100 000 zł w testach.
Oto co działa.
Przez 3 lata testujemy każdy dostępny model AI na realnych zadaniach polskich firm. Claude Fable 5.1, GPT-5.6 Sol, Claude Opus 5, Claude Sonnet 5, Gemini 3.1 Pro, Gemini 3.8 Flash, DeepSeek V4-Pro, Mistral Medium 3.5, Muse Glimmer 30B, Grok 4.6 - tu jest prawda bez marketingowego hype'u. I konkretne ścieżki: do czego który model warto używać. GPT-6 Astra, który wszedł 4 września, jest już na naszym stole testowym - oceny wpiszemy po pełnym cyklu, nie po premierowej prezentacji. Stan na 5 września 2026.
Tabela porównawcza.
Oceny 1-5 na bazie naszych testów w realnych projektach biznesowych (nie benchmarków z dokumentacji).
| Model | Polski język | Szybkość | Długi kontekst | Kod | Rozumowanie | Cena | Privacy |
|---|---|---|---|---|---|---|---|
| GPT-6 AstraOpenAI · nowość | ◐ W TESTACH OD 04.09.2026 · 10/50 USD · 1,05 MLN KONTEKSTU | ||||||
| Claude Fable 5.1Anthropic · agentowy | |||||||
| GPT-5.6 SolOpenAI | |||||||
| Claude Opus 5Anthropic | |||||||
| Claude Sonnet 5Anthropic | |||||||
| Gemini 3.1 ProGoogle | |||||||
| Gemini 3.8 FlashGoogle | |||||||
| DeepSeek V4-ProDeepSeek · open weights | |||||||
| Mistral Medium 3.5Mistral · EU | |||||||
| Muse Glimmer 30BMeta · open weights | |||||||
| Grok 4.6xAI | |||||||
Oceny z naszych testów na 500+ realnych scenariuszy biznesowych (stan: 5 września 2026). Gemini 3.8 Flash wszedł 2 września w miejsce 3.7 - ta sama cena, wyższe wyniki u Google; oceny w tym wierszu pochodzą jeszcze z naszych testów 3.7, retest w toku. GPT-6 Astra wszedł 4 września i jest w naszym cyklu 500+ scenariuszy - oceny wpiszemy, gdy przejdzie całość, nie wcześniej. Pełen raport w PDF po zapisie do newslettera.
Ścieżki użycia - do czego który model.
14 typowych scenariuszy biznesowych z polskiego MŚP. Dla każdego - konkretna rekomendacja + uzasadnienie (nie "to zależy").
Pisanie po polsku dla klienta końcowego
Najlepsza polska ortografia, stylistyka, idiomy. Dba o subtelności, których inne modele nie widzą. To jedyny model, w którym polski klient nie zauważa, że pisała AI. Przy dużym wolumenie tekstów Sonnet 5 daje tę samą polszczyznę za 2,5x mniej.
Pisanie kodu do projektu, który pójdzie w produkcję
Claude rozumie architekturę całego projektu i domyślnie włącza adaptacyjne myślenie. DeepSeek V4-Pro jest konkurencyjny w cenie (0,44 USD za mln tokenów wejścia w szczycie, o połowę taniej poza nim) - świetny jako drugi model do cross-check. GPT-5.6 Sol zostawiamy do szybkich skryptów.
Szybkie automatyzacje, duże wolumeny
Gdy odpala się setki razy dziennie (klasyfikacja maili, routing leadów) - cena robi różnicę. Flash 3.8 kosztuje 0,75 USD za mln tokenów wejścia i 3,75 USD za wyjście - tyle samo co 3.7, w promocji do końca 2026. DeepSeek V4-Flash 0,14 USD. Uwaga: od 1 stycznia 2027 Flash drożeje dwukrotnie, do 1,50 / 7,50 USD - policz budżet na nową stawkę.
Analiza screenshotów, PDF-ów, faktur
Najlepszy multimodal w tierze Pro. Widzi obraz, rozumie kontekst, ekstrahuje strukturę. Integracja z Google Workspace (Drive, Docs) bezkonkurencyjna. Do prostszej masowej ekstrakcji wystarczy Gemini 3.8 Flash.
Wrażliwe dane, które nie mogą opuścić firmy
Meta zamknęła linię Llama i flagowy Muse Spark wyszła bez otwartych wag - ale Muse Glimmer 30B ma pełne otwarte wagi na licencji Apache 2.0, 128K kontekstu i po kwantyzacji mieści się na jednej konsumenckiej karcie albo na Macu. Hostujesz u siebie, dane nie wychodzą. Alternatywa z licencją MIT: DeepSeek V4-Pro. Koszt: infrastruktura + setup (4-8K zł jednorazowo).
Analiza dokumentów 50+ stron, umów, raportów
Produkcyjnie obsługuje 1M tokenów bez „gubienia” informacji w środku - i bez dopłaty za długi kontekst, którą nalicza część konkurencji. Gemini i DeepSeek też deklarują 1M, ale jakość przy bardzo długim kontekście spada u nich szybciej. GPT-6 Astra deklaruje 1,05 mln tokenów, tylko powyżej 272K całe zapytanie przechodzi na 20/75 USD - przy analizie umów potrafi to podwoić rachunek.
Złożone decyzje strategiczne, analizy „co jeśli”
Modele premium do zadań, gdzie chcesz NAJLEPSZE odpowiedzi, nie tylko OK. Droższe, ale dla decyzji 100K+ zł cena nie gra roli. GPT-5.6 Sol na najwyższym ustawieniu wysiłku nadrabia różnicę w matematyce. Od 4 września jest tu też GPT-6 Astra (10/50 USD, 1,05 mln kontekstu) - OpenAI mówi o skoku pokoleniowym, my sprawdzamy to na realnych zadaniach, zanim wpiszemy go do rekomendacji.
Klient wymaga hostingu w EU (sovereignty)
Europejski model z hostingiem w UE (Francja), 128B gęstych parametrów, 256K kontekstu, otwarte wagi na zmodyfikowanej licencji MIT. Dla klientów publicznych i rynków regulowanych (bankowość, medycyna) to bywa deal-breaker.
Klasyfikacja wiadomości, leadów, tickets
Szybkie, tanie, wystarczająco dobre do „czy to X, Y czy Z”. Przy 10 000 klasyfikacji dziennie Opus 5 kosztowałby kilkanaście razy więcej bez realnego zysku jakości.
Generowanie wariantów, list pomysłów
Najbardziej „kreatywny” w generowaniu różnych kierunków. Claude jest bardziej zachowawczy - dobry do domykania, gorszy do otwierania tematu.
Praca z Google Sheets, analiza danych w naturalnym języku
Natywna integracja z Google Sheets. Pytasz „jakie miesiące miały CPA > 150 zł” - Gemini zwraca odpowiedź w tabeli. Claude musiałbyś karmić CSV.
Monitoring X / trendów w czasie rzeczywistym
Jedyne miejsce, gdzie Grok ma przewagę - natywny dostęp do X. Dla social listening, trendspottingu, reakcji na viral content. 500K kontekstu. Uwaga na cennik progowy: powyżej 200K tokenów promptu całe zapytanie idzie po wyższej stawce, z 2/6 na 4/12 USD.
Masowe tłumaczenia dokumentów / komunikacji
Przy dużym wolumenie (100+ dokumentów) cena ma znaczenie. DeepSeek robi dobre tłumaczenia PL↔EN za grosze. Dla premium klientów - Sonnet 5 za 2/10 USD daje polską stylistykę na poziomie Opusa. Zapowiadana na 1 września podwyżka do 3/15 USD została odwołana - 2/10 to stawka stała.
Agenty AI z dostępem do narzędzi (MCP, function calling)
Protokół MCP powstał w Anthropic - integracja najgładsza. Fable 5.1 jest strojony pod zadania agentowe i długie, autonomiczne przebiegi, kosztuje 10/50 USD, ale odczyt z cache to u niego 0,25 USD za mln tokenów zamiast 1 USD - przy agencie, który wraca do tego samego kontekstu setki razy, to zmienia rachunek. Do większości wdrożeń w MŚP Opus 5 wystarcza i jest dwukrotnie tańszy.
3 wnioski, o których się nie mówi.
Multi-model strategy daje 30-50% oszczędności
Firmy, które używają jednego modelu do wszystkiego, płacą zbyt dużo. Prosty router (if task=classify, use Gemini 3.8 Flash; if task=copywriting, use Claude Sonnet 5; if task=decyzja strategiczna, use Opus 5) redukuje koszty przy zachowaniu jakości.
Benchmarki z X są NIEREPREZENTATYWNE
To, że model X dostał 95% w MMLU nie znaczy, że zrobi Ci lepszą ofertę dla klienta. Twoja firma ma unikalne zadania, dokumenty, styl. Trzeba testować na SWOICH danych - 2-4h pracy, zmienia decyzję zakupową na lata.
Numer wersji nie mówi, w którym tierze jesteś
Wrzesień 2026: Gemini Flash dojechał do 3.8 - dwie wersje w niespełna miesiąc - a Gemini Pro nadal stoi na 3.1 z lutego; wyższy numer to słabszy tier. Meta porzuciła nazwę Llama i wypuściła linię Muse, w tym flagowca bez otwartych wag. Anthropic ma równolegle Opus 5, Fable 5.1 i Sonnet 5 w trzech różnych rolach, a OpenAI w tym samym tygodniu przeskoczyło z 5.6 na 6 i wróciło do nazw własnych (Astra). Czytaj wersję i tier razem, nigdy osobno.
Cena API << koszt ludzki
Firmy oszczędzają na API za 200 zł/mc, a płacą zespołowi 15 000 zł/mc za ręczną pracę, którą AI zrobi w 10 minut. Policz godziny × stawka - nagle „drogi” Claude jest 30x tańszy niż etat.
Open source ma sens przy skali
Muse Glimmer 30B albo DeepSeek V4-Pro lokalnie ma sens dopiero przy 100K+ zapytań dziennie lub przy wymogach compliance. Do tego poziomu - komercyjne API daje lepszą jakość:cena.
Kontekst > model
Dobry prompt z Claude Haiku pobije zły prompt z Opusa 5. Wybór modelu to 30% sukcesu. Resztę robi context engineering, MCP, architektura agenta. Inwestuj w proces, nie tylko w markę modelu.
Chcesz test modeli na Twoich danych?
AI Audit zawiera test 3-5 modeli na realnych zadaniach z Twojej firmy. Wychodzisz z dokładną rekomendacją architektury multi-model + szacowanym kosztem miesięcznym.