Anthropic ogłosił nowe modele Claude Fable 5 i Claude Mythos 5. Fable 5 jest
przeznaczony do ogólnego zastosowania, Mythos 5 wykorzystuje ten sam model
bazowy z poluzowanymi ograniczeniami i pozostaje dostępny tylko wybranym
partnerom. Fable 5 znajdziecie przez Claude API jako claude-fable-5, a cena
wynosi 10 dolarów za milion tokenów wejściowych i 50 dolarów za milion
tokenów wyjściowych.
To część, którą przeczyta każdy. Ale szczerze? Cena za token to najmniej ciekawy element całej tej historii. Zobaczmy dlaczego.
Co ogłosił Anthropic
Fable 5 ma być wyraźnie silniejszy w programowaniu, pracy analitycznej, rozumieniu obrazów, długim kontekście i zadaniach naukowych. Anthropic wymienia szeroko zakrojone migracje kodu, analizę dokumentów i arkuszy, precyzyjne odczytywanie danych z wykresów oraz długie zadania agentowe, które wymagają bieżącego planowania.
Kluczowe słowo to „agentowy". Fable 5 nie jest przede wszystkim modelem, któremu zadajecie jedno pytanie i dostajecie jedną odpowiedź. Jest zbudowany do zadań, w których model pracuje na przestrzeni wielu kroków, sam utrzymuje plan i zmierza do celu stosunkowo samodzielnie. I właśnie tutaj zaczyna się łamać sposób, w jaki myślimy o cenie.
Nowy trend: modele stają się coraz bardziej rozgadane
Obserwujemy bowiem przesunięcie, którego nie da się wyczytać z cennika. Najnowocześniejsze modele są coraz bardziej rozgadane. Żeby rozwiązać to samo zadanie, wykonują więcej kroków, dłużej „zastanawiają się" nad podejściem i analizują sprawy głębiej.
To nie jest wada, wręcz przeciwnie. To właśnie dzięki temu radzą sobie z bardziej złożonymi zadaniami. Ale ma to konsekwencję: ten sam problem, który wcześniej model rozwiązywał za jednym podejściem, dziś może przechodzić przez kilka rund rozumowania, kroków pośrednich i samokontroli.
Ukryta matematyka, której nie pokaże cennik
Jeśli nowy model potrzebuje dwa do trzech razy więcej tokenów, żeby rozwiązać ten sam problem, niższa cena jednostkowa was nie uratuje. Możecie spokojnie zapłacić więcej za zadanie, które na papierze kosztowało mniej za token.
Koszt tokena kontra koszt wyniku
Latami byliśmy zafiksowani na jednej metryce: ile kosztuje milion tokenów. Jest porównywalna, wygląda obiektywnie i łatwo wpisuje się w tabelę. Tylko że mierzy nakład, nie wartość.
Prawdziwe pytanie nie brzmi „ile kosztuje token", ale „ile kosztuje doprowadzenie zadania do końca". Czyli: ile tokenów, ile prób i ile ludzkiego nadzoru zużywa jedna gotowa rzecz - jedna przeanalizowana umowa, jedna dokończona migracja, jeden raport, którego nie musicie ręcznie poprawiać.
Pytania do przemyślenia
Spróbujcie zadać je sobie w kontekście własnego wdrożenia:
- Ile tokenów faktycznie zużywa jedno zakończone zadanie, a nie jedno wywołanie?
- Jak często model odnosi sukces za pierwszym razem, a jak często trzeba powtarzać przebieg?
- Ile czasu człowiek spędza na sprawdzaniu i poprawianiu wyniku?
- Gdyby droższy model odniósł sukces za pierwszym razem tam, gdzie tańszy potrzebuje trzech prób, który z nich jest właściwie droższy?
Kiedy zaczniecie liczyć w ten sposób, ranking modeli według ceny za token przestaje mieć sens. Tańszy model, który błądzi, może wyjść drożej niż droższy model, który trafia w wynik za pierwszym razem.
Budujecie automatyzacje i AI na firmowych danych?
W Apexloop dane, dokumenty, automatyzacje i uprawnienia opierają się na jednym wspólnym modelu - dzięki temu wynik agenta AI można sprawdzić, zaudytować i zmierzyć, a nie tylko uruchomić.
Co to oznacza dla wdrożeń firmowych
Dla zespołów, które budują wewnętrzne aplikacje, automatyzacje lub asystentów AI na firmowych danych, ta zmiana myślenia jest ważniejsza niż kilka dolarów w cenniku.
Przesunięcie w stronę długich zadań agentowych jest kuszące - model, który lepiej utrzymuje plan i kontekst, jest bardziej praktyczny do przepływów pracy typu analiza umów, migracja danych, przygotowanie raportów czy kontrola baz danych. Ale to samo przesunięcie jest dokładnie tym, co zwiększa zużycie tokenów. Możliwości i koszty rosną tu ręka w rękę.
Praktyczna wskazówka nie brzmi więc „wybierzcie najtańszy model", lecz:
- Zdefiniujcie, czym jest „gotowy wynik" dla danego zadania, i mierzcie koszty w odniesieniu do niego.
- Śledźcie skuteczność za pierwszym razem, nie tylko cenę za token.
Tam, gdzie wystarczy prostsze zadanie, nie wdrażajcie najbardziej rozgadanego modelu. Celem nie jest jak najwięcej rozumowania, tylko jak najmniej rozumowania potrzebnego do uzyskania wyniku.
Drobiazg, który też wpływa na wynik
Jeszcze jeden szczegół, który wlicza się do rachunku „kosztu wyniku". Fable 5 jest ogólnie dostępny, ale Anthropic dołożył do niego konserwatywne klasyfikatory bezpieczeństwa. Jeśli zapytanie trafi w obszary wrażliwe, takie jak cyberbezpieczeństwo, biologia czy chemia, odpowiedź może przejąć Claude Opus 4.8.
Dla firmy oznacza to, że przy części zapytań zachowanie modelu może się zmienić. Anthropic podaje, że średnio dotyczy to mniej niż pięciu procent sesji i że zabezpieczenia czasem wyłapują też nieszkodliwe zapytanie. Jeśli budujecie produkt na tym modelu, warto uwzględnić tę zmienność - ona również wchodzi w skład pytania, jak niezawodnie dostajecie oczekiwany wynik.
Co z tego wynieść
Silniejszy model nie jest automatycznie gotowym rozwiązaniem. W rzeczywistym wdrożeniu wciąż decyduje model danych, uprawnienia, audyt, testowanie wyników i jasno zaprojektowane granice tego, co agent AI może robić samodzielnie.
Ale i samo myślenie o cenie zasługuje na aktualizację. Nowy model to okazja, żeby przestawić sposób myślenia: przestać pytać, ile kosztuje token, a zacząć pytać, ile kosztuje wynik. To metryka, na której naprawdę zależy.