Привычный сценарий общения с нейросетями годами напоминал разговор по рации: пользователь отправляет реплику, ждет ответа, переносит результат в рабочее приложение и пишет следующую команду. Стоит закрыть вкладку браузера или выключить ноутбук — и работа искусственного интеллекта прекращается. Диалоговые модели оставались пассивными собеседниками, привязанными к короткой сессии и постоянному вниманию человека.
На конференции DevDay 2026 в Сан-Франциско компания OpenAI объявила о смене парадигмы. Платформа ChatGPT Dots превращает языковую модель из текстового суфлера в постоянного автономного сотрудника («always-on agent»). Такой агент не ждет пошаговых указаний каждую минуту: он берет на себя долгосрочную ответственность за процесс, самостоятельно планирует этапы и обращается к внешним инструментам.
От ожидания промпта к собственной виртуальной машине
Главный технический барьер традиционных чат-ботов заключался в отсутствии собственного вычислительного пространства. Бот существовал на сервере лишь в момент генерации текста. В ChatGPT Dots каждому агенту выделяется изолированный облачный контейнер (Secure Cloud Container / VM).
Это полноценная виртуальная машина под управлением Linux, оснащенная интерпретатором Python, виртуальным браузером с компьютерным управлением (Computer Use) и локальной файловой системой. Контейнер подключен к корпоративному хранилищу ChatGPT Spaces, где хранятся проектные документы, репозитории и базы знаний.
Архитектура системы объединяет три специализированных уровня моделей:
- GPT-6 Astra отвечает за высокоуровневую декомпозицию глобальных целей, формирование архитектурных планов и анализ сложных неструктурированных данных.
- GPT-6.1 Sol выполняет вычислительные и рутинные шаги обработки текста по экономичному тарифу ($2 за 1 млн входных и $10 за 1 млн выходных токенов).
- Decisions API на базе GPT-6 Luna обеспечивает дискретный выбор из заданного набора вариантов за 150 миллисекунд, исключая задержки на генерацию текста.
Благодаря выделенному контейнеру агент работает 24 часа в сутки без запущенного браузера у пользователя. Он может часами компилировать отчеты, опрашивать серверы, выполнять тесты и собирать аналитику.
Право первого шага: как агент сам зовет человека на помощь
Обычные автоматизации часто ломаются при неожиданных ошибках, требуя долгого ручного разбора логов. Dots вводят концепцию инициативной коммуникации (System-Initiated Messaging): агент наделен правом первым написать человеку, когда ситуация выходит за рамки штатного регламента.
Представьте дежурного инженера, который не спамит уведомлениями каждую минуту, а поднимает тревогу только при реальном инциденте. Если Dots фиксирует всплеск дедлоков в базе данных или завершает многочасовой расчет, он отправляет push-уведомление на смартфон или публикует отчет в тред рабочего канала Slack.
Платформа поддерживает интеграцию с 4000 сервисов через обновленный протокол плагинов и OAuth-авторизацию к Google Drive, Gmail, GitHub и Jira. Безопасность контролируется политикой Human-in-the-Loop Auto-Review: чтение и локальный анализ выполняются автономно, а деструктивные действия (слияние веток, публикация релизов, отправка писем) блокируются до подтверждения разработчиком.
Архитектура в действии: от регистрации агента к быстрым развилкам
Взаимодействие с платформой происходит через обновленный Agents API. Ниже показан практический сценарий: сначала мы регистрируем дежурного агента с выделенным окружением, а затем настраиваем обработку инцидентов через Decisions API.
В первом блоке кода мы создаем постоянного агента, определяем конфигурацию его облачной песочницы и задаем политики безопасности:
import os
from openai import OpenAI
client = OpenAI(api_key=os.environ["OPENAI_API_KEY"])
# 1. Регистрация постоянного агента с изолированным окружением
agent = client.agents.create(
name="infrastructure-watchdog-dot",
model="gpt-6-astra",
instructions=(
"Ты автономный дежурный инженер. Непрерывно инспектируй здоровье сервисов, "
"анализируй логи конвейера сборки и предупреждай команду при дедлоках."
),
runtime={
"type": "cloud_container",
"container_image": "debian-agent-v2",
"resources": {"memory_mb": 2048, "cpu_cores": 2},
"internet_access": True,
"browser_enabled": True
},
tools=[
{"type": "github_integration", "repository": "company/backend-service"},
{"type": "slack_notifier", "channel": "#alerts-infrastructure"}
],
execution_policy={
"mode": "always_on",
"heartbeat_interval_seconds": 300,
"require_human_approval_for": [
"restart_production_node",
"merge_hotfix_pr",
"send_external_alert"
]
}
)
print(f"Агент зарегистрирован: {agent.id} (статус: {agent.status})")
После старта агент переходит в режим фонового цикла. Однако в реальном потоке событий регулярно возникают развилки: нужно быстро классифицировать ошибку и выбрать действие. Раньше для этого отправлялся тяжелый промпт в большую модель с риском ошибки парсинга JSON.
Теперь эту задачу решает Decisions API на базе GPT-6 Luna. Он принимает контекст происшествия, список допустимых вариантов и за доли секунды возвращает типизированный ответ с калиброванной вероятностью:
# 2. Мгновенная классификация инцидента через Decisions API без генерации текста
incident_context = (
"Конвейер сборки остановлен на шаге 'apply_db_migrations'. "
"Ошибка Postgres: deadlock detected on relation 'orders_partition_2026'."
)
decision = client.decisions.create(
model="gpt-6-luna",
context=incident_context,
question="Какое действие агент обязан предпринять в первую очередь?",
choices=[
"retry_pipeline_immediately",
"escalate_to_oncall_engineer",
"rollback_database_migration",
"ignore_and_continue_deploy"
]
)
print(f"Выбранное действие: {decision.selected_choice}")
print(f"Калиброванная вероятность: {decision.confidence:.4f}")
# При подтверждении эскалации агент отправляет сообщение дежурному в Slack
if decision.selected_choice == "escalate_to_oncall_engineer" and decision.confidence > 0.85:
client.agents.messages.create(
agent_id=agent.id,
role="assistant",
content=(
f"Зафиксирован дедлок базы данных в миграции orders. "
f"Отказ заблокирован политикой безопасности. Требуется вмешательство инженера."
)
)
print("Уведомление об инциденте успешно отправлено в Slack.")
Такая связка исключает сбои парсинга: агент выполняет логические развилки за доли секунды и переходит к следующему шагу конвейера.
Экономика и реальные риски: $200 за вход и проблемы первого дня
Несмотря на технологический прорыв, премьера Dots выявила ощутимые практические ограничения.
Во время живой презентации на сцене DevDay 2026 система столкнулась с задержками: демонстрационный агент периодически зависал, реагируя с паузами в десятки секунд. Запуск тысяч параллельных виртуальных машин создает пиковую нагрузку на дата-центры, и оптимизация холодного старта сред остается открытой инженерной задачей.
Второй фактор — стоимость. На этапе запуска ChatGPT Dots доступен только на дорогих тарифах:
- ChatGPT Pro ($200 в месяц);
- ChatGPT Pro 500 ($500 в месяц);
- Корпоративные тарифы Business Premium и Enterprise (с режимом Specialist Dots для изолированных командных ролей).
Для индивидуальных специалистов это высокий барьер. Кроме того, подключение агента к корпоративной почте и чатам повышает уязвимость перед непрямыми prompt-инъекциями: входящее письмо со скрытыми директивами может спровоцировать агента на несанкционированные действия в закрытом контуре.
Практический вердикт: когда пора внедрять автономных помощников
Релиз ChatGPT Dots переводит индустрию от диалоговых игрушек к промышленной автоматизации. Постоянные агенты с собственной средой выполнения и доступом к API готовы взять на себя рутинные сквозные процессы: аудит репозиториев, мониторинг очередей, первичную модерацию и синхронизацию баз знаний.
Внедрять платформу целесообразно там, где высокая стоимость подписки окупается десятками сэкономленных инженерных часов. При этом передавать агентам прямой доступ к финансовым шлюзам и боевым базам данных без слоя обязательного ручного подтверждения пока преждевременно.