Cenovka, která přepisuje hierarchii
Roky platilo jednoduché pravidlo: levnější model používej každý den, drahý frontier model si nech na práci, která zaplatí účty. Opus 5 toto rozdělení bourá. Cenově sedí v tieru Opusu 4.8 — 5 USD za milion vstupních tokenů a 25 USD za milion výstupních —, ale výkonově se pohybuje blízko Fable 5, který Anthropic účtuje 10 / 50 USD za stejné množství. Tedy přesně dvojnásobek.
Pro českou praxi, kde řada firem platí Claude API přes účet v USD a kurzy se promítají do každé faktury, je to rozdíl, který se na měsíčním vyúčtování skutečně objeví. Běžná agentní úloha, která spotřebuje řekněme tři miliony vstupních a pět set tisíc výstupních tokenů denně, přijde u Fable 5 na něco přes 250 dolarů denně. U Opusu 5 je to polovina. Za rok to může být rozdíl mezi udržitelným produktem a pouhým demem, na kterém se musí přestat pracovat.
Oficiální ceník Anthropicu přitom potvrzuje další posun: Opus 5 je novým výchozím modelem v plánu Claude Max a nejsilnějším modelem v plánu Claude Pro. Hierarchie „Opus = střední třída“ se najednou změnila na „Opus = denní frontier“.
Čtyři čísla, která vysvětlují vydání
Anthropic přišel na briefing s celou sadou benchmarků, ale čtyři výsledky shrnují podstatu:
- Frontier-Bench v0.1 — Opus 5 překonal všechny ostatní testované modely a podle tvrzení Anthropicu více než zdvojnásobil výkon Opusu 4.8 při nižších nákladech na úlohu.
- CursorBench 3.2 — při maximálním úsilí se Opus 5 dostal na 0,5 % od vrcholu Fable 5, ale za poloviční cenu na dokončený úkol. Citace partnerů jako Cursor nebo Cognition hovoří o „near Fable 5 intelligence at Opus speed and cost".
- ARC-AGI 3 — test schopnosti řešit zcela nové problémy. Opus 5 zde dosáhl třikrát vyššího skóre než nejbližší testovaný model. Anthropic zde uvádí i konkrétní čísla: 30,2 % oproti 7,8 %, kterých údajně dosahuje GPT-5.6 Sol, a 1,5 % u Opusu 4.8.
- OSWorld 2.0 — benchmark ovládání počítače. Opus 5 překonal nejlepší výsledek Fable 5 při zhruba třetinových nákladech.
Není to ale jen růžové: na DeepSWE stále vede GPT-5.6 Sol a v několika specializovaných právních, zdravotních a kybernetických úlohách vedou Fable 5 i Mythos 5. Kybernetická úroveň je opatrnější — System Card otevřeně přiznává, že schopnost nacházet zranitelnosti je u Opusu 5 srovnatelná s Mythem 5, ale v samotném využití těchto zranitelností je Opus 5 výrazně pozadu. Právě to je ale úmysl, ne náhoda.
Model, který kontroluje sám sebe — bez ohlášení
Nejzajímavější vlastností Opusu 5 není kontextové okno ani žádná jiná konkrétní hodnota. Je to jeho chování. Anthropic v průvodci pro prompting výslovně žádá vývojáře, aby vyhodili pokyny typu „vždy prověř svůj výstup“ nebo „zavolej subagenta kvůli ověření“. Důvod je mírně kontraintuitivní: model už tyto kroky dělá sám, takže jejich přidáváním se práce zbytečně duplikuje a prodražují se tokeny.
Ilustrativní případ z Frontier-Bench: model dostal technický výkres součástky a úkol rekonstruovat ji ve FreeCADu — ovšem záměrně bez přístupu k nástroji pro prohlížení obrázků. Slabší agent by úkol odmítl nebo vrátil neúplný výsledek. Opus 5 si našel chybějící schopnost sám: napsal vlastní pipeline pro počítačové vidění, z původních pixelů extrahoval geometrii, součástku vymodeloval a výsledek opakovaně zreplikoval. Všechny konkurenční modely v tomto testu na pět pokusů selhaly.
Tady se dostávám k vlastnímu měřítku. V redakční práci s agentními workflow narážím na to, co Anthropic popisuje, denně: model po sobě kontroluje práci, nachází chyby a opraví je. Celý proces pak proběhne rychleji a přesněji — pokud táhne správným směrem. Má to ale i svou stinnou stránku: občas je kontrola tak úzkoprsá, že bych to sám udělal levněji, případně bych modelu řekl, ať se tolik nevtírá. Ten, kdo dokáže najít produktivní balanc mezi „nechat agenta dvakrát ověřit stejnou práci“ a „vědět, kdy zastavit“, rozhodne o tom, jestli je Opus 5 tichý spořílek, nebo tichý žrout rozpočtu.
Když model myslí „za roh“
Tato změna je z hlediska každodenní práce mnohem větší, než napoví jakýkoliv žebříček. Během jedné úlohy — řekněme úpravy článku nebo refaktoringu kódu — narazí model na něco, co s úkolem vůbec nesouvisí: chybějící mezera v textu, špatný tag v kódu, podezřelá hodnota v datech. A místo aby to ignoroval nebo mlčky „opravil“, zastaví se a zeptá se: „Našel jsem vedlejší problém, chcete ho řešit?“
Není to výhradní vlastnost Opusu 5. Podobně se chová i Kimi K3 od Moonshotu a doufám, že další generace agentů půjdou stejnou cestou. Je to zásadní posun — model se blíží lidskému rozhodování o tom, co vyřešit hned a co nechat na později. Přestává být pouhým exekutorem vstupního textu a stává se kolegou, který vás upozorní, když sami přehlédnete chybu. Pro integraci AI do reálného workflow je právě tahle vlastnost — spíše než špičkové skóre ve SWE-Bench — to, za co se opravdu vyplatí platit.
Pět úrovní úsilí: model jako cenová křivka
Opus 5 přichází s pěti úrovněmi úsilí (effort): low → medium → high → xhigh → max, přičemž „thinking“ (přemýšlení) je defaultně zapnuté. Jedním modelem tak Anthropic pokrývá celou cenovou křivku. Rutinní analýza může zůstat na low/medium, komplexní code review může vyžadovat vyšší úroveň, rozsáhlý refaktoring si může vyžádat xhigh nebo max. Úspory se ale vytratí ve chvíli, kdy se všechny úlohy spustí na maximum — to je dostatečný důvod, proč byste měli parametr „effort“ znát.
Existuje i Fast režim Opusu 5 — zhruba 2,5× rychlejší než výchozí tempo, ale s dvojnásobnou cenou za tokeny (10 / 50 USD). V tu chvíli je cenově na úrovni standardního Fable 5. Rychlost je další přepínač, který není zdarma.
Tři způsoby, jak úspory zničit
Poloviční cena za tokeny nezaručí poloviční fakturu. Následující tři chyby ji dokážou snadno vymazat:
- Nadměrná verifikace. Smazání starých pokynů k „dodatečnému ověření“ je nutností. Kdo je v promptu nechá, platí dvakrát za stejnou práci.
- Nekontrolovaní subagenti. Opus 5 deleguje úkoly ochotněji než jeho předchůdci. Snadno se tak stane, že z jedné úlohy je rázem pět agentů, kteří se navzájem kontrolují — a náklady se násobí pěti.
- Nejasný rozsah (scope). Proaktivní model velmi snadno rozšíří úzký požadavek na celkový redesign. U citlivější práce je rozumné pevně definovat cíl, povolené soubory, chráněné systémy, podmínky ukončení a maximální počet subagentů.
Pravidlo, které stojí za zapamatování: nejlevnější model není ten s nejnižší cenou za token. Je to ten, který dospěje ke spolehlivému výsledku s nejmenším celkovým úsilím.
Slušná porce upřímnosti
Většina nejlepších výsledků zatím pochází od samotného Anthropicu nebo jeho partnerů s přednostním přístupem — Cursor, Cognition, Box, Lovable, JetBrains a dalších. To neznamená, že jsou bezcenné. Znamená to jen, že nejsou konečným verdiktem. Nezávislé reprodukce testů zatím chybí. Poloviční cena za token sama o sobě nezaručí poloviční účet: parametr effort, délka výstupu, volání nástrojů (tool calls), subagenti a opakované pokusy (retries) stále hrají klíčovou roli.
Reálná odpověď přijde až od samotných vývojářů, kteří si na vlastních repozitářích změří cenu za reálně dokončený úkol (cost per completed task). Tu se z žádného žebříčku v den vydání nedozvíte.
