Claude

Claude to rodzina dużych modeli językowych rozwijanych przez firmę Anthropic – bezpośredni konkurent modeli GPT od OpenAI i Gemini od Google. Dostępna przez interfejs webowy, aplikacje mobilne oraz programistyczne API.

Pierwsza wersja pojawiła się w 2023 roku. W marcu 2024 wprowadzono nazewnictwo, które obowiązuje do dziś i które warto zrozumieć, bo różnica między poziomami przekłada się wprost na koszt.

Poziomy modeli

Nazwy pochodzą od form literackich i są uszeregowane rosnąco pod względem możliwości:

Haiku – najszybszy i najtańszy. Do zadań o dużej objętości, gdzie liczy się czas odpowiedzi i koszt jednostkowy.

Sonnet – wariant zrównoważony. Dla większości zastosowań to jest właściwy wybór.

Opus – model o najwyższych możliwościach w klasycznej trójce.

Fable – klasa wprowadzona ponad poziomem Opus, będąca publicznie dostępnym modelem najwyższej kategorii.

Mythos – ten sam model co Fable, ale z bardziej permisywnymi zabezpieczeniami. Nie jest dostępny publicznie – wyłącznie dla zweryfikowanych organizacji w ramach programu ograniczonego dostępu prowadzonego przez Anthropic.

Aktualne modele i ceny

Stan na wrzesień 2026. Ceny podawane są za milion tokenów, osobno za dane wejściowe i wyjściowe.

Kilka rzeczy wartych odnotowania:

Rozpiętość cenowa jest dziesięciokrotna między najtańszym a najdroższym modelem. Przy pracy generującej dużo tekstu wybór poziomu ma większe znaczenie dla rachunku niż cokolwiek innego.

Tokeny wyjściowe kosztują pięciokrotnie więcej niż wejściowe na każdym poziomie. Zadania polegające na produkowaniu długich tekstów są więc nieproporcjonalnie droższe od tych polegających na analizie dostarczonego materiału.

Sonnet 5 zachował cenę wprowadzającą. Zapowiadana na 1 września 2026 podwyżka do 3/15 USD nie weszła w życie.

Fable 5.1 zmienił model rozliczania pamięci podręcznej. Odczyt z cache kosztuje 0,25 USD za milion tokenów, czyli 2,5% ceny wejścia, podczas gdy pozostałe modele liczą 10%. Przy zadaniach wielokrotnie czytających ten sam kontekst obniża to rachunek o kilkadziesiąt procent bez zmiany cennika.

Okno kontekstowe w aktualnych modelach sięga miliona tokenów – to około dwóch tysięcy stron tekstu w jednej rozmowie.

Dla zadań rutynowych sensowną strategią jest kierowanie ruchu na tańszy model i eskalowanie do droższego wyłącznie tam, gdzie tańszy zawodzi.

Epizod z kontrolą eksportu

Rzecz warta odnotowania, bo pokazuje, jak bardzo ta branża zależy od decyzji administracyjnych.

Modele Fable 5 i Mythos 5 udostępniono 9 czerwca 2026 roku. Trzy dni później, 12 czerwca, amerykańska dyrektywa dotycząca kontroli eksportu wymusiła wyłączenie obu modeli na całym świecie. Ograniczenia zdjęto pod koniec miesiąca, a dostęp przywrócono 1 lipca 2026.

Cała sprawa trwała niecałe trzy tygodnie. Ale dla firm, które zdążyły oprzeć na tym modelu procesy produkcyjne, oznaczała nagłą utratę narzędzia z dnia na dzień.

Praktyczny wniosek, wykraczający poza tę konkretną firmę: budując cokolwiek na zewnętrznym modelu językowym, zakładaj możliwość jego zniknięcia. Zarówno z powodów regulacyjnych, jak i biznesowych – dostawcy wycofują starsze wersje regularnie.

Jak Claude jest trenowany

Wyróżnikiem podejścia Anthropic jest metoda nazywana Constitutional AI.

W skrócie: zamiast opierać dostrajanie modelu wyłącznie na ocenach ludzi, model krytykuje i poprawia własne odpowiedzi według spisanego zestawu zasad, a następnie generuje z tego dane preferencyjne do dalszego uczenia. Zasady są napisane przez ludzi, ale znaczna część pracy oceniającej jest wykonywana przez sam model.

Firma publikuje dokument opisujący te zasady. Aktualna wersja została wydana w styczniu 2026 roku.

Warto wiedzieć, że to jest różnica metodologiczna, a nie gwarancja czegokolwiek. Model wytrenowany tą metodą nadal popełnia błędy, nadal daje się wyprowadzić w pole i nadal ma wszystkie ograniczenia opisane niżej.

Ograniczenia, o których trzeba wiedzieć

Tu jest najważniejsza część tego hasła i jedyna, która realnie chroni Cię przed stratą.

Konfabulacje. Model potrafi podać nieprawdziwą informację w sposób całkowicie przekonujący – z liczbą, datą i pozorną pewnością. Nie sygnalizuje, że nie wie. To nie jest usterka konkretnego produktu, tylko właściwość całej tej klasy narzędzi.

Brak danych rynkowych w czasie rzeczywistym. Bez podłączonych narzędzi wyszukiwania model nie zna dzisiejszych kursów, wyników spółek ani aktualnych stóp procentowych. Zapytany o cenę może wygenerować liczbę, która wygląda wiarygodnie i jest wymyślona.

Data odcięcia wiedzy. Każdy model ma moment, po którym nic nie wie. Wydarzenia późniejsze zna wyłącznie wtedy, gdy sam je wyszuka albo zostaną mu dostarczone.

Brak weryfikacji własnych obliczeń. Model potrafi się pomylić w arytmetyce i nie zauważyć tego. Przy liczbach zawsze sprawdzaj wynik osobno.

To nie jest doradca inwestycyjny ani podatkowy. Nie ma dostępu do Twojej sytuacji, nie ponosi odpowiedzialności i nie jest do tego uprawniony.

Podatność na sugestię. Jeśli sformułujesz pytanie tak, żeby zasugerować oczekiwaną odpowiedź, znacznie rośnie szansa, że ją dostaniesz. To jest realny problem przy analizie własnych pomysłów inwestycyjnych – szukając potwierdzenia, zwykle je znajdziesz.

Do czego to się nadaje, a do czego nie

Konkretnie, z perspektywy kogoś prowadzącego blog i handlującego na rynkach.

Nadaje się:

• do pracy z tekstem, który sam dostarczasz – streszczanie, przeredagowywanie, tłumaczenie,
• do wyjaśniania pojęć i mechanizmów, które możesz potem zweryfikować,
• do pisania i debugowania kodu, ze sprawdzeniem działania,
• do porządkowania własnych notatek i szkiców,
• do generowania kontrargumentów wobec własnej tezy, co bywa najbardziej wartościowym zastosowaniem.

Nie nadaje się:

• do pozyskiwania liczb, które trafią gdziekolwiek bez sprawdzenia w źródle,
• do decyzji inwestycyjnych,
• do zastąpienia własnej analizy,
• do generowania treści publikowanych bez czytania.

Zasada, którą warto przyjąć na stałe: wszystko, co dotyczy liczb, dat, nazw i cytatów, sprawdzasz w źródle pierwotnym. Model może wskazać, gdzie szukać. Nie może zastąpić samego sprawdzenia.

Konkurencja

Rynek jest wyraźnie konkurencyjny i to jest dobra wiadomość dla użytkownika.

GPT od OpenAI – największy zasięg i rozpoznawalność, najszerszy ekosystem narzędzi zewnętrznych.

Gemini od Google – integracja z usługami Google i finansowanie z rentownego biznesu podstawowego.

Llama od Meta – modele z otwartymi wagami, możliwe do uruchomienia lokalnie, bez wysyłania danych na zewnątrz.

Modele o otwartych wagach ogólnie – opcja dla kogoś, kto ma powody, żeby nie wypuszczać danych poza własną maszynę.

Przewaga w tej dziedzinie okazywała się dotąd krótkotrwała i regularnie przechodziła z rąk do rąk. Przywiązywanie się do jednego dostawcy jest ryzykiem operacyjnym, zwłaszcza po epizodzie z czerwca 2026.

Cztery mity

Mit 1: „Model wie, co się dzieje na rynku.” Bez podłączonego wyszukiwania nie wie nic po dacie odcięcia wiedzy. A z podłączonym wyszukiwaniem wie tyle, ile znajdzie – i tak samo może źle zinterpretować to, co znalazł.

Mit 2: „Skoro odpowiada pewnie, to znaczy, że wie.” Pewność sformułowania nie ma związku z trafnością. To jest najgroźniejsza właściwość tych narzędzi i nie znika wraz z kolejnymi wersjami.

Mit 3: „Droższy model zawsze da lepszą odpowiedź.” Przy większości zadań różnica jest niewielka, a rachunek dziesięciokrotny. Do rutynowej pracy tańszy poziom w zupełności wystarcza.

Mit 4: „Model może przeanalizować mój portfel i powiedzieć, co robić.” Może wygenerować tekst wyglądający jak taka analiza. To dwie zupełnie różne rzeczy, a druga z nich nie istnieje.

Jak sam na to patrzę

Traktuję to narzędzie tak samo jak każde inne źródło informacji na rynku: jako punkt wyjścia do sprawdzenia, nigdy jako punkt dojścia.

To samo powtarzam w tym słowniku przy okazji agencji informacyjnych, dostawców danych i raportów branżowych. Mechanizm jest identyczny – dostajesz gotowy, dobrze sformułowany tekst i pokusa, żeby go po prostu przyjąć, jest ogromna. Różnica polega tylko na tym, że model językowy potrafi być przekonujący również wtedy, gdy nie ma racji, a agencja informacyjna przynajmniej ma redakcję i odpowiedzialność prawną.

Do czego to jest u mnie naprawdę przydatne? Do argumentowania przeciwko sobie. Kiedy mam tezę rynkową, poproszenie o najmocniejsze kontrargumenty daje mi coś, czego sam sobie nie dam – bo szukając potwierdzenia własnego pomysłu, zawsze je znajdę. To nie jest analiza. To jest ćwiczenie z pokory.

Czego nigdy nie robię: nie publikuję liczby, daty ani nazwy pochodzącej z modelu bez sprawdzenia w źródle. Ani razu. Nie dlatego, że modele mylą się często – dlatego, że kiedy się mylą, wygląda to dokładnie tak samo jak wtedy, gdy mają rację.

I to jest właściwie cała wiedza praktyczna potrzebna do korzystania z tych narzędzi.

Co zapamiętać

Claude to rodzina modeli językowych Anthropic, uszeregowanych rosnąco: Haiku, Sonnet, Opus, a ponad nimi klasa Fable, z niedostępnym publicznie wariantem Mythos.

Trzy rzeczy ponad resztą:

Rozpiętość cenowa jest dziesięciokrotna, a tokeny wyjściowe kosztują pięć razy więcej niż wejściowe. Wybór poziomu modelu decyduje o rachunku bardziej niż cokolwiek innego.

Pewność odpowiedzi nie ma związku z jej trafnością. Model formułuje błędną informację dokładnie tak samo jak prawdziwą.

Nie publikuj i nie inwestuj na podstawie liczby pochodzącej z modelu bez sprawdzenia w źródle. Narzędzie wskazuje kierunek poszukiwań, nie zastępuje weryfikacji.