Штучний інтелект уже змінив спосіб, у який створюється код, і темп цих змін лише зростає. Нові моделі на кшталт GPT-5, Gemini 2.5 чи Sonnet 4.5 демонструють, що системи для автоматизації програмування вдосконалюються майже щотижня. Водночас інші сфери, наприклад, написання електронних листів або ведення діалогів, розвиваються значно повільніше. Причина цього криється у тому, як саме ШІ навчається.
Чому ШІ розвивається нерівномірно
Найпотужнішим двигуном прогресу сьогодні є навчання з підкріпленням. Це метод, коли алгоритм самостійно тестує свої дії та отримує “нагороду” за правильні результати. Програмування ідеально підходить для такого підходу. Код можна перевірити мільярдами автоматичних тестів, і система чітко знає, коли завдання виконано правильно. Саме тому інструменти на кшталт GitHub Copilot чи Gemini Code так швидко стають точнішими.
А от письмо або спілкування не мають настільки чітких метрик успіху. Не існує об’єктивного тесту, який визначить чи гарний електронний лист вийшов у ШІ, або наскільки переконливо він відповів. Це ускладнює масштабне вдосконалення моделей у цих напрямах.
Однак межа між легко й важко тестованими навичками не завжди очевидна. Нові прориви, як-от відеомодель Sora 2 від OpenAI, доводять, що навіть складні візуальні завдання можна зробити вимірюваними. Її здатність дотримуватись законів фізики та створювати реалістичних персонажів, ймовірно, теж є результатом розвинених систем підкріплення.
Поки навчання з підкріпленням залишається головним інструментом розвитку ШІ, цей розрив у підкріпленні зростатиме. І від того, на якому боці цього розриву опиниться галузь, може залежати майбутнє цілих професій.