Контекст — це новий код: чому в 2027 ти пишеш не функції, а памʼять для машини

Менеджер з продукту в одному берлінському фінтеху — назвемо його Лукас — минулого вівторка дві години не написав жодного рядка коду. Він написав файл. Звичайний текстовий файл на 1 400 слів: як їхня система рахує комісію, які три винятки ламали її в 2023-му, чому колонка fee_legacy не дорівнює fee і чому видаляти її не можна. Потім згодував цей файл агентові й попросив додати новий тариф. Агент додав за чотири хвилини. Минулого року той самий агент із тим самим запитом тричі зламав білінг — бо не знав про fee_legacy.

Дві години Лукас писав не програму. Він писав памʼять.

Тут варто згадати одне число з зовсім іншої галузі. Коли в червні 2020-го OpenAI відкрила платний доступ до API GPT-3, найпотужніша модель — davinci — коштувала $0.06 за тисячу токенів, тобто $60 за мільйон; ця ціна протрималася до вересня 2022-го, коли її врізали втричі (Neoteric, 2020). Сьогодні токен порівнянної якості коштує одиниці-десятки центів за мільйон. Epoch AI поміряла це акуратно: ціна досягнення фіксованого рівня якості падала в межах від 9× до 900× на рік залежно від бенчмарку, з медіаною ~50× на рік, а конкретно для рівня GPT-4 на наукових питаннях докторського рівня — ~40× на рік (Epoch AI, 2026). Генерація тексту дешевшала швидше, ніж колись дешевшали обчислення в роки персональних компʼютерів.

Ця сцена не про те, що менеджер «навчився працювати з AI». Вона про механізм, який ми звемо красивим словом «продуктивність», а насправді це переоцінка активу: те, що дешевшає в десятки разів щороку, перестає бути вузьким місцем — і вузьке місце мовчки переїжджає в сусідню кімнату. Розберу це через три оптики: економіку токена, фізику уваги трансформера й ринок праці. Теза-лезо: код стало дешево писати — і саме тому стало дорого памʼятати. Те, чого вчора не існувало як ремесла, сьогодні вже має зарплатну вилку.

So-what: коли вузьке місце переїжджає, ніхто не оголошує про переїзд

Десятиліттями вузьким місцем розробки була сама генерація коду. Програміст — це людина, яка перетворює наміри на синтаксис, і цей переклад був повільним, дорогим і дефіцитним. Усе в індустрії будувалося навколо цього дефіциту: найм, грейди, співбесіди з алгоритмами на дошці, оцінка «скільки рядків закрив за спринт».

А тепер уявіть, що переклад намірів у синтаксис подешевшав на порядки й прискорився в десятки разів. Що тоді стає дефіцитним?

Намір. Точніше — повний, точний, машинно-читабельний опис того, що саме ти маєш на увазі. Бо модель тепер пише код миттєво й майже безкоштовно, але пише рівно те, що зрозуміла з контексту. А контекст — це все, що ти спромігся їй розповісти: архітектуру, історію, винятки, заборони, той клятий fee_legacy.

Чорний жарт у тому, що індустрія десять років наймала людей за вміння швидко друкувати рішення — а тепер платить за вміння повільно й точно памʼятати проблему. Ми оптимізували не той кінець конвеєра.

Параметр, який економісти називають швидкістю здешевлення, тут безпрецедентний. Коли щось дешевшає на десятки відсотків щомісяця, на нього перестають дивитися. Ніхто більше не обговорює, «скільки коштує згенерувати функцію», — так само як ніхто давно не рахує, скільки коштує переслати мегабайт пошти. Ресурс став невидимим саме тому, що став майже безкоштовним. А невидимий ресурс ніколи не буває вузьким місцем. Вузьке місце — завжди те, на що ще доводиться дивитися.

Mechanism: чому памʼять — це не «більше токенів»

Інтуїтивна відповідь звучить так: ну добре, якщо проблема в памʼяті — давайте дамо моделі більше памʼяті. І ринок це зробив буквально. Контекстне вікно — обсяг тексту, який модель «бачить» одночасно — виросло вибухово. GPT-3.5 наприкінці 2022-го тримав 4 096 токенів; перші Llama — лише 2 048, у Llama 2 подвоїли до 4 096 (Crazyrouter, 2026). Сьогодні Gemini 3.1 Pro тримає до 2 мільйонів токенів у загальній доступності на Vertex, а Anthropic у березні 2026-го вивела 1 мільйон токенів у GA для Claude — і, що показово, прибрала колишню націнку за довгий контекст (Claude5 Hub, 2026). За три з половиною роки — зростання у сотні разів.

І ось тут починається найцікавіше, бо більше памʼяті не означає краща памʼять.

Anthropic у вересні 2025-го опублікувала технічний матеріал, де назвала окремим словом те, що практики й так відчували руками: context rot — «гниття контексту». Формулювання дослівне: «по мірі того, як кількість токенів у контекстному вікні зростає, здатність моделі точно пригадати інформацію з цього контексту падає» (Anthropic, 29.09.2025).

Причина — у самій фізиці трансформера. Архітектура вимагає, щоб кожен токен «звертав увагу» на кожен інший токен: для n токенів це n² попарних звʼязків. Чим довший контекст, тим тонше розмазана увага. Плюс моделі тренували переважно на коротших послідовностях, тож для довгих залежностей у них просто менше відпрацьованих звʼязків (Anthropic, 29.09.2025). Звідси й сумнозвісний ефект «загубленого в середині»: факт, покладений у центр мільйонного вікна, модель бачить гірше, ніж той самий факт на початку чи в кінці (IBM, context window).

Як це виглядає в житті — комічно й дорого водночас. Завантажуєш агентові всю кодову базу «щоб він точно все знав», ставиш просте питання — а він упевнено цитує функцію, яку видалили дев’ять місяців тому, бо її згадка лежала рівно в тому мертвому центрі вікна, куди увага не дотягнулась. Більше памʼяті дало не кращу відповідь, а впевненіше марення. Стіл завалений — а потрібний аркуш десь під сподом.

Висновок неприємний для тих, хто сподівався вирішити все обсягом: контекст — це не склад, а робочий стіл. Anthropic так і формулює — контекст треба «трактувати як скінченний ресурс зі спадною граничною віддачею» (Anthropic, 29.09.2025). Завалити стіл паперами — не те саме, що розкласти потрібні три аркуші на видноті. Памʼять для машини — це не «висипати все, що знаєш». Це курування: що покласти, в якому порядку, що викинути.

Саме тут зʼявляється названа рамка, навколо якої будується вся стаття. Anthropic протиставляє дві дисципліни:

• Prompt engineering — «методи написання й організації інструкцій для моделі заради оптимального результату»: як сформулювати один запит.
• Context engineering — «набір стратегій курування й підтримання оптимального набору токенів під час інференсу, включно з усією іншою інформацією, що туди потрапляє поза самими промптами» (Anthropic, 29.09.2025).

Інакше кажучи: промпт-інженерія — це про слова. Контекст-інженерія — це про памʼять, архітектуру й порядок. Перша вмирає як окрема професія саме тому, що моделі стали достатньо розумними. Друга — народжується з тієї ж причини.

І щоб не лишалося ілюзії, ніби це лише академічна гра в терміни: Anthropic у тому ж матеріалі розкладає, що саме має лежати в контексті й у якому порядку — спершу системні інструкції, потім релевантна памʼять, далі визначення інструментів, і лише потім історія діалогу. Розташування й якість цих блоків впливає на поведінку агента сильніше за будь-який інший фактор (Anthropic, 29.09.2025). Зверніть увагу: це не про «що написати моделі». Це про інженерну схему — як спроєктувати потік інформації так, щоб скінченний робочий стіл не перевантажувався й щоб найважливіше не падало в той самий «загублений центр». Інженерна схема — а отже, інженерна професія.

Evidence ladder: від ціни токена до зарплатної вилки

Збудуємо доказ на трьох рівнях — від далекого хука до інструмента, який читач може взяти в руки завтра.

Рівень перший — економічний. Те, що ми бачили: токен подешевшав на порядки, вікно виросло в сотні разів. Дві криві, що з 2020-го йдуть в одному напрямку — генерація стає майже безкоштовною й майже безмежною. Класична економіка: коли ресурс прямує до нуля в ціні, цінність переходить до сусіднього, комплементарного ресурсу. Залізо подешевшало — подорожчав софт. Генерація коду подешевшала — подорожчав опис того, що генерувати.

Рівень другий — структурний. Anthropic прямо пише, що з мовними моделями працювати «стає менше про пошук правильних слів і фраз для промптів і більше про ширше питання: яка конфігурація контексту найімовірніше породить бажану поведінку моделі» (Anthropic, 29.09.2025). Це не маркетинг — це інженерна команда, яка переписує власні best practices. Є й кількісна спроба зміряти ефект: у спостережному дослідженні 200 задокументованих сесій неповний контекст супроводжував 72% циклів-переробок, а структуроване складання контексту знизило середню кількість ітерацій з 3.8 до 2.0 на задачу й підняло частку прийнятих з першого разу відповідей з 32% до 55% (Calboreanu, arXiv 2026 — препринт, спостережне, не РКД). Це один незалежний препринт із самозвітними числами, тож читати їх треба як ілюстрацію, а не закон: кореляція — не причинність, бо інженери, що краще курують контекст, можливо, й задачі ставлять чіткіше. Але напрямок упертий і збігається з рештою картини.

Рівень третій — ринковий, той, що читач відчує на собі. Професії «контекст-інженер» немає в жодному університетському дипломі. А в зарплатних відомостях вона вже є. У травні 2026-го ZipRecruiter показує окрему категорію вакансій «Context Engineer» з вилкою приблизно $84k–$140k на рік, а ширша категорія «context engineering» (разом із менеджерськими ролями) — $116k–$300k, із середнім близько $147k (ZipRecruiter — Context Engineer; ZipRecruiter — Context Engineering). Великі консалтинги вже відкривають позиції з цією назвою прямо в заголовку — наприклад, EY шукає «Context Engineer — Manager — Consulting» (EY careers). Ринок праці завжди чесніший за словники: він називає річ грошима раніше, ніж її називають кафедри.

Що змінилося	Тоді	Зараз	Зсув
Ціна за 1М токенів (топ-модель)	$60 (davinci, 2020)	одиниці-десятки центів	падіння ~40–50× на рік (Epoch AI)
Контекстне вікно	2–4 тис. токенів (2020–22)	1–2 млн токенів (2026)	зростання у сотні разів
Промпт-інженер як вакансія	хайповий титул 2023	«писати краще вміє сама модель»	↓
Контекст-інженер як вакансія	не існувала	~$84k–$300k вилка (05.2026)	↑
Дефіцитний ресурс	написати код	памʼятати систему	переїхав

Одна таблиця — і видно весь сюжет: усе, що множиться вгору й вниз, сходиться в одну точку. Дефіцит переїхав з клавіатури в документацію.

Counter-pressure: а може, це все тимчасово?

Тепер чесно вдарю по власній тезі — бо інакше це буде проповідь, а не аргумент.

Контраргумент перший і найсильніший: а раптом наступне покоління моделей просто зробить контекст-інженерію непотрібною? Логіка дзеркальна до моєї власної. Якщо моделі поглинули промпт-інженерію («вони вже й так розуміють кострубаті запити»), чому б їм не поглинути й контекст-інженерію — навчитися самим діставати потрібне з кодової бази, самим ставити уточнювальні питання, самим будувати свою памʼять? Уже зараз агенти вміють читати репозиторій і підтягувати релевантні файли. Ще крок — і файл Лукаса агент напише собі сам.

Це сильний аргумент, і я не маю права його замилити. Частково так і станеться: рутинне курування контексту автоматизують, як автоматизували підсвічування синтаксису. Але є межа, об яку розбивається ця логіка. fee_legacy не виводиться з коду. Те, що колонку не можна видаляти, бо в 2023-му на ній зав’язали звітність для регулятора, — цього немає в репозиторії взагалі. Це живе в голові трьох людей, у переписці й у страху перед аудитом. Модель може прочитати все, що записано. Вона не може прочитати те, що не записано ніде, — а саме там сидять найдорожчі рішення бізнесу.

Контраргумент другий: це просто старий добрий технічний опис під новою назвою. Senior-інженери документували архітектуру завжди. Так. Але різниця в адресаті й у ціні помилки. Раніше документацію писали для людей, які й так мали контекст і читали її по діагоналі. Тепер її пишуть для виконавця, який буквально не знає нічого поза переданим текстом і виконає написане дослівно й негайно. Документація перестала бути страховкою «на потім» — вона стала робочим введенням, від точності якого залежить, що згенерується в наступні чотири хвилини.

Що спростувало б мою тезу? Якби впродовж 2026–2027 моделі навчилися надійно й самостійно відновлювати незаписаний інституційний контекст — діставати з людей те, чого немає в коді, без того, щоб людина це спершу проговорила, — тоді контекст-інженерія справді стала б тимчасовим містком, а не професією. Поки що спостерігаємо протилежне: вилки ростуть, консалтинги відкривають позиції, а Anthropic переписує власну документацію. Якщо за рік вакансії з цією назвою почнуть зникати, а не множитися, — я помилявся, і це чесно зафіксую.

Чому саме зараз, у вікні 2018–2026? Бо до 2020-го генерація була надто дорогою й кривою, щоб думати про памʼять, — боролися за сам факт робочого тексту. У 2023-му ажіотаж зосередився на промптах: здавалося, секрет у магічних формулюваннях. І лише коли в 2024–2026-х токен подешевшав на порядки, а вікно виросло в сотні разів, стало видно справжнє вузьке місце — і Anthropic дала йому назву рівно тоді, коли воно перестало бути нішевим болем і стало масовим (вересень 2025-го — не випадкова дата).

Human mirror: ти вже робиш це, просто не береш за це грошей

Тепер про тебе. Ні, не про абстрактного «розробника майбутнього» — про тебе, хто читає це з робочого ноута.

Ти відкриваєш чат із моделлю й пишеш: «зроби мені звіт». Отримуєш узагальнене сміття, лаєшся, додаєш: «ні, по нашому продукту, за травень, у форматі для борду, без води». Друга спроба — ближче. Третя — майже. Ти щойно вручну, наосліп, без зарплатної вилки зробив три ітерації контекст-інженерії — рівно ті 3.8 цикли з дослідження, які структурований контекст стискає до двох.

Різниця між тобою й тим берлінським Лукасом — не в інтелекті й не в моделі. У вас однаковий доступ до однакового Claude чи GPT. Різниця в тому, що Лукас один раз сів і написав памʼять — файл, який тепер працює на нього щоразу. А ти щоразу починаєш з чистого аркуша й платиш за це не грошима, а своїми вечорами й трьома переробками на кожну задачу.

Найнеприємніше дзеркало: компанія, де ти працюєш, теж починає з чистого аркуша щоразу. Її найдорожчий незаписаний контекст — чому ми так вирішили, що ламали тричі, чого боїмося — досі живе в головах, у втрачених тредах і в людині, яка «звільниться — і ніхто не знатиме, як це працює». Раніше це було просто погано. Тепер це буквально гроші: бо машина, яка могла б зробити роботу за чотири хвилини, без цього контексту знову зламає білінг.

Інструмент, який можна взяти в руки сьогодні ввечері. Не теорія — три кроки. Перший: вибери одну систему, яку всі бояться чіпати, і випиши те, чого немає в коді, — чому так зроблено, що ламалось, чого не можна видаляти й чому. Другий: розклади це в порядку, який радить Anthropic, — спершу правила й заборони, потім факти й історія, наприкінці деталі. Третій: дай цей файл агентові на реальну дрібну задачу й порахуй, за скільки ітерацій він упорався проти твого звичного «з чистого аркуша». Якщо число впало — ти щойно зробив те, за що в Нью-Йорку платять шестизначну вилку.

Три кейси, де контекст переважив модель

Берлінський Лукас — це збірний образ, але за ним стоять цілком конкретні задокументовані випадки, де перемогла не модель, а памʼять. Варто розкласти три, бо в кожному видно той самий механізм під різним кутом.

Перший — Etsy. Інженери маркетплейсу описали, як будували відповіді на запити, специфічні для їхньої платформи: не «зробити розумнішу модель», а зібрати правильний контекст довкола питання — внутрішні дані про товари, політики, історію — щоб та сама модель відповідала точно там, де раніше галюцинувала (Etsy Code as Craft). Модель не мінялась. Мінявся стіл, який їй накривали.

Другий — рітейл і юридичні команди. В оглядах застосувань рітейлери повідомляють про кратні покращення влучності персоналізованих пропозицій після переходу на агентів із інженерованим контекстом, а юридичні відділи — про прискорення підготовки контрактів і менше пропущених ризиків комплаєнсу (MarkTechPost, 08.2025). Цифри в таких оглядах варто читати обережно — це вендорські кейси, не контрольовані експерименти, — але напрямок збігається з усім іншим: однакова модель плюс кращий контекст дає інший результат.

Третій — найчесніший, бо це визнання поразки. Ціла хвиля практиків у 2025–2026-х писала по суті одне: «RAG виявилось недостатньо». Тобто навіть автоматичний пошук релевантних документів — той самий, на який покладали надії як на чарівну паличку, — не рятує, якщо немає окремого шару, що вирішує, що саме й у якому порядку класти на стіл моделі (Towards Data Science, 2026; RAGFlow, 2025). Інженери будували цей шар руками — і називали його контекстним. Тобто ремесло визначило себе не з підручника, а з болю: спершу зламались об відсутність, потім дали назву.

Спільний знаменник трьох кейсів простий до незручності. У жодному з них рішенням не була «розумніша модель». У кожному рішенням була краще влаштована памʼять.

Re-plating: отже, що це означає на практиці

Складемо тарілку заново. Якщо вузьке місце переїхало з генерації в памʼять, то найцінніша навичка наступних кількох років — не «вміти кодити» і не «вміти промптити», а вміти будувати й курувати контекст так, щоб скінченний робочий стіл моделі завжди містив рівно ті аркуші, що треба.

Це не метафора й не футурологія. Це вже окрема дисципліна з власними техніками — управління памʼяттю, ворота якості даних, відбір релевантного, порядок викладання, — де RAG виявляється лише одним з інструментів, а не всім ремеслом (Atlan, 2026; Weaviate, 2026). І це дисципліна, де володіння контекстом важить більше за володіння моделлю. Модель ти орендуєш за центи за мільйон токенів — і конкурент орендує ту саму. А курований контекст твоєї системи — те, що неможливо орендувати, бо його ні в кого немає, крім тебе; хто володіє контекстом, той орендує модель, а не навпаки.

Звідси три тверді висновки. Перший: документація перестала бути гігієною «на колись» — вона стала виробничим активом, що працює щодня. Другий: професія, якої немає в дипломах, уже є в зарплатах — і вилка $84k–$300k каже, що це не ажіотажний титул, а посада. Третій, найпрактичніший: найдешевша інвестиція, яку ти можеш зробити цього тижня, — сісти й один раз написати свій fee_legacy-файл. Не код. Памʼять.

Hard kicker

Лукас закрив ноут о шостій. Файл на 1 400 слів лишився жити в репозиторії — без жодного рядка коду, з однією колонкою, яку не можна видаляти, і з історією трьох падінь, яких більше не буде. Наступного ранку новий розробник у команді спитав, де подивитись, як працює білінг.

Йому не дали доступ до коду. Йому дали прочитати памʼять.