Claude Opus 5 - halv pris, ny arbejdshest

De seneste to år har modelkapløbet handlet om benchmarks og kontekstvinduer. Men for virksomheder, der driver agenter i produktion, er den reelle omkostning ikke modellens intelligens i sig selv. Det er antallet af tokens, en agent bruger på at tænke sig frem til et svar, kalde værktøjer og rette fejl undervejs. En model, der bruger færre tokens per opgave, er billigere at drive i stor skala, selv hvis prisen per token er identisk med konkurrenterne.

Opus 5 er bygget til netop det. Anthropic har optimeret modellen til at løse flere opgaver med færre mellemregninger, hvilket betyder, at den effektive pris per løst opgave falder markant mere end den nominelle halvering af listeprisen antyder. For en virksomhed, der kører tusindvis af agent-kald om dagen, er det forskellen på en overkommelig driftsomkostning og en post, der spiser budgettet.

På Frontier-Bench, som tester komplekse flertrins-opgaver, og OSWorld 2.0, som måler evnen til at navigere reelle computermiljøer, placerer Opus 5 sig tæt på Fable 5 i rå ydeevne, men bruger betydeligt færre tokens per gennemført opgave. Det er den kombination, der gør modellen interessant for enterprise-brug: den taber ikke meget på kvalitet, men koster væsentligt mindre at køre i praksis.

Det betyder ikke, at Opus 5 er den rigtige model til alt. Til opgaver, der kræver den skarpeste ræsonnering, ligger Fable 5 stadig foran. Men til den store mængde af agentiske opgaver, der er rutineprægede men mange i antal, tegner Opus 5 sig som den økonomisk fornuftige arbejdshest.

Anthropic fremhæver Harvey, Zapier og Cognition som tidlige kunder, og meldingen fra dem er ens: færre tokens per opgave, kortere svartider og højere præcision. Briefet siger ikke præcist, hvilke dele af deres drift der er flyttet over, så det skal man ikke læse mere ind i end det, der står. Men ser man på, hvad de tre bygger, tegner der sig et mønster. Harvey laver juridiske AI-værktøjer, Zapier bygger automatiseringer, og Cognition arbejder med kodende agenter. Det er alle sammen produkter, hvor mange ensartede kald kører i baggrunden, og hvor prisen per kald går direkte i produktets marginal.

Derfor er det en rimelig antagelse, at gevinsten hos dem ligger samme sted, som den plejer at ligge: på volumenopgaverne, hvor en agent kører igen og igen uden et menneske over skulderen. Det er den arbejdsdeling, jeg selv sætter op, når jeg driver agenter i produktion. Den dyre model, hvor en fejl koster meget, og den billige model, hvor volumen er den egentlige udfordring. Jeg har ikke tal fra de tre virksomheder ud over det, de selv melder, så jeg gætter ikke på procenter, jeg ikke kan se.

I praksis ender mange produktionsopsætninger med begge modeller i samme system: en router, der sender rutineopgaver til Opus 5 og eskalerer de svære sager til Fable 5. Det kræver, at man har styr på, hvilke opgavetyper der reelt er rutine, og hvilke der kræver den dyrere model, hvilket ofte først bliver tydeligt, når man har kørt et system i produktion i nogle måneder.

For danske virksomheder, der allerede har agenter kørende, er den umiddelbare gevinst lavere driftsomkostninger uden at skulle bygge om. Men den større pointe er, at prisfaldet gør det økonomisk forsvarligt at skalere workflows, der før var for dyre til at køre i stort omfang, som automatiseret dokumenthåndtering, kundeservice-agenter eller intern research.

Det kræver dog, at man rent faktisk måler, hvor mange tokens ens agenter bruger per opgave, før man vælger model. Mange virksomheder har endnu ikke det overblik og ender med at betale for kapacitet, de ikke har brug for, eller omvendt at underdrive et system, der reelt kræver mere ræsonneringskraft. Pointen er ikke at jagte den nyeste model på markedet, men at matche modelvalget til opgavens faktiske krav. Og det kræver, at man har målt først.