ШІ тупішає? Чому розробники в люті від нових оновлень

Навчись професійно працювати з Claude Code та зрости на ринку праці: https://go.foxminded.ua/4xuVpbU Нові версії топових моделей — і хвиля скарг: "стало гірше", "деградували", "раніше було розумніше". Розберемось, що насправді відбувається. Спойлер: моделі не тупішають. Просто їх все частіше застосовують не за призначенням — і потім дивуються результату. На стрімі розберемо: — чому суб'єктивне відчуття "погіршення" виникає навіть коли бенчмарки ростуть — типові кейси неправильного підбору задач під модель (і чому це схоже на смаження попкорну на адронному колайдері — потужність є, а результат сумний) — як підбирати задачу під модель, а не намагатись впихнути будь-яку задачу в одну "улюблену" — реальні приклади з практики: де я сам обпікся на цьому Це не хайп-розбір і не захист вендорів. Це спроба чесно розібратись, де межа між "модель справді стала гірше" і "я просто неправильно її використовую". Стрім буде корисний, якщо ти вже працюєш з AI-агентами в розробці і хочеш розуміти інструмент глибше, а не просто повторювати чужі скарги в соцмережах. Таймкоди: 00:00:00 — Вступ: чому розробники кажуть, що ШІ тупішає 00:01:21 — Попкорн в адронному колайдері: головна помилка використання LLM 00:02:10 — Інтерактив: яку модель ви запускаєте зранку? 00:04:37 — Жорстка статистика: JetBrains, Stack Overflow та реальна довіра до AI 00:07:21 — Звіт Anthropic: скільки задач реально вдається делегувати 00:08:16 — Чому топова модель видається тупою (надлишок thinking tokens) 00:13:36 — Феномен Overthinking: що кажуть наукові дослідження 00:16:47 — Крива точності: чому довгі міркування запекають код у «кашу» 00:18:24 — Скільки коштує переобдумання у доларах та токенах 00:19:39 — Вузькі місця 3-х вендорів: Anthropic, OpenAI та Google 00:22:03 — Flagship, Middle чи Fast: яку модель під які задачі обирати 00:25:57 — Fable 5.1 проти Opus: розбір бенчмарків SWE-Bench 00:29:49 — Як під капотом думають Fable 5.1 та OpenAI Astra 00:36:10 — Чому моделі ігнорують підказки та зрізають кути 00:37:42 — Про курс Claude Code Pro та роботу з SDLC 00:46:54 — Шкала сумніву моделі: від ліні до зацикленої параної 00:52:47 — Проблема Lost in the Middle у довгих чатах 00:57:25 — Що офіційно радять самі самі творці моделей (OpenAI, Anthropic, Google) 01:01:15 — Приховані пастки: субагенти, згоряння кешу та підступні аліаси 01:06:12 — Айсберг вибору моделі: що приховано під водою 01:10:38 — 8 питань, які треба поставити собі перед вибором моделі 01:14:49 — Відповіді на питання глядачів (Q&A) 01:16:04 — Що таке Harness (обв'язка) простими словами 01:22:20 — Чи є сенс піднімати локальні моделі на своєму компі 01:28:12 — Як не втратити власний глузд та хард-скіли 01:29:38 — Створення єдиного Harness для команди та компанії 01:33:15 — Аналогія Harness із двигуном та автомобілем 01:40:40 — Як не спалити тижневі ліміти в Claude 01:44:25 — У чому різниця між Workflow та Pipeline 01:46:27 — Про JetBrains AI, провал Junie та стійкість GitHub Copilot 01:53:15 — Composer 2.5 та маленькі моделі під рутину 01:58:55 — Завершення стриму Корисні посилання: 🔗 Потрібен ментор в розробці чи хочеш опанувати роботу з AI? Записуйся на безкоштовну сесію зі мною: https://waylight.me/kruhlyk_ua/appointment/d60f8-49530 🔗 Мій Telegram-канал з корисними інсайтами: https://t.me/lets_code_ua 🔗 Telegram-форум нашої спільноти: https://t.me/kruhlyk_community 🔗 Підтримуй канал та отримуй додаткові бонуси: https://base.monobank.ua/A3z1pKQQvXMKbG#subscriptions 🔗 Мій Patreon з корисними і ексклюзивними бонусами: https://www.patreon.com/c/KRUHLYK