Зараз із ШІ-моделями відбувається дві речі одночасно. Ціна за корисний токен повзе вгору: найкращі моделі коштують усе більше за той самий результат, а Pro-плани мейнстрімних чатів випливають у нових тарифних сходинках кожні кілька місяців. Паралельно ландшафт самих моделей робиться все строкатішим. Кожен квартал приносить нову спеціалізовану модель, агентський рантайм, локальний стек або інфраструктурний шар, без яких рік тому ще можна було обійтися.

Стратегія «закидаю все в одну модель, що в мене відкрита у вкладці», перестала бути оптимальною, навіть якщо ця модель і справді найкраща у своєму класі — бо клас тепер не один, і найкраща для одного типу задач не означає навіть прийнятна для іншого. Питання вже не «який чат-бот купити», а яка модель належить на якому етапі роботи.

В моєму типовому робочому тижні маршрутизація виглядає приблизно так: великий ресерч іде через одну модель, чорнова саммаризація через іншу, складна редакційна правка через третю, код через четверту, локальні файлові операції через п'яту. ChatGPT і Claude досі лишаються базовим орієнтиром для більшості. Але професійний стек уже зміщується далі: спеціалізовані моделі для об'ємних задач, агентські рантайми, локальні моделі, шари оркестрації. Нижче поговорю про інструменти, які я реально використовую, і ролі, які кожен з них грає в моїй щоденній роботі.

ChatGPT: найбезпечніша ставка серед універсалів

ChatGPT досі залишається найдешевшим способом мати при собі сильного універсала. За стандартну споживчу підписку ви отримуєте модель, яка добре пише українською, тримає мультистеп-задачі і нормально працює з довгими документами. Зверху ще голосовий режим, генерація зображень та аналіз візуалу.

Українська тут уже не питання, рівень професійно прийнятний, я б навіть сказав що майже first-class. Тон з коробки не завжди мій улюблений: модель схильна до впізнаваних gpt-візмів. Для будь-якого редакційного формату я обов'язково додаю обмеження по голосу і бренду. Галюцинації лишаються відомою слабкістю, тому фактчек обов'язковий, особливо для цифр, цитат і юридичних деталей. ChatGPT часто буває настільки переконливим, що його легко не перевірити.

Сильна сторона, про яку часто забувають, це Codex. На моїх власних задачах із кодом і архітектурою Codex зараз обходить Claude Code. Він почувається більш контрольованим, акуратніше тримає межі задачі і не переробляє сусідні файли «про всяк випадок». Claude Code іноді кидає на документ усе підряд і називає це робочим рішенням; Codex поводиться помітно стриманіше. Це окремий продукт екосистеми OpenAI, і його варто розглядати окремо від чату.

GPT Image 2 — окремо сильна частина пакета і прямо зараз мій основний інструмент для генерації зображень. Він краще керується, ніж попередні релізи, тримає стиль і дає виходи стабільно публікаційного рівня. Аналіз візуалу теж сильний, хоча іноді занадто заспокійливий: якщо на фото загроза, модель іноді намагається підбадьорити замість того, щоб сказати «йдіть звідти». Голосовий режим тут також одна з найкращих реалізацій на ринку. А ось у складних артефактах і презентаціях ChatGPT слабший за Claude, Kimi і GLM.

Claude: інструмент якості, структури і смаку

Claude я тримаю там, де потрібне судження. Структура думки, тон, тонкощі формулювань, складна редакційна задача — усе це досі моя зона Claude. Він не завжди операційно найкращий, але якісно лишається орієнтиром, з яким я порівнюю решту.

Найчистіший приклад я отримав на власному аудиті контенту для Projector. Я дав однакову задачу Claude Opus і GPT-5.4: проаналізувати 68 статей з нашої бази знань, побудувати фінгерпринти й здати стратегічний звіт. Codex був вичерпнішим і швидше виконав чорнову роботу, але саме там, де треба було тримати тонкі межі і не з'їжджати у спрощення, Claude поводився інакше. Наприклад, він відрізняв власні проектні кейси від чужої аналітики, що для Codex виявилося надто тонкою межею. Claude тримав суворіші критерії для метрик: до поля «data_points» він вписував тільки реальні числа, бенчмарки і фінансові показники, тоді як Codex заносив будь-що, що виглядало кількісним. Claude також будував наративні кросс-зв'язки між статтями там, де Codex просто матчив теги. У підсумку фінальна аналітика на Claude була набагато глибшою і дієвішою.

Артефакти Claude — це той самий орієнтир для презентаційних і інтерактивних форматів, з яким я порівнюю Kimi і GLM. Після релізу Claude Design це підсилилося ще більше: для візуалів у статтях, для презентацій і обкладинок Claude зараз для мене золотий стандарт. Прямо зараз я роблю R&D нової системи обкладинок саме для цього блогу на Claude Design.

Claude Code лишається важливим інструментом, але зараз у моєму особистому коді він поступається Codex. Це може змінитися з оновленнями, але прямо зараз ситуація така.

Єдине, чого я не роблю — це не ганяю Claude на об'ємних рутинних задачах, де він стає дорогим або впирається в ліміти. Тут логіка проста: Claude планує і виносить вердикт, дешевші або спеціалізовані інструменти виконують. Це окремий і важливий зсув. Я більше не вважаю, що кожна задача заслуговує токенів за цінами Anthropic.

Gemini: мультимодальний і відеоорієнтований інструмент

Gemini у моєму стеку грає третю мейнстрімну роль, поруч із ChatGPT і Claude. Я не використовую його щодня, але тримаю в стеку для конкретних мультимодальних задач.

Найсильніший прорив — це нещодавно випущена Gemini Omni для генерації відео. Прямо зараз це найкраща модель на ринку для кежуал відеогенерації: якщо у вашій роботі є слот «зробити коротке відео з тексту або зображення», то це той інструмент. До запуску Omni відеогенерація в усіх не спеціалізованих моделях була суттєво слабшою, включно з самим Gemini.

Аналіз візуалу у Gemini теж сильний. Інтеграція з екосистемою Google буває корисною там, де решта моделей не має доступу до контексту користувача: пошта, документи, календар, диск. На задачах, де модель має орієнтуватися в обличчях, місцях і реальних об'єктах одночасно, Gemini тримає планку.

Що Gemini зараз не робить для мене краще за конкурентів — це генерація статичних зображень. У цій ролі мій основний інструмент — GPT Image 2 (див. секцію ChatGPT). Як універсал Gemini (точніше Nano Banana через Gemini) теж не зробить нічого катастрофічно поганого, але я б не ставив його як єдину базову підписку. Це другий радник, а не основний.

Kimi K2.6: агентний робочий кінь

Kimi — це найсильніший приклад того, що означає «альтернатива поза мейнстрімом». І я навіть не плачу за топовий план. Мені достатньо середнього з трьох, він уже дає доступ до Agent Swarm. На деяких задачах ця підписка дає відчуття, ніби ви платите за набагато дорожчу західну модель.

Kimi не є моделлю «на кожен день». Українська в нього слабша за провідні мейнстрімні асистенти, тон стрибає, моделі потрібен жорсткий промпт. Дайте Kimi розмиту задачу, отримаєте розмитий результат. Дайте йому специфікацію, отримаєте акуратне виконання. На одному з наших контентних експериментів у проджі Kimi видав результат, за який команда проголосувала як за артефакт створений Claude. При тісному промпті він на диво часто потрапляє в ціль.

Kimi любить нудні промпти. Чим більше ваша інструкція схожа на технічне завдання, тим краще модель поводиться.

Agent Swarm — окрема історія. Це інструмент для глибоких прогонів: одна задача, до кількох тисяч кроків, реальні джерела на виході. Я одного разу отримав з нього дослідницький звіт на десятки сторінок із реальними посиланнями, фактично з одного промпта, побудованого як план — а потім ще два дні розгрібав цей матеріал, бо за обсягом і глибиною він тягнув на дипломну роботу. Це не для маленьких запитів.

Окрема історія — Kimi Code. Я підключаю його до свого Hermes-агента через API (про Hermes нижче). Так Kimi стає моїм основним інструментом для агентної роботи на власному комп'ютері: переміщення файлів, налаштування системи, точкова діагностика. У екосистемі є ще KimiClaw, їхнє хмарне середовище OpenClaw, яким я особисто не користуюся. Для серйозного інженерного коду я повертаюся до Codex або Claude Code.

Окремо варто сказати про вартість через API, бо тут Kimi реально відриває ціну від мейнстріму.

Вхідний токен у Kimi коштує приблизно $0.73 за мільйон, вихідний — $3.49.

Для порівняння: Claude Opus, теж фронтер-модель, коштує $5 за мільйон вхідних і $25 за мільйон вихідних. Тобто Kimi у різних режимах від шести до семи разів дешевший за Opus, при тому що в багатьох задачах він поводиться як модель того ж класу.

Економіка тут інакша, ніж у мейнстрімі: Kimi працює як бюджет, без денних лімітів. Один великий ресерч-ран може коштувати помітну частину місячного об'єму, і це нормально. ChatGPT і Claude тренують вас на щоденне раціонування. Kimi дозволяє працювати ривками.

Окрема каверза — приватність. Kimi це китайський сервіс, тож для чутливих даних потрібен окремий шлях узгодження, а не просто «закинули файл і поїхали».

GLM-5.1: модель для пауер-юзера

GLM не та модель, яку я рекомендував би новачкові як першу підписку. Але в моєму пауер-юзерському стеку вона мала своє місце декілька місяців. Її артефакти і презентаційні виходи я порівнюю з Claude і Kimi, і вона цілком тримає планку для конкретних форматів.

Я тримаю GLM як кросс-перевірку. Коли потрібно прогнати план або діагностичний звіт через іншу модельну родину, GLM дає інший погляд — не той, що Claude, GPT, або Gemini. Іноді саме цей зсув і потрібен: якщо дві моделі говорять одне й те саме, ймовірність помилки нижче. Це не альтернатива ChatGPT глобально. Це ще одна модельна родина з іншою поведінкою в стеку, а іноді саме інша поведінка і є тим, що ви шукаєте.

Qwen: модель для самохостингу і файнтюнінгу

Qwen — це інший тип рішення. Не «яку підписку купити», а яку модель ви розгортаєте власноруч — на власному залізі або в орендованих GPU.

Прямо зараз Qwen — найсильніша опція для самохостингу серед відкритих моделей. На високих об'ємах конкретного типу задач, як-от саммаризація, класифікація, локальна обробка документів, самохостинг просто дешевше за прокачку через API. Qwen дає для цього найкращий баланс якості і ресурсів. Друге сильне застосування — це файнтюнінг під корпоративні задачі: внутрішній бот, асистент під конкретний домен, модель, навчена на бренд-голосі.

Окрема нюансована тема — це політична позиція моделі. Qwen це китайський проєкт, і у відповідях ви час від часу натикаєтеся на дуже впізнавану лінію партії. Від «делікатних» формулювань про історичні події до прямих політичних висловлювань. Для корпоративного використання це може бути неприйнятно. На HuggingFace існують згруповані спільнотою «дешинафіковані» версії моделі — те саме залізо, мінус ідеологічна частина. Якщо ви розгортаєте Qwen під реальну роботу, починайте з них.

Gemma 4 Embedding: локальні RAG і пошук по документації

Окремий клас локальних моделей — це embedding-моделі для пошуку і RAG. Якщо ви будуєте локальний пошук по документації, корпоративну базу знань або RAG-агента, повноцінна LLM вам не потрібна. Потрібна модель, яка швидко перетворює текст на вектори і робить це достатньо точно для семантичного пошуку.

Зараз для локальних задач я ставлю Google Gemma 4 Embedding як найкращу маленьку embedding-модель на ринку. Вона легко вміщується на скромній GPU, відпрацьовує швидко і дає достатню якість для більшості реальних RAG-сценаріїв. Усе те, що раніше доводилося робити через API з оплатою за токени, тепер живе локально.

Це не замінює великі моделі для генерації відповідей — вона просто шукає правильний контекст. Якщо вам потрібен локальний RAG-стек, схема проста: Gemma 4 Embedding для пошуку, ваша основна LLM (локальна або через API) для генерації.

FasterWhisper: локальна транскрипція без оплати OpenAI

Транскрипція аудіо — це ще одна задача, де платити мейнстрімним постачальникам перестає мати сенс на великих об'ємах. FasterWhisper — це відкрита оптимізована реалізація Whisper, яка крутиться локально або на орендованій GPU. Якість фактично еквівалентна Whisper API від OpenAI.

Економіка тут проста. OpenAI бере приблизно $0.10 за хвилину аудіо. Cloud GPU на платформах типу Runpod обходиться приблизно у $0.0048 за хвилину обчислень, потрібних для тієї ж транскрипції на FasterWhisper. Це приблизно у двадцять разів дешевше, без втрати якості. Локально ця модель займає всього десь 4 ГБ пам'яті вашого GPU, тому в цілому його можна запускати і повністю безкоштовно.

Якщо у вас є реальний пайплайн обробки великих обсягів аудіо, як-от записи зустрічей, подкасти, лекції, відеоконтент для індексації — це найочевидніший і найшвидший виграш по витратах. Якщо обсяг малий, Whisper API простіший і не вимагає інфраструктури.

Hermes: рантайм замість чату

Заголовок статті обіцяв «не тільки ChatGPT і Claude». Найочевидніша відповідь — інші моделі: спеціалізовані, дешевші, локальні. Цікавіша відповідь полягає в тому, що альтернативою може бути не модель взагалі, а агентський рантайм, який зв'язує моделі з інструментами, пам'яттю, файлами, розкладами і реальними робочими процесами.

У мене ця роль закрита через Hermes Agent. Це окремий рантайм, який живе як telegram-асистент (чи слек, чи будь який інший канал) і одночасно як шар автоматизації. Він робить набагато більше, ніж відповідає на повідомлення.

Що мій агент закриває у щоденній роботі:

• Інтерфейс через Telegram. Зручна точка входу з телефону, без перемикання вкладок.
• Файлові і термінальні операції. Агент сам ходить у файлову систему, у термінал, у git, у мої скрипти.
• Робота з Obsidian. Створення нотаток, пошук по сховищу, підтримка зв'язків між нотатками.
• Дайджести і ритмічні задачі. Перевірка інбоксу, ранкові дайджести з автоматичним створенням тасків для мене, нотатки з зустрічей через Fathom.
• Скіли і субагенти. Закодовані повторювані робочі процеси і вузькі задачі, які виконуються без перевантаження головного контексту.
• MCP-інтеграції. Зокрема Ahrefs для SEO-задач і десктоп-контрольний плагін для скриншотів та автоматизації UI.

Усе це не демо, а реальний робочий шар. Без нього всі ці задачі довелося б руками клацати через окремі чати, без пам'яті між ними і без розкладу. ШІ перетворюється з помічника-співрозмовника на помічника-виконавця.

Перед тим, як хтось запитає про Claude Cowork: так, у Anthropic теж є подібна оболонка. Cowork непогана в принципі, але має фундаментальне обмеження: вона працює всередині сендбоксу Claude і за його межі не виходить, скільки б ви її не просили (хоча можливо я помиляюсь). Hermes навпаки працює з вашим комп'ютером напряму, з тим рівнем доступу, який ви йому особисто дозволите, і саме це робить різницю між «розумним чатом, що уявляє вашу систему» і агентом, який її реально читає і змінює. Плюс Hermes повністю model-agnostic — ви можете запустити його з будь-якою моделлю через API. У мене він працює на Kimi K2.6, і за весь час інтенсивного використання я жодного разу не вдарився у квоти.

Економіка тут інша. Через мого агента проходять мільярди токенів. І це не «дорого»: роутинг розводить задачі по дешевих моделях там, де об'єм, і по якісних там, де треба судження.

Як це все працює разом

Жоден інструмент із цього списку не закриває все. У цьому і пуанта.

Один щоденний робочий запит у мене може зачепити три моделі і не пройти через жодну з них до кінця, бо кожна закриває свою конкретну ділянку, а склеює це все рантайм.

Питання вже не «який чат-бот найрозумніший». Питання, скільки корисної роботи ви пропустите через правильний стек, поки вартість залишається розумною.