає, люди не знають, які вже є результати, і часто повертаються та переписують. За аналізом Nanyang Tech (Nanyang理工), з більш ніж 20 тис. Skill на ринку приблизно три чверті дуже схожі між собою; після дедуплікації лишається лише понад 5 тис.

Кодові виправлення, які надсилає Agent, також часто відхиляють, бо «це вже хтось вирішив». Token витрачені, але на виході — купа повторних «коліс».

Попит не росте разом із пропозицією. AI може швидко збільшити кількість застосунків, контенту та коду, але час користувачів і готовність платити не змінюються синхронно. Чим легше написати App — тим важче знайти потребу, яка реально існує й на яку хтось готовий платити. Дослідження ринку застосунків показують: кількість App після появи AI різко зросла на 40%, але кількість завантажень не змінилася.

Token не можуть створити ринок, якого спочатку не було.

Провал масштабного Tokenmaxxing був гучним, але чітко висвітлив два вузькі місця. Перше — технічне: Agent витрачає марно дуже багато, і швидкість та вартість не вдається знизити. Друге — організаційне: не було вибудувано систему ре-перевірки, оцінювання, координації й відповідальності; у підсумку підвищення продуктивності на виробничому кінці не можна «всмоктати», а успіх не був ефективно використаний.

У наступному кварталі найбільш помітною технічною зміною буде заповнення цих напрямів.

З Agent-ом, замість людей, які все ще сидять у loop

Якщо один Agent робить занадто повільно — нехай працює одразу купа. Якщо після виконання жоден не перевіряє — відправ іншого Agent-а на перевірку.

Коли кілька Agent-ів ділять ролі, перехресно перевіряють одне одного і підстраховують прогалини, частину роботи, яку раніше тримали люди, переноситься в систему.

Так народжується гарячка Multi-Agent (мультиагентності) у 2026 році.

Найбільш надійна на цей момент модель Multi Agent — це «оркестратор—виконавець». Тобто основний Agent розбиває задачу, роздає її нижчим під-агентам для паралельної роботи, а потім збирає все назад і підсумовує.

Наприклад, Claude Research надсилає кілька research Agent-ів для розділеного пошуку, а потім головний дослідник збирає все воєдино. Agent, який відповідає за цитати, потім ще раз перевіряє джерела. Kimi Agent Swarm заходить далі: сотні під-агентів можуть паралельно обробляти відео, код і задачі пошуку.

Коли є робота, яку вигідно паралелити (наприклад, масова обробка відео або коду), цей трюк дуже добре працює: він сильно скорочує час очікування, а паралельні підзадачі виконуються глибше. Звіт Kimi стверджує: затримка для деяких задач може знижуватися до 4,5 разів. Claude Research також досяг помітного покращення в задачах, де потрібен широкий пошук.

Втім, у цій моделі покращення Multi Agent часто походить від додаткових обчислень, а не від співпраці як такої. Anthropic розкрив: токени, які споживає система мультиагентного дослідження, можуть досягати чотирьохкратного рівня звичайного Agent-а. У частині оцінок саме витрати Token пояснюють більшість різниць у продуктивності.

Зараз Multi-Agent більше схожий на менеджера проєктів, який керує кількома незалежними командами фрилансерів, що не взаємодіють між собою. Він може розкласти роботу паралельно, але ще не сформувався «роєвий інтелект».

У різних дослідженнях, як тільки прибирають центрального «генпідрядника» і дозволяють Agent-ам самим домовлятися, назовні виходять усі «хиби» людських команд. Одні йдуть за більшістю, інші думають: «хтось зробить», і починають лінивитися.

Тести показали: коли кілька Agent-ів збираються разом, точність часто навіть нижча, ніж у одного Agent-а, який має повну інформацію.

Суть цього в тому, що в процесі тренування моделі не було такої задачі як «співпраця». Якщо зібрати в одному приміщенні моделі, які звикли працювати поодинці, здібність до командної координації не з’явиться сама по собі.

Співпраця — це інша гра. Мої дії змінюють твоє становище, а твоя оцінка змінює мій вибір.

Тому далі Multi-Agent потрібно доповнити інституціями. Як розподіляються завдання, як обмінюється інформацією, хто відповідає за помилки, як винагороди повертаються вздовж ланцюга робіт, чи будуть відсіватися Agent-и з поганими довгостроковими показниками — усе це треба проектувати.

Інший шлях, який іде далі, — це «самоеволюціонуючий AI», тобто RSI.

У звіті Anthropic за червень цей концепт згадується. Вони дозволили моделі безперервно оптимізувати фрагмент коду, який використовують для тренування маленьких моделей. Результат: через зростання здатності моделі від Claude 3 до Mythos рівень оптимізації пройшов шлях від приблизно триразового прискорення аж до понад п’ятдесяти разів.

Ключова ідея така сама, як і в людських експериментах: вона проходить п’ять кроків — знайти проблему, придумати спосіб, зібрати середовище та дані, перевірити результат, зберегти корисні зміни — а потім запустити наступний раунд.

Такі компанії як Minimax уже вбудували ці автоматизовані процеси в post-training, щоб зробити їх повністю автоматизованими.

Якщо ціль і критерії оцінки достатньо чіткі — наприклад, «оптимізувати швидкість запуску цього коду у 50 разів» — Agent сам знаходить проблеми, править код, запускає тести, зберігає корисні зміни і запускає цикл знову.

Вона робить цю роботу краще за людину: швидко і без втоми.

Але вона все ще не знає, куди саме йти. «Яка дослідницька траєкторія має цінність», «цей індикатор обманює чи ні» — це треба вирішувати в дуже великому просторі пошуку. У випадках такого «смаку» (точніше: здатності оцінити, що варте уваги) Agent досі робить дуже погано.

У дослідах Anthropic у таких складних рішеннях простору пошуку, де люди вже помиляються, модель має лише 20% шансів зробити краще за людину. Якщо людина й так робить добре, то модель тим більше не має конкурентної сили.

Ще один концепт, який у червні став дуже популярним: Loop Engineering зробила з такого циклу інженерію для довготривалих запусків. Agent більше не чекає, доки людина натисне кнопку, щоб «поїхало». Він сам знаходить задачі, виконує, перевіряє, записує фідбек, а потім вирішує, що робити в наступному раунді.

Вище описано технічний розрахунок, але Agent ще має одну економічну бухгалтерію — її теж треба рахувати.

Економіка, яку неможливо порахувати

Протягом минулих кількох років головним героєм у обчислювальній потужності для AI були GPU. Тренування великих моделей потребує безперервного виконання величезних матричних обчислень — GPU саме для цього добре підходить. CPU відповідає за запуск програм і підготовку даних — його роль низькопрофільна.

Але спосіб роботи Agent-а інший. Це не «раз — і купити навіки», а постійне перемикання між інференсом, підключенням інструментів і очікуванням результатів. Велика частина часу йде не на обчислення моделі: налаштування браузера, робота з файлами, обробка таймаутів. Якщо на середині є затор — дорогий GPU лишається простоювати.

Дослідження «A CPU-Centric Perspective on Agentic AI» наприкінці 2025 року виміряло п’ять типів Agent-ів. Виявилося, що обробка інструментів займає до 90.6% повної затримки виконання, а динамічне споживання енергії CPU — найбільше досягає 44% від системного динамічного енергоспоживання. Після спільного налаштування розподілу задач між CPU і GPU медіана затримки для певної частки навантаження покращилася більше ніж у 2 рази.

Тому CPU знову повертається в центр обчислювальної системи. GPU продовжує робити інференс, а CPU підтримує паралельне середовище, керує чергами задач і викликами інструментів. KV і пам’ять зберігають пісочниці кожного Agent-а, логи та проміжні результати, а мережа відповідає за передачу даних між чипом і сервером. Будь-який затор на будь-якій стадії — і дорогий GPU знову змушений чекати.

Капітал ринок уже почав виставляти цій зміні ціну. У першому кварталі 2026 дохід AMD у сфері дата-центрів становив близько 5.8 мільярда доларів, що на 57% більше в річному вимірі; приріст доходів серверних CPU перевищив 50%. Компанія подвоїла прогноз розміру ринку серверних CPU на 2030 рік до 120 млрд доларів, і серед причин прямо назвала потребу Agent-а в диспетчеризації, переміщенні даних та виконанні.

Окрім швидкості, починає «шаруватися» й ціна на моделі. У другому кварталі 2026 найдешевші популярні моделі: 1 мільйон input Token коштує вже кілька центів; найдорожчі передові моделі — до десятків доларів.

Різниця між цінами «високий/низький» була близько 30 разів два роки тому, а зараз вже близько 600 разів.

Дешевші моделі забирають дедалі більше токен-трафіку, а дорогі моделі продовжують забирати ключові задачі та основні доходи. Дуже багато кроків не потребують найсильнішої моделі: читання репозиторію, класифікація, вилучення, впорядкування логів — дешевшої моделі достатньо. Лише складні рефакторинги, безпекові аудити, юридичні висновки та ключові рішення після провалу справді варті високої ціни.

Але зараз ціни на моделі автоматично не «шаруються». ChatGPT вже має інтелектуальну маршрутизацію: він розподіляє моделі залежно від складності задачі, але ефект незадовільний — тому люди майже не користуються. А от у червні Fugu від Sakana показав дуже добрий результат: бо він більше не визначає маршрутизацію через самі моделі. Замість цього тренують окремий Agent, який робить маршрутизацію. Він спершу розуміє задачу, динамічно збирає робочі «сходи» (work scaffolding), а потім викликає різні моделі з різною ціною та здатністю, утворюючи тимчасальну команду. Найдорожча модель обробляє лише ключові кроки, а решту віддає дешевшим моделям.

У результаті за половину грошей вдається отримати ефект найкращої моделі.

Здається, першими зможуть налагодити це у програмуванні: там є вже готовий фідбек. Репозиторії, різниця в коді, тести, Lint, CI та логи підказують routing-системі: чи спрацювало призначення на минулому циклі.

Дешеві моделі читають код і генерують тести, моделі середнього класу роблять звичайні правки, сильні моделі виконують ключовий рефакторинг і безпекову перевірку, а потім усе передається інструментам для приймання.

А в майбутньому Codex, Claude Code та подібні продукти, без сумніву, теж матимуть автоматичну класифікацію. Вони дедалі більше стануть схожими на організаційний инженерний штат, який керує командою моделей. Вони отримують бюджет і роздають різні моделі на роботи, замість того, щоб використовувати один і той самий модель від початку до кінця.

Але проблема на цьому не закінчується. Із проникненням Agent-ів змінюються робота, безпека, інформація й людське мислення — і не обов’язково в кращу сторону.

Стискання реальності

Негативний вплив, який додає Agent, раніше здебільшого лишався в площині розрахунків і припущень.

Але до другого кварталу 2026 деякі зміни вже лягли на реальні робочі місця і в продукти.

Найпершими постраждали роботи.

Удар AI по зайнятості не обов’язково проявляється спершу як раптове зростання макрорівня безробіття. Першими змінюються точки входу на вакансії, щоденні завдання та бюджети компаній. Вже почали вбиратися Agent-ами: кол-центри, підтримка, тикети (work orders), внутрішні Q&A, базові операції, а також частково аналітика даних, DevOps та управління проєктами.

Ще є деякі позиції, які Agent напряму не замінив, але їх «витиснули» AI-рахунки. GPU, дата-центри і команди моделей потребують великих інвестицій — компанії змушені знаходити гроші в інших бюджетах. Інших працівників переводять на керування Agent-ами, робочими процесами та більш складними рішеннями: назви посад можуть не зникнути, але зміст роботи вже інший.

Найсильніше впливає на стартові посади. Пошук інформації, підсумування, базовий код, упорядкування інформації про клієнтів — це найпростіше віддати Agent-у. І це ще й ті тренування в індустрії, які найчастіше проходить новачок. Люди через ці задачі розуміють бізнес, кодові бази, клієнтів і стандарти суджень в організації.

Дослідження статті за травень 2026 «Generative AI and the Reorganization of Labor Demand», що аналізує оголошення про найм, показало: з 2023 року частка задач, куди легше проникає AI, знизилася приблизно на одну десятину. Приблизно половина змін — через те, що компанії скорочують такі посади; ще 40% — через те, що компанії переписують наявні вакансії: замінюють завдання на ті частини, які складніше передати AI.

Компанії хочуть наймати «більш зрілих початківців», але забирають ті стартові завдання, завдяки яким люди стають зрілими.

А вхід у професію стає все вужчим — і, можливо, ця зміна триватиме довше, ніж один раунд масових скорочень.

Після змін у роботі безпекові питання також переходять із площини статей у запуск продуктів.

Mythos від Anthropic демонструє дуже сильні навички кібербезпеки: знаходить і підтверджує вразливості високої критичності. Компанія не наважується відкривати її як звичайну модель. Додавши огородження до Falbe 5, дослідники та розробники знову нарікають, що обмеження надто сильні.

Передові моделі OpenAI теж почали застосовувати обмежене відкриття.

Занадто вільне відкриття знижує поріг для небезпечних можливостей — мережевих атак, біоризиків тощо. Занадто ж сильне обмеження шкодить нормальним дослідженням і цінності продукту. Хто може користуватися найсильнішою моделлю і які інституції вважаються «довіреними партнерами» — усе це досі залежить від впливу уряду та геополітики.

Окрім посилення можливостей, компанії моделей також мають довести, що вони здатні безпечно випускати це назовні.

Безпека починає гальмувати найпередовіші моделі.

Інтернет також створює нові цикли інформації.

Контент, згенерований AI, не поглинає весь інтернет нескінченно, але «забруднення» в AI-пошуку лише посилюється. Аналіз Graphite показує: з початку 2024 до початку 2026 частка контенту, згенерованого AI, у вмісті інтернету стабільно тримається на рівні 48%-50%. Але в цитуваннях ChatGPT: частка, яку оцінюють як згенеровану AI, за пів року зросла з 38.9% до 42.7%.

Все, що модель раніше казала, зробивши коло, перетворюється на доказ для наступної відповіді.

Далі, коли SEO і GEO можуть скористатися цією схильністю, пошукові системи легко можуть перетворитися на «ехокамери», де машини цитують машини.

Тоді матеріали, в які хтось сходив на місце, поговорив із дійовими особами, відредагував контент і готовий підписатися відповідальністю за нього, ставатимуть дедалі рідкіснішими.

Окрім впливу на соціальному рівні, Agent ще й змушує окрему людину «роззброювати» (вимикати) власне пізнання.

Щойно з’являється проблема — ми ще не встигли подумати, як рука вже тягнеться до ChatGPT. Погляди ще не сформувались, а AI уже складає план.

Коливання, спроби, сумніви й перевірка згортаються однією гладкою відповіддю — і людина перескакує етап формування суджень.

У Wharton School of the University of Pennsylvania 1372 учасники виконали майже 10 тисяч задач на міркування. Якщо дозволити використовувати AI, учасники в понад половині задач самі просять допомоги. Навіть коли AI дає неправильні відповіді, приблизно 80% людей все одно вирішують повірити йому.

Дослідження Anthropic про навчання програмістів також показало: з допомогою AI в групі виконання незнайомих задач відбувається швидше, але в наступних закритих тестах середні результати падають на 17%. Завдання здали — але навички не лишилися.

Статтю здаєш ти, код висить під твоїм ім’ям, і навіть план (схему) ти звітуєш. Відповідальність на тобі, але процес мислення, який генерує ці речі, щораз усе менше виконується тобою.

Тейлоризм перетворив робітника на руку на виробничій лінії; AI може перетворити людину на штампувальну «кнопку» на лінії пізнання.

Тому майбутньому AI, можливо, доведеться спеціально залишати трохи тертя в певних етапах.

Перед діями з високим ризиком — нехай людина пояснить і підтвердить; перед формулюванням висновку — нехай людина запише власне судження, покаже контраргументи й протилежні докази, а не щоб «все за неї» вже було зроблено.

Це сповільнить процес, але лишить місце для мислення й навчання.

Епілог

Вісім трендів другого кварталу 2026, якщо читати їх разом, складають безперервну історію.

Загальний Agent забирає «вхід» у софт; компанії на передньому краї моделей заходять у вертикалі завдяки цьому. Tokenmaxxing швидко впирається в стіну, розкриваючи слабку ланку: швидкість повторної перевірки людиною та вартість системи.

Multi-Agent і самоеволюціонуючий AI беруть на себе повторну перевірку й ітерації. А CPU, пам’ять, мережа та роутинг моделі роблять так, що Agent працює швидше й дешевше. Коли ці проблеми отримують рішення, на поверхню виходять питання зайнятості, безпеки, інформаційного забруднення та «роззброєння» пізнання.

То що має накопичувати компанія далі — це не лише обсяг Token. Кожне виконання має залишати повторно використовувані робочі процеси, оцінки, права доступу, організаційну пам’ять і фідбек по результатах.

Інакше бюджет вичерпають — і крім рахунків не залишиться нічого.

А людині необов’язково змагатися з AI у швидкості генерації.

Машини можуть швидко відповідати, але людині ще треба вирішити: чи вартий предмет, які наслідки матиме відповідь — і нести відповідальність за це.