7 міфів про ШІ, яких час позбутися

Міф 1. «AGI вже поруч»

Цей прогноз звучить ще з Дартмутської конференції 1956 року, де власне й народився термін artificial intelligence. З того часу AGI (Artificial General Intelligence) стабільно «дуже близько» вже майже 70 років.

Що відбувається насправді?

Прогрес є, і він прискорюється. METR (дослідницький інститут, який міряє AI) показав, що довжина задач, які AI-агенти виконують з надійністю 50%, подвоюється приблизно кожні 7 місяців з 2019 року. У 2024-2025 цей показник прискорився до кожних ~4 місяців.

Звучить вражаюче, але є нюанс: 50% надійності — це означає, що в половині випадків модель робить задачу, в іншій половині — фейлить. Для production цього недостатньо. Для надійності 80% розрахунки інші і там 1-місячні задачі можуть прийти на 7 років пізніше за просту екстраполяцію.

Що ми насправді маємо на сьогоднішній день: ніхто точно не знає наскільки AGI вже поруч. Хто каже інакше, той або щось продає, або зробив ставку і тепер мусить її захищати.

Міф 2. «AI наc всіх замінить»

Спойлер: не замінить, але змінить.

Є таке поняття парадокс Джевонса, який описав економіст Вільям Стенлі Джевонс ще в 1865 році: коли ресурс стає дешевшим, його споживання росте, а не падає. Він спостерігав, як ефективніші парові двигуни не зменшили, а збільшили споживання вугілля в Англії.

Що відбувається з AI:

Він здешевлює когнітивну роботу. Те, що раніше не варто було часу спеціаліста стало рутиною і ми з вами із цим стикаємося повсякчас: Детальний аналіз 500 креативів конкурентів? Раніше ніхто би цього не робив, зараз — стандартний процес. Самарі мітингу для всіх учасників? Колись було: «ой ну хто буде це писати», зараз — автоматизовано.

Це означає, що роботи навпаки стане більше, але вона буде інша. І ось тут починається непопулярна частина: замінюються не професії, замінюються конкретні люди, які не інтегрували AI у свою роботу.

Якщо ви боїтесь, що вас замінять

Я розумію, що все це звучить як корпоративний мотиваційний постер, але це правда, і вона більш неприємна, ніж «AI прийде і всіх з'їсть». Бо тут немає на кого скаржитись, окрім себе.

Треба адаптуватися: замість гадати чи зникне ваша професія, корисніше запитати в себе які саме задачі в роботі AI вже робить добре і почати з них.

Загальне правило: AI добре робить чорнову роботу і погано приймає фінальні рішення. Вчіться передавати йому чорнову, а собі залишати креативність, контекст і відповідальність.

Міф 3. «AI мислить об'єктивно»

Я обожнюю цей міф.

Він з'являється у людей, які ще не бачили, як модель з повною впевненістю дає три різні відповіді на одне й те саме питання залежно від того, як ти його сформулював.

Stanford Hoover Institution провели дослідження на 24 LLM від 8 компаній — 180 126 оцінок від 10 007 респондентів у ході якого дійшли висновку, що майже всі провідні моделі сприймаються як значно ліво-ліберальні, і це помітно навіть демократам, не те що республіканцям. Це не вроджена властивість LLM, а наслідок того, на чому модель тренували і як її потім донавчали.

Anthropic, наприклад, публічно опублікувала «конституцію» Claude — буквальний документ з цінностями та поведінкою, яку в модель закладають під час тренування. OpenAI має свій model spec.

Тобто за кожною об'єктивною відповіддю AI стоїть редакція з людей, які вирішували, як модель має реагувати. Це не математика, а редакційна політика.

Міф 4. «Чим розумніша модель, тим краще!»

Anthropic у липні 2025 опублікувала дослідження з прекрасною назвою "Inverse Scaling in Test-Time Compute". Простими словами: моделі можуть працювати ГІРШЕ, коли їм дають більше часу на роздуми.

Так-так. Більше thinking = гірший результат. Підтверджено на Claude і на OpenAI o-series в задачах на лічбу з відволікачами, регресію зі спорадичними фічами, дедукцію.

Більше того, раніші дослідження показали інший феномен: більші моделі більш sycophantic. Тобто частіше підлаштовуються під думку користувача і повторюють її як свою у 75-98% розмов. Якщо ви колись думали «ого, я й сам так вважав!» після відповіді ChatGPT — ось він, привіт.

Висновок для роботи: для більшості задач не потрібна найрозумніша модель, потрібна швидка, передбачувана, та що слідує інструкціям. Економте кредити.

Tips як обрати модель під свій запит

Для рутини aka дешево і швидко

• Haiku

• GPT-5-mini

• Gemini Flash

Для складних задач

• Sonnet

• Opus

• GPT-5

Коли не впевнені

Якщо не знаєте, що вибрати, почніть з середньої моделі. Якщо результат не влаштовує — піднімайтесь. Якщо влаштовує і ви хочете дешевше — спускайтесь.

Міф 5. «AI мене реально знає»

Ось цей міф — улюблений серед серед моїх подруг, бо він трохи романтичний.

Подруга каже: «Він мене добре знає, ось — імена дітей, улюблений колір, тип за MBTI». Я пояснюю, що це не духовна близкість, це нотатник. Як коли ти записуєш на стікері «Марина з бухгалтерії, має алергію на горіхи». Стікер тебе не любить, він просто є.

Чому це важливо?

Ілюзія «AI стає моїм» створює переоцінку довіри. Про це слід памʼятати, перш ніж розповідати йому щось дуже особисте. Модель не «пізнає вас» і не «розуміє вас краще з часом». Вона читає той самий нотатник, який ви або хтось інший склали.

Як налаштувати пам'ять в AI з користю

Заповнюйте її свідомо. Скажіть AI: "Запам'ятай, я працюю в маркетингу, тон моїх текстів прямий і без води, я ненавиджу слово 'синергія'". Це збереже час на кожній наступній взаємодії.

Тримайте окремі чати для окремих контекстів. Один для робочих задач, один для досліджень, інший для експериментів і тд. AI плутається, коли все в одній купі.

Періодично чистіть нотатник. Раз на квартал перегляньте, що AI про вас "знає". Старі припущення тягнуться у відповіді довго. І не розповідайте AI того, чого не хочете побачити в логах компанії. Нагадаю, це не подруга, а бібліотекар, який працює на корпорацію.

Міф 6. «AI-агенти вже можуть робити за нас все»

2025 називали роком AI-агентів.

Звучало так, ніби завтра я можу сказати "забронюй мені рейс, перевір імейл, напиши тендер і свари мене за прокрастинацію" — і все станеться.

Реальність математична і жорстока. Якщо модель надійна на 90% на одному кроці, то на 5 послідовних кроках її надійність — 59%. Помилки накопичуються мультиплікативно.

Конкретні цифри з бенчмарків з реальною складністю:

• TheAgentCompany (реальні робочі задачі): найкращий агент виконав 30.3% автономно

• CLAWBENCH (повсякденні онлайн-задачі): Claude Sonnet 4.6 — 33.3%, GPT-5.4 — 6.5%

• На старіших бенчмарках ті ж моделі видають 65-75%, але це бенчмарки попростіше, як іспит, де у викладача добрий настрій.

Це не означає, що агенти — фейк. Це означає, що "AI робить все за вас" — фейк. Реальні агенти зараз — це вузькі автоматизації під конкретні робочі процеси, з людиною в петлі контролю. Я це бачу щодня у себе на роботі: ми зробили 20+ MVP за півроку, і всі вони саме такі. Жоден не робить за людину, вони прибирають рутину навколо роботи.

Де AI-агенти вже працюють

Хороша новина: щоб мати AI-агентів у роботі, не треба будувати ще один внутрішній власний відділ. Більшість великих SaaS-продуктів уже додали їх у свої преміальні підписки.

• Jira / Atlassian Intelligence — вбудовані агенти в преміумі. Самарі тікетів, генерація acceptance criteria, чернетки описів задач, пошук схожих проблем у бекклозі. Ми тестували — частина агентів дійсно забезпечує гарний результат.

• Notion AI — самарі сторінок, переклади, генерація чернеток, Q&A по базі знань. Працює прийнятно для текстової роботи.

• GitHub Copilot / Cursor — для розробників, мабуть, найзріліша категорія. Це вже стандартний інструмент.

• Google Workspace (Gemini) / Microsoft Copilot — самарі імейлів, чернетки відповідей, аналіз документів. Залежить від тарифу, але у багатьох корпоративних підписках уже включено.

Що з цього варто перевірити в першу чергу: подивіться, які підписки у вас уже оплачені. Велика ймовірність, що половина AI функцій уже там є. Це найдешевший спосіб почати без "давайте побудуємо своє". Будувати своє має сенс, коли готових рішень для вашого процесу немає або вони не покривають специфіку. У більшості випадків починайте з того, що вже у підписці.

Міф 7. "AI допомагає вчитись"

Тут треба бути обережним.

MIT Media Lab у 2025 опублікувала дослідження "Your Brain on ChatGPT". 54 учасники писали есе у трьох групах:

• з ChatGPT,

• з пошуковиком,

• без нічого.

EEG показав, що група без інструментів мала найсильніші нейронні мережі. Група з пошуковиком — помірне залучення. Група з LLM — найслабшу зв'язність. Користувачі LLM не могли точно процитувати власні есе. Відчуття "це я написав" — найнижче.

Важливо:

дослідження поки не peer-reviewed, sample малий, і самі автори просять не використовувати слова типу "harm" чи "brain rot" — це не те, що вони показали.

А що показали: cognitive offloading реальний, коли ми делегуємо думання, мозок не тренується. Як GPS послабив навігаційні навички. Це не привід не використовувати AI. Це привід використовувати свідомо, особливо, коли мета саме навчитись, а не виконати. Це різні режими, і AI зручно плутає їх місцями. Хочеш зрозуміти тему — спершу подумай сама, сформулюй питання, потім питай. Хочеш швидко зробити — питай одразу. 

На завершення. Я подумала, що залишати вас з "AI — це просто інструмент, бажаю успіхів" — це теж трохи нечесно. Тому ось практична, але далеко не вичерпна частина з того, що реально працює.

Якщо ви вчитесь з AI

Спробуйте метод Фейнмана навпаки. Спершу поясніть тему собі (письмово, без AI — нехай криво, нехай поверхнево). Потім дайте свій текст AI і попросіть знайти слабкі місця, помилки, прогалини. Так ви тренуєте мозок, а AI допомагає рости, а не виконує за вас.

Розрізняйте режими "зрозуміти" і "закрити таску". Для "зрозуміти" — думайте першими, питайте другими. Для "закрити таску" — питайте одразу, не парьтеся.

Якщо ти плануєш публікацію на LinkedIn, Medium або в корпоративному блозі, я можу також зробити native-level editorial version — не переклад, а повноцінну англомовну статтю в стилі технологічних медіа на кшталт Every, Ben's Bites, a16z, One Useful Thing або Towards Data Science. Це зазвичай читається значно краще міжнародною аудиторією.