Останнім часом про AGI говорять так, ніби десь у Кремнієвій долині вже встановили дату переходу людства в нову епоху. Одні чекають цифрового колегу, який забере на себе всю рутину. Інші — майже готового Скайнета. Треті впевнені, що перед нами чергова технологічна бульбашка, яка тримається на презентаціях, інвестиціях і дуже дорогих відеокартах.
Спробуймо спочатку розібратися із самим терміном. Бо коли одне слово одночасно означає наукову гіпотезу, бізнесову мету, маркетинговий ярлик і сюжет для трилера, дискусія швидко перетворюється на суперечку людей, які говорять про різні речі.
Що ми називаємо AGI
AGI — Artificial General Intelligence, українською «штучний загальний інтелект». Найважливіше слово тут — «загальний».
«Штучний» означає створений людиною. «Інтелект» — здатність навчатися, міркувати, адаптуватися, планувати та розв’язувати завдання. «Загальний» додає ключову вимогу: система повинна переносити знання між різними сферами й опановувати нові завдання, яких для неї заздалегідь не прописали.
Єдиного загальноприйнятого визначення AGI досі немає. OpenAI у своїй Хартії описує його як високоавтономні системи, що перевершують людей у більшості економічно цінних видів роботи. ARC Prize робить акцент на здатності навчатися новому з ефективністю людини. Дослідники Google DeepMind пропонують оцінювати AGI одразу за двома осями: широтою завдань і рівнем виконання. Тобто навіть провідні лабораторії вимірюють «загальність» різними лінійками.
У популярному поясненні часто використовують три рівні:
ANI — вузький штучний інтелект. Добре виконує конкретний клас завдань: розпізнає обличчя, рекомендує відео, перекладає текст або прогнозує структуру білка.
AGI — загальний штучний інтелект. Може працювати в багатьох сферах, адаптуватися до нових умов і переносити набуті навички приблизно так, як це робить людина.
ASI — штучний суперінтелект. Перевершує найкращих людей майже в усіх інтелектуальних сферах.
А технологічна сингулярність — окреме поняття. Вернор Віндж у своєму есе 1993 року популяризував його як гіпотетичний момент, після якого розвиток надлюдського інтелекту спричинить настільки швидкі й глибокі зміни, що люди вже не зможуть надійно передбачати подальший хід подій. Тому сингулярність не варто автоматично вважати «четвертим рівнем» після ASI. Це сценарій прискорення, а не ще одна позначка в рейтингу моделей.
За старою трирівневою схемою ми нібито досі перебуваємо на рівні ANI. Та сучасні моделі вже погано вміщуються в цю клітинку. Одна система пише код, аналізує медичні дані, працює із зображеннями, створює презентації, керує браузером і пояснює біологію. Це значно ширше за один вузький алгоритм. Водночас вона може помилитися у простій інструкції, вигадати джерело або втратити логіку багатокрокового завдання.
Тому чесна відповідь звучить незручно: ми вже вийшли за межі класичного вузького ШІ, але спільної точки, після якої всі погодяться назвати систему AGI, немає. Можливо, AGI взагалі виявиться не однією датою, а періодом, у якому дедалі більше людських компетенцій переходять до машин із різною швидкістю.
Новинки щодня — ясності не більше
Темп новин підштовхує до відчуття, що ця межа ось-ось зникне.
Модель Gemini Deep Think уже показала результат рівня золотої медалі на Міжнародній математичній олімпіаді. Водночас, за даними Stanford AI Index 2026, найкращі моделі правильно зчитують час з аналогового годинника лише приблизно у половині випадків. Це хороший приклад «рваного фронтиру»: система може бути надзвичайно сильною в складному завданні й дивно слабкою в тому, що людині здається елементарним.
За рік успішність ШІ-агентів у OSWorld — тесті роботи з реальними операційними системами — зросла приблизно з 12% до 66%. Стрибок величезний. Але навіть у структурованому тестовому середовищі агент усе ще провалює близько третини спроб.
Моделі вже можуть проводити багатокроковий пошук, працювати з поштою і документами, писати та тестувати програмний код, аналізувати наукові дані. З боку користувача чат із генератором тексту поступово перетворюється на інтерфейс для делегування частини роботи цифровому виконавцю.
І ось 3 вересня OpenAI представила GPT‑6 Astra. Саме цей реліз і став для мене ідейним приводом написати текст.
Компанія назвала Astra своєю найрозумнішою та найбільш узгодженою з намірами користувача моделлю. Президент OpenAI Грег Брокман пішов далі й завершив брифінг словами: «Ласкаво просимо в еру AGI», хоча остаточну оцінку запропонував залишити користувачам. Про це повідомив Axios.
Цифри справді вражають. За даними OpenAI, Astra отримала 99,9% на ARC‑AGI‑3, 97,6% на FrontierMath Tier 4 і 100% на ExploitBench. Вона може працювати безпосередньо у професійному програмному забезпеченні: проєктувати друковані плати, створювати 3D-сцени, заповнювати форми, форматувати юридичні документи, аналізувати наукові дані та тестувати сайти.
Окремо насторожують її кіберможливості. Під час оцінювання Astra знайшла й використала дві раніше невідомі вразливості нульового дня. OpenAI віднесла модель до критичного рівня кіберспроможностей за власною системою готовності та запровадила додаткові обмеження доступу.
Це вже серйозна технологічна подія. Та оголосити AGI лише на підставі кількох рекордних результатів було б передчасно.
Що насправді вимірюють бенчмарки
Бенчмарк — це стандартизований набір завдань, на якому порівнюють моделі. За логікою він схожий на контрольну роботу: однакові або зіставні умови, відомі критерії та числовий результат.
Одні бенчмарки перевіряють знання й наукове міркування, як GPQA. Інші — математику, програмування, розпізнавання зображень, роботу з браузером, довгий контекст, безпечність або здатність діяти в незнайомому середовищі. ARC‑AGI‑3, наприклад, пропонує агенту інтерактивні світи без текстових інструкцій, де треба самостійно зрозуміти мету, досліджувати середовище, запам’ятовувати наслідки дій і змінювати стратегію. Сам ARC Prize наголошує, що йдеться про вимірювання ефективності навчання, а не про енциклопедичні знання.
Проблема починається тоді, коли результат одного тесту перетворюють на універсальний сертифікат інтелекту.
По-перше, високий бал може належати цілій системі: базовій моделі, спеціальному промпту, набору інструментів, пам’яті, браузеру, програмному середовищу та значному обсягу обчислень під час відповіді. OpenAI прямо зазначає, що частина результатів Astra отримана в дослідницькому середовищі, яке може відрізнятися від звичайного ChatGPT, а в таблицях наведено максимальний бал за різних рівнів обчислювальних зусиль.
По-друге, тести старіють. Коли лабораторії оптимізують моделі під відомий формат, бенчмарк поступово насичується: майже всі лідери наближаються до верхньої межі, а різниця між 96% і 98% уже мало говорить про поведінку системи в новій ситуації. Залишається і ризик потрапляння тестових завдань або їхніх аналогів у навчальні дані.
По-третє, правильна відповідь ще не показує, скільки коштувало її отримання, скільки часу знадобилося, скільки було невдалих спроб і чи здатна система повторювати результат стабільно.
Нарешті, жоден набір завдань не охоплює всього, що ми вкладаємо в людський інтелект. Дослідники DeepMind у роботі «Levels of AGI» окремо наголошують на екологічній валідності: оцінювання має включати реальні завдання, цінні для людей, навіть якщо їх складніше формалізувати й автоматично перевірити.
Саме тут для мене починається важливіша розмова.
Я ж дивлюся на реальні завдання
Мені недостатньо знати, що модель правильно відповіла на 99 зі 100 тестових запитань. У роботі має значення інше: чи зрозуміє вона нечітке завдання, чи поставить уточнювальне питання, чи збере дані з кількох джерел, чи не втратить обмеження на десятому кроці, чи визнає невпевненість, чи збереже формат і чи дасть результат, який можна перевірити та використати.
За цими критеріями цифри Astra вже менш магічні. На Agents’ Last Exam, де агенти виконують складні професійні завдання в реальному програмному забезпеченні, модель набрала 59,3%. На AutomationBench — 41,4%. Це найкращі або одні з найкращих результатів у відповідних порівняннях, проте вони означають і значну частку невиконаних завдань.
Спробуйте уявити працівника, який блискуче проходить іспит, але завершує приблизно половину доручених процесів. Це може бути надзвичайно цінний помічник за умови перевірки. Повна автономія в юридичній, медичній, фінансовій чи державній роботі вимагатиме іншого рівня надійності.
До того ж інтелект і автономність — різні характеристики. Дуже здібній моделі можна надати лише право радити. Слабшій системі можна необачно відкрити доступ до пошти, рахунків, баз даних і критичної інфраструктури. Ризик виникає з комбінації спроможності, доступу, тривалості автономної роботи та ціни помилки. Для небезпечних наслідків системі не потрібні свідомість, емоції або злий намір.
А тепер подивімося на реальне використання
За Stanford AI Index 2026, 88% опитаних організацій уже використовували ШІ у 2025 році. Генеративний ШІ застосовували принаймні в одній бізнес-функції 70% організацій. На рівні населення генеративні інструменти досягли 53% поширення лише за три роки — швидше, ніж персональні комп’ютери чи інтернет.
На перший погляд, це схоже на майже завершену революцію. Усередині тих самих даних видно іншу картину: повноцінне впровадження ШІ-агентів залишалося на рівні однозначних відсотків майже в усіх бізнес-функціях. Фраза «організація використовує ШІ» може означати корпоративну трансформацію, а може — кілька працівників із доступом до чатбота та один пілотний проєкт без інтеграції у процеси.
Ефект теж розподілений нерівномірно. Дослідження, зібрані AI Index, показують приріст продуктивності приблизно на 14–15% у клієнтській підтримці, 26% у розробці програмного забезпечення та 50% у створенні маркетингових матеріалів. Найбільшу користь отримують структуровані процеси, де результат легко перевірити. Для завдань із глибоким міркуванням виграш менший, а надмірна залежність від ШІ може погіршувати навчання й розвиток власних навичок.
Є й географічний розрив. Поширення генеративного ШІ помітно корелює з доходом країни. За оцінкою Stanford, у Сінгапурі показник сягнув 61%, в Об’єднаних Арабських Еміратах — 64%, тоді як у США — 28,3%. Навіть країна, яка створює значну частину найпотужніших моделей, не забезпечує однакового використання серед населення.
Тому поряд із питанням «чи досягли ми AGI?» варто поставити інше: хто саме входить у це «ми»?
Вісім годин без світла як тест на технологічну реальність
Я зараз навіть не про Київ із тривогами. Не про громади, де стабільний інтернет, сучасний телефон або ноутбук досі не є базовою умовою життя. Далеко ходити не треба: достатньо провести вісім годин без електроенергії, щоб відчути крихкість усієї цифрової надбудови.
Після кількох годин без світла, зв’язку й нормального робочого ритму в нас легко формується інстинктивне бажання накинутися на когось поруч. Хоча причина має конкретну адресу: росія системно атакує українську енергетику.
Цей досвід добре повертає дискусію про AGI на землю. Найрозумніша модель у світі залишається недоступною без електрики, мережі, пристрою, оплаченого доступу та цифрових навичок. Вона не компенсує зруйновану інфраструктуру одним високим балом. У межах однієї країни можуть одночасно існувати передові військові технології, команди, що створюють ШІ-рішення світового рівня, і школи, лікарні чи домогосподарства, які залежать від графіка відключень.
Цей досвід не заперечує цінності технологічного прогресу. Він вимагає точніше розуміти його масштаб. Здатність моделі може стати глобальною, а доступ до її користі залишиться локальним, платним і нерівним.
Ми входимо в епоху розриву
Слово «бульбашка» частково доречне. Навколо ШІ справді є завищені оцінки компаній, продукти без зрозумілої цінності та обіцянки, які випереджають реальне впровадження. Але фінансова або маркетингова бульбашка може формуватися навколо технології, що реально змінює працю. Інтернет пережив крах доткомів і не зник.
Тому вибір між «AGI вже тут» і «все це хайп» надто грубий. Технологічний фронтир рухається дуже швидко. Соціальні системи, інфраструктура, освіта, право та управлінські практики адаптуються значно повільніше.
Я бачу щонайменше п’ять розривів, які зростатимуть:
між рекордом і надійністю — модель перемагає в тесті, але помиляється в багатокроковій роботі;
між доступом і впровадженням — працівники мають чатбот, але організація не перебудувала процеси, дані й відповідальність;
між користувачами — одні вміють делегувати, перевіряти та створювати агентні процеси, інші обмежуються копіюванням першої відповіді;
між країнами та громадами — десь агенти економлять сотні годин, десь головним обмеженням залишається електрика й інтернет;
між швидкістю моделей і швидкістю правил — системи отримують нові можливості раніше, ніж установи встигають визначити межі їх застосування та відповідальність за помилки.
Саме цей розрив, імовірно, визначатиме найближчі роки сильніше за суперечку щодо правильної дати народження AGI.
То боятися чи ні?
Боятися абстрактного «цифрового розуму» непродуктивно. Уже зараз є конкретні ризики, які потребують дії: кібератаки, масове виробництво маніпулятивного контенту, помилки автономних агентів, витік даних, концентрація обчислювальної влади та витіснення людей із частини професійних ролей. Astra показує, що ці питання стали ще практичнішими.
Водночас паніка заважає побачити користь: швидший науковий пошук, доступніші професійні інструменти, підтримку освіти, автоматизацію рутини, допомогу малим командам і людям, які раніше не мали доступу до вузьких експертів.
Моя відповідь така: GPT‑6 Astra суттєво наблизила нас до систем, які можна назвати загальними за широтою завдань. Її поява не створює наукового консенсусу про досягнення AGI. Рекорд на ARC‑AGI‑3 підтверджує великий прорив у межах конкретного тесту. Показники реальної професійної роботи водночас демонструють, скільки ще залишається до стабільного універсального виконавця.
Дискусія впирається вже не лише в масштаб моделей та кількість графічних процесорів. Нам треба домовитися, які властивості дають право назвати систему загальним інтелектом, хто перевірятиме ці твердження і яку частоту помилок суспільство готове прийняти.
Якщо назвати AGI зарано, ми ризикуємо передати ненадійним системам надто багато довіри та повноважень. Якщо помітити зміни запізно, освіта, бізнес і держава зустрінуть їх без потрібних правил, навичок та інфраструктури.
Можливо, AGI вже стукає у двері. Та справжній масштаб цієї епохи покажуть інші речі: скільки людей матимуть світло, зв’язок, доступ до моделей, здатність перевіряти їхні рішення і право впливати на те, де та як ці системи застосовують.
