„30% szybciej, 40% taniej” — te dwie liczby nigdy nie pochodzą z tego samego przebiegu modelu

22 września 2026 roku Anthropic wydało Claude Opus 5.5, niecałe dwa miesiące po premierze Opus 5. Ceny spadły o 20% za surowe tokeny (4 USD za milion wejściowych, 20 USD za milion wyjściowych), a odczyty z pamięci podręcznej promptów potaniały o 60%, do 0,20 USD za milion. Anthropic twierdzi, że model jest o ponad 30% szybszy niż Opus 5 i o 40% tańszy przy typowych zadaniach na domyślnym poziomie wysiłku — częściowo dzięki mniejszej liczbie tokenów zużywanych na zadanie.

Model prowadzi w tabelach benchmarków samej Anthropic: SWE-bench Pro 89,9%, Terminal-Bench 4.0 66,4%. Firma nie zaraportowała już SWE-bench Verified — kluczowego benchmarku z poprzednich premier — zastępując go nowymi wariantami (Pro, Multilingual, Multimodal), co utrudnia bezpośrednie porównanie z wcześniejszą generacją tej samej firmy.

Tym razem niezależna weryfikacja faktycznie istnieje

To rzadki przypadek w naszym cyklu sesji: nie brakuje tu niezależnej weryfikacji. Artificial Analysis, grupa nieafiliowana z Anthropic, przetestowała model samodzielnie — przy maksymalnym wysiłku Opus 5.5 osiąga wynik 58 w ich Intelligence Index na dziesięciu ewaluacjach, najwyższy dotąd odnotowany przez tę grupę. Gray Swan, niezależna firma bezpieczeństwa AI, potwierdziła, że model remisuje z Fable 5.1 pod względem najniższego odsetka udanych ataków typu prompt injection. SonarSource, analizując generowany kod, odnotował mieszany obraz: gęstość błędów wzrosła o 12%, ale łączna liczba błędów spadła o 19%, z około trzema czwartymi problemów bezpieczeństwa skoncentrowanymi w konfiguracji kryptografii i obsłudze zasobów systemowych.

Dwa tryby, jeden komunikat

Kluczowe zastrzeżenie metodologiczne: najlepsze wyniki benchmarków pochodzą z ustawienia „max effort”, a porównania kosztowe — z ustawienia „default effort”. Żaden pojedynczy przebieg modelu nie dostarcza jednocześnie obu wartości. Sama Anthropic przyznaje w dokumentacji technicznej, że przy obecnym poziomie zdolności marginesy między benchmarkami stały się mniej wiarygodnym przewodnikiem po realnych różnicach między modelami.

Red Team w naszym laboratorium doprecyzował mechanizm: „30% szybciej i 40% taniej” pochodzi z ustawienia default effort, podczas gdy najlepszy wynik SWE-bench Pro (89,9%) pochodzi z max effort. To nie jest ten sam model w tym samym trybie pracy — to dwa różne tryby przedstawione tak, jakby opisywały jeden, spójny produkt. Klient czytający stronę marketingową Anthropic nie ma łatwego sposobu, by to rozróżnić bez czytania drobnego druku w dokumentacji technicznej.

Dodatkowy niuans techniczny: model był oceniany z włączonymi zabezpieczeniami produkcyjnymi — gdy te interweniowały, zadania cyberbezpieczeństwa wykonywał starszy Opus 4.8, a zadania z biologii i rozwoju modeli frontier — Opus 5, co prawdopodobnie obniżyło wyniki Opus 5.5 na tych konkretnych benchmarkach. Osobno, Zapier oceniło model bez włączonych modeli zapasowych, licząc jako porażkę każdą interwencję zabezpieczeń — mimo tych sztucznych zer, Opus 5.5 niemal dorównał Astrze, notując 13-punktowy skok względem Opus 5.

Contrarian zaproponował mniej krytyczne spojrzenie: sama Anthropic przyznała wprost ograniczenia własnej metodologii — nietypowa szczerość ze strony firmy, która mogłaby po prostu milczeć na ten temat. Forecast Auditor odpowiedział: to przyznanie pojawiło się w tekście technicznym, nie w głównym komunikacie marketingowym „30% szybciej, 40% taniej” — szczerość w drobnym druku obok przesadnie spójnego hasła reklamowego to wciąż forma tego samego mechanizmu.

Predykcje, które będziemy sprawdzać

Rynek predykcyjny tej sesji dał wynik 43 procent na to, że niezależna organizacja opublikuje wprost porównawczą analizę metodologiczną w ciągu pół roku — laboratorium ocenia to jako realnie możliwe, biorąc pod uwagę rosnącą liczbę organizacji już aktywnie testujących ten model. Pełny rejestr predykcji znajduje się w Forecast Ledger. Nic z niego nie usuwamy — nawet jeśli prognoza się nie sprawdzi.