Dynamic Workflows Anthropic: 1000 агентов, $500 млн счёт и конец tokenmaxxing

Модель, которая научилась молчать

Opus 4.8 (model ID claude-opus-4-8, контекст 1 млн токенов, 128K max output) — не простая итерация. SWE-bench Verified: 88.6% (Opus 4.6 был 80.8%). SWE-bench Pro: 69.2% — лидер среди всех платформ. GDPval-AA Elo: 1890 — отрыв 576 пунктов от Gemini 3.1 Pro. USAMO 2026: 96.7% — скачок на 27.4 процентных пункта против 4.7.

Скачки такого масштаба не объясняются scale-up параметров. Они говорят о перестройке тренировочного пайплайна и куppingкулума. Anthropic сделала ставку на хонести — и это заметно.

Впервые модель достигла 0% на метрике uncritical reporting of flawed results. Overconfidence упала более чем в 10x. Код-хонести улучшилась в 4 раза — Opus 4.8 чаще говорит «я не уверен» и реже пропускает дефекты без комментария. На синтетических тестах GraphWalks BFS 1M модель прыгнула с 40.3% до 68.1%.

Плата за эту честность — регрессии. GPQA Diamond просел с 94.2% до 93.6%. Устойчивость к prompt injection ухудшилась: 9.6% успешных атак против 6.0% на версии 4.7. Но самое болезненное — вербозность. На eval-сьюте Opus 4.8 потребил ~110 млн токенов при средних 35 млн у конкурентов. Втрое больше текста на те же задачи.

Цены остались прежними: $5/$25 на миллион токенов (вход/выход). Появился Fast Mode: $10/$50, скорость выше в 2.5x. Но главное нововведение — архитектурная способность, которая вынесла оркестрацию агентов за пределы контекстного окна модели.

Скрипт вместо диалога

Dynamic Workflows — не фича. Это инверсия архитектуры.

Раньше мультиагентная оркестрация требовала от разработчика глубокой экспертизы: писать планировщики, управлять контекстом, обрабатывать ошибки. Теперь Claude в рантайме пишет JavaScript-скрипт, который сам оркестрирует от десятков до сотен подагентов.

Критический прорыв: план живёт не в контекстном окне модели, а в переменных JavaScript-скрипта. Модель видит только финальный ответ. Вся промежуточная работа — ветвления, агрегация, ретраи — выполняется в рантайме за пределами контекста. Проблема сотен агентов превращается из проблемы контекстного окна в проблему шедулинга.

Система строится на шести композабельных паттернах: fan-out-and-synthesize, adversarial verification, tournament, loop-until-done, classify-and-act, generate-and-filter. Рантайм держит до 16 конкурентных агентов и жёсткий лимит в 1 000 агентов на запуск. Системные примитивы — agent(), parallel(), pipeline(), phase().

Демонстрационный кейс Anthropic — порт Bun из Zig в Rust: 750 000 строк кода, 99.8% тестов проходят, 11 дней. Впечатляет, пока не посчитаешь стоимость. Один 200-агентный пасс на xhigh effort — $30–60 за оборот оркестратора. Anthropic предупреждает прямо: Dynamic Workflows потребляют «substantially more tokens than a typical Claude Code session».

Токен-шок: 98% падение цен — и счета на $500 млн

Парадокс 2026 года: цены на токены упали на 98% с 2022 года, но enterprise-счета на AI выросли втрое. Средний бюджет вырос с $1.2 млн в 2024-м до $7 млн в 2026-м.

Объяснение: потребление растёт быстрее, чем дешевеют токены. Потребление на разработчика взлетело в 18.6 раза за девять месяцев. Типичный инженер тратит $500–2 000 в месяц на токены.

Opus 4.8 — самая дорогая frontier-модель по выходным токенам: в 2.5x дороже GPT-5.5 и в 22x дороже DeepSeek V4. Dynamic Workflows многократно усиливают эту динамику.

Агентные пайплайны потребляют в 1 000 раз больше токенов, чем single-turn запросы (данные Stanford). Многошаговые циклы создают O(N²) рост стоимости: каждый дополнительный агент в мультиагентной системе умножает стоимость на 5–15x из-за коммуникационного налога — overhead system prompt'ов, tool definitions, ретраев.

На этом фоне лопается пузырь tokenmaxxing — метрики продуктивности по потреблению токенов. Meta убрала внутреннюю токен-доску. Индустрия ищет новые метрики: cost per merged PR, agent survival rate, cognitive delegation. Linux Foundation запускает Tokenomics Foundation для стандартизации учёта.

Разработчик как оркестратор

Anthropic сообщает: 80% нового production-кода компании написано Claude. Код на инженера вырос в 8 раз. Но есть неожиданная цена — эрозия коллаборации. «Claude съел человеческие одолжения» — внутренние коммуникации. Разработчики перестали обращаться друг к другу за помощью.

Данные Faros AI (22 000 разработчиков, 4 000 команд): задачи выросли на 34%, эпики на 66%. Но bugs per developer выросли на 54%, code churn — на 861%, время ревью увеличилось в 5 раз, 31% пулл-реквестов мержится без ревью.

GitClear: пользователи AI генерируют в 9.4 раза больше кода, который затем переписывается. Один инженер, оркестрирующий агентов, заменяет 3–5 инженеров, пишущих код вручную. Но до реального ROI доходят лишь 5–10% предприятий. Forrester: 327–483% за 3 года для лидеров, 90% застревают в PoC.

Рынок входит в третью фазу зрелости AI-инженерии: после prompt engineering и context engineering приходит harness engineering — инструментальная оркестрация, верификационные циклы, guardrails, observability. Разработчик из автора кода становится архитектором агентных систем.

Что это значит

Dynamic Workflows и токен-шок — две стороны одного явления. Архитектурный прорыв (план в переменных скрипта вместо контекста модели) решает проблему масштабирования агентов, но создаёт проблему масштабирования затрат.

Prompt injection перестаёт быть периферийной проблемой безопасности и становится центральной архитектурной угрозой: Opus 4.8 регрессировал на 3.6 п.п., а каждый из тысячи подагентов — потенциальная точка атаки.

Конкуренция сместилась с модели на харнес. Claude Code, OpenAI Codex, Google Antigravity сошлись на одном паттерне: CLI + approval gates + MCP. Рынок commodity-фицируется по модели, но дифференцируется по workflow и контролю затрат. Opus 4.8 уникален тем, что харнес стал фичей модели.

Кризис tokenmaxxing — кризис метрик. Индустрия использует прокси-метрики, которые не коррелируют с бизнес-ценностью. Переход к cost-per-outcome — условие выживания для enterprise-клиентов.

Dynamic Workflows — forcing function для переопределения профессии разработчика. Code review не масштабируется. Governance-модели не成熟. Trust-разрыв между возможностью и внедрением остаётся главным тормозом 2026 года.