Claude Opus 5 vagy GPT-6 Astra, esetleg Muse Spark 1.3: melyik modellre építsd az üzleti folyamataidat?

Claude Opus 5 vagy GPT-6 Astra? Aki 2026 őszén AI-ra akarja bízni az ügyfélszolgálati levelezést, a szerződések átnézését vagy a havi értékesítési riportot, jó eséllyel ezzel a kérdéssel kezdi a tervezést, pedig a versenybe időközben egy harmadik, jóval olcsóbb szereplő is beszállt. A Meta 2026. szeptember 3-án, ugyanazon a napon, amikor az OpenAI bemutatta a GPT-6 Astrát, kiadta a Muse Spark 1.3 modellt, amely millió bemeneti tokenenként 1,25 dollárba kerül, a DeepSWE v1.1 nevű kódolási teszten pedig 75,4 pontot ért el. Ez több, mint az Astra 74,1-es és az Anthropic júliusi Claude Opus 5 modelljének 74,0-s eredménye, miközben a Muse bemeneti ára az Astráénak csupán a nyolcada.

A választás tétje nagyobb, mint elsőre látszik, hiszen amelyik modellre ráépíted a folyamataidat, az hónapokra meghatározza a költségeidet, az adatkezelési kockázataidat és azt is, mennyi emberi ellenőrzésre lesz szükség. Hogy a verseny közben sem áll meg, azt jól mutatja a Reuters szeptember 19-i értesülése, amely szerint az Anthropic a tőzsdére lépése előtt újabb modellel válaszolna az Astra lendületére. Az alábbiakban 2026. szeptember 22-i állapot szerint összevetjük a három modell árát forintban, megnézzük, mely benchmarkok számítanak egy 5 és 50 fő közötti cégnek, végül feladattípusonként megmondjuk, melyikre mit bíznánk.

Röviden

• A három frontmodell közül 2026. szeptember 22-i állapot szerint a Meta Muse Spark 1.3 a legolcsóbb (1,25 dollár bemenet és 4,25 dollár kimenet millió tokenenként), a Claude Opus 5 a középső árszint (5 és 25 dollár), míg a GPT-6 Astra a legdrágább (10 és 50 dollár).
• Kerekített 320 Ft-os dollárárfolyammal egy tudásbázisra támaszkodó ügyfélszolgálati e-mail-válasz saját becslésünk szerint nagyjából 2,6 Ft a Muse-zal, 12,8 Ft az Opus 5-tel és 25,6 Ft az Astrával, így a legtöbb KKV-nál nem a tokenár, hanem a hibák és az integráció költsége dönt.
• Kódolásban szoros a verseny: a DeepSWE v1.1 teszten a Muse Spark 1.3 vezet 75,4 ponttal, a független Artificial Analysis kódolóügynöki indexén viszont az Astra (62) és az Opus 5 (60) is megelőzi a Muse-t (54).
• Ügyfélszolgálatra és dokumentumfeldolgozásra az Opus 5 ár-érték arányát tartjuk a legjobbnak, összetett, több programot érintő elemzésre és böngészős adminmunkára az Astra az erősebb, a Muse pedig személyes adatot nem tartalmazó fejlesztési feladatokra éri meg.
• A Muse Spark 1.3 esetében a Meta nem erősítette meg az uniós elérhetőséget és nem tett közzé GDPR-vállalásokat, ezért ügyféladatokkal dolgozó magyar folyamatba egyelőre nem ajánljuk.
• A legbiztonságosabb stratégia egy olyan modellréteg kiépítése, amelyben a modell egy beállítással cserélhető, mert az árak és a rangsorok hetek alatt változnak.

Miért éppen most kell eldöntened, melyik modellre építesz?

Azért, mert 2026 júliusa és szeptembere között mindhárom nagy fejlesztő új frontmodellt adott ki, az árak között pedig nyolc- és közel tizenkétszeres különbség nyílt. Aki most köti a folyamatait egy modellhez, hónapokra rögzíti a költségeit és a minőséget, ezért a döntést mérésre érdemes alapozni, nem a szalagcímekre.

A frontmodell (angolul frontier model) a legnagyobb képességű nyelvi modellek gyűjtőneve, amelyeket a nagy AI-laborok a csúcskategóriában, a legmagasabb áron kínálnak. Az elmúlt hónapokban ebben a kategóriában sűrűn követték egymást a bejelentések: az Anthropic július 24-én adta ki a Claude Opus 5-öt, amelynél egy erőfeszítési beállítással a felhasználó maga dönti el, hogy a képességet vagy a költséget helyezi előtérbe, majd szeptember 3-án egyszerre érkezett az OpenAI GPT-6 Astra és a Meta Muse Spark 1.3 modellje.

A piac meglepően gyorsan mozdult. A Reuters értesülése szerint a Ramp nevű vállalati költségkezelő platform adatai alapján az Astra néhány hét alatt a követett vállalati AI-kiadások nagyjából 13%-át hozta, míg az Anthropic csúcsmodellje, a Claude Fable körülbelül 8%-ot. Az OpenRouter modellközvetítő platform szerint a felhasználói a megelőző héten több mint két és fél év után először költöttek többet az OpenAI modelljeire, mint az Anthropicéira.

Az Anthropic a Reuters forrásai szerint éppen a következő modellje biztonsági értékelésén dolgozik, a kiadásról pedig ennek fényében döntene. A helyzet pikantériája, hogy Dario Amodei, az Anthropic vezérigazgatója szeptember 12-i esszéjében még az iparág lassítását sürgette, saját fordításunkban: „lassítanunk kell azt a tempót, amellyel az AI-modellek képességeit fejlesztjük”. A tőzsdei bevezetés a hírügynökség szerint akár a novemberi amerikai félidős választások utánra is csúszhat, a befektetői roadshow legkorábban október közepén indulna.

Egy magyar kis- vagy középvállalat számára mindebből egyetlen gyakorlati tanulság következik: a mai rangsor néhány hét múlva elavulhat, ezért olyan döntést érdemes hozni, amelyet később fájdalommentesen felül lehet írni. Aki most egy konkrét modell API-jára égeti rá az ügyfélszolgálati botját, az a következő árváltozásnál vagy modellfrissítésnél újra kifizeti a fejlesztést, aki viszont cserélhető modellréteggel épít, annak elég egyetlen beállítást módosítania.

Mi a Claude Opus 5, a GPT-6 Astra és a Muse Spark 1.3?

A Claude Opus 5 az Anthropic 2026. július 24-én kiadott, középső árkategóriás frontmodellje, amelynek erőfeszítési szintje állítható. A GPT-6 Astra az OpenAI szeptember 3-i csúcsmodellje, amely különösen a számítógép-használatban erős. A Muse Spark 1.3 a Meta ugyanaznap kiadott, olcsó, ügynöki kódolásra szánt modellje.

Mindhárom úgynevezett gondolkodó (reasoning) modell, vagyis a válasz előtt belső lépésekben végiggondolja a feladatot, továbbá mindhárom képes eszközöket hívni, tehát nemcsak szöveget ír, hanem keresni, fájlt olvasni vagy más programokat vezérelni is tud. A különbség a hangsúlyokban, az árban és az elérhetőségben rejlik, egy KKV számára pedig ezek többet számítanak, mint a rangsorok tizedpontjai.

Claude Opus 5: a középút, állítható erőfeszítéssel

Az Anthropic a Claude Opus 5-öt olyan modellként pozicionálja, amely a drágább Claude Fable 5 csúcsképességeit közelíti meg feleannyi pénzért. Az Opus 5 legfontosabb újdonsága az erőfeszítési (effort) beállítás: a fejlesztő vagy a felhasználó eldöntheti, hogy a modell több gondolkodással a lehető legjobb választ adja, vagy tokeneket spórolva gyorsabban és olcsóbban dolgozzon. Az Anthropic bejelentése a hosszú futású ügynöki munkát, a programozást, a pénzügyi és jogi munkafolyamatokat, az adatelemzést, az átvilágítást (due diligence) és a táblázatkezelést emeli ki fejlesztési területként.

A bejelentésben idézett ügyfelek közül a Box technológiai igazgatója arról számolt be, hogy náluk az Opus 5 8%-kal teljesített jobban az elődjénél, az Opus 4.8-nál, különösen látványos javulást hozva az adatelemzésben. A Zapier vezérigazgatója szerint a modell úgy került a cég AutomationBench nevű üzleti automatizálási rangsorának élére, hogy nem használt több tokent a korábbi Claude-modelleknél. Az Opus 5 a claude.ai felületén, a Claude Code fejlesztőeszközben, a Cowork munkakörnyezetben és a Claude API-n keresztül érhető el, a Pro és a Max előfizetésekben is.

GPT-6 Astra: a drága specialista, amely a gépedet is kezeli

A GPT-6 Astra az OpenAI szerint jelenleg a világ legjobb számítógép-használó modellje: űrlapot tölt ki, CRM-et frissít, naptárat szervez, online kutat, sőt olyan programokat is kezel, mint az Excel vagy a Power BI. Az OpenAI a szoftverfejlesztésben is az eddigi legjobb modelljének tartja, a feladatokkal ráadásul 47%-kal gyorsabban végez, mint az elődje, a GPT-5.6 Sol.

Az Astra a ChatGPT Plus, Pro, Business és Enterprise előfizetésekben fokozatosan válik elérhetővé, az OpenAI API mellett a Microsoft Azure és az AWS Bedrock felhőjén is fut. A vállalati fiókokban viszont alapból ki van kapcsolva, így az adminisztrátornak kell engedélyeznie.

Muse Spark 1.3: az olcsó kihívó, zárt súlyokkal

A Muse Spark 1.3 a Meta ügynöki kódolásra szánt modellje, amelyet hosszú, sok lépésből álló feladatokra fejlesztettek. A MarkTechPost összefoglalója szerint kétértelmű utasításnál tisztázó kérdést tesz fel, szól, ha elakadt, a következményekkel járó lépések előtt megerősítést kér, a kitalált eredmény helyett pedig jelzi az akadályt. Az elődjéhez, az 1.2-es változathoz képest nagyjából 20%-kal kevesebb eszközhívással és 25%-kal kevesebb tokennel dolgozik, a kontextusablaka 1 millió token.

A kontextusablak az a szövegmennyiség, amelyet a modell egyetlen kérésben egyszerre át tud tekinteni, az 1 millió token saját durva becslésünk szerint nagyjából ezer oldalnyi szövegnek felel meg. A Muse a Meta saját kódolóeszközében, a Muse Code-ban és a Meta Model API-n érhető el. A súlyai zártak, tehát saját szerveren nem futtatható, bár a nyílt kiadás a Meta ütemtervében szerepel. A legerősebb, „max” gondolkodási mód a MarkTechPost szerint egyelőre további biztonsági tesztekig korlátozott.

Három modell, három árszint: 1,25 dollártól 10 dollárig

A három modell bemeneti ára millió tokenenként 1,25 dollár (Muse Spark 1.3), 5 dollár (Claude Opus 5) és 10 dollár (GPT-6 Astra), a kimeneti ár 4,25, 25 és 50 dollár. Kerekített 320 Ft-os dollárárfolyammal ez bemenetre 400, 1 600 és 3 200 Ft, kimenetre 1 360, 8 000 és 16 000 Ft millió tokenenként.

A token az a szövegdarab, amelyben a nyelvi modellek számolnak és számláznak: egy angol szó átlagosan egy-másfél token, a magyar szavak a ragozás miatt jellemzően több tokenre bomlanak. A bemeneti token az, amit a modellnek elküldesz (utasítás, dokumentum, korábbi beszélgetés), a kimeneti token pedig az, amit visszaír. A gondolkodó modelleknél a kimenetbe a látható válasz mellett a belső gondolkodás tokenjei is beleszámítanak, ezért egy rövid válasz is lehet meglepően drága, ha a modell sokat gondolkodik előtte. A forintos számításokhoz a 2026. szeptember 21-i, nagyjából 317 forintos dollárárfolyamot 320 Ft-ra kerekítettük.

Az árak mögött érdemes néhány részletet is észrevenni. Az Astra pontosan kétszer annyiba kerül, mint az Opus 5, bemenetben nyolcszor, kimenetben közel tizenkétszer annyiba, mint a Muse. Az OpenAI árlistája szerint az Astra hosszú kontextusban drágább, egy bizonyos kontextushossz felett a bemenet millió tokenenként 20, a kimenet 75 dollár. Az Anthropic árazási oldala szerint viszont a 4.6-os és újabb Claude-modelleknél a teljes, 1 millió tokenes kontextus normál áron használható, így egy több száz oldalas iratcsomag feldolgozásánál ez a különbség már megjelenhet a számlán.

A gyorsítótárazás (prompt caching) azt jelenti, hogy a többször elküldött, változatlan szövegrészt, például a hosszú rendszerutasítást vagy a tudásbázist, a szolgáltató eltárolja, a következő kéréseknél pedig a töredékéért számolja el. A kötegelt feldolgozás (Batch API) olyan mód, amelyben a kéréseket nem azonnal, hanem később, jellemzően egy napon belül dolgozza fel a rendszer, cserébe az OpenAI-nál és az Anthropicnál is 50%-os kedvezmény jár érte. Az éjszakai számla- vagy dokumentumfeldolgozás így a listaár feléért futtatható, ami nagy volumennél komoly tétel.

A sebességnek is ára van. Az Astra Fast módja kétszeres sebességet ad kétszeres áron, az Opus 5 gyors módja az Anthropic szerint 2,5-szer gyorsabb, a díja pedig 10 dollár bemenetre és 50 dollár kimenetre, vagyis pont annyi, mint az Astra normál ára. Ha az adataid feldolgozási helyét is kötni szeretnéd, arra is számolj felárral: az OpenAI regionális feldolgozási végpontjai a 2026. március 5. után kiadott modelleknél 10%-kal drágábbak, az Anthropicnál a kizárólag amerikai feldolgozás választása 1,1-szeres szorzóval jár.

A Muse-nak van egy feltűnően olcsó változata is: a Contributor szinten millió tokenenként 0,10 dollár a bemenet és 0,20 dollár a kimenet, cserébe viszont a Meta a promptjaidat és a válaszokat a jövőbeli modelljei tanítására használhatja. Erről a GDPR-ról szóló részben még lesz szó, mert egy magyar cégnél ebből könnyen komoly adatkezelési hiba lehet.

Végül nem mindenkinek kell API-árakban gondolkodnia. Ha a munkatársaid csak csevegőfelületen dolgoznak a modellel, az Astra a ChatGPT-előfizetések keretében, az Opus 5 a Claude Pro és Max csomagjaiban is elérhető, ilyenkor a havidíj a meghatározó, nem a tokenár. A tokenalapú számla akkor kerül előtérbe, amikor a modellt egy folyamatba kötöd be, például az ügyfélszolgálati rendszerbe, a dokumentumkezelőbe vagy egy n8n-munkafolyamatba.

Mennyibe kerül egy valódi üzleti feladat forintban?

Saját becslésünk szerint egy tudásbázisra támaszkodó ügyfélszolgálati válasz 2,6 és 25,6 Ft, egy 20 oldalas szerződés összefoglalása 14,5 és 139,2 Ft, egy hosszabb ügynöki programozási munkamenet 882 és 7 360 Ft között mozog a három modellnél. A tipikus irodai feladatoknál tehát a tokenköltség elenyésző, az ügynöki munkánál viszont gyorsan összeadódik.

A számításhoz szemléltető feltételezésekkel éltünk, kerekített 320 Ft-os dollárárfolyammal. Egy ügyfélszolgálati e-mail-válasznál a modell 3 000 bemeneti tokent kap (utasítások, a tudásbázis releváns részlete, az ügyfél levele) és a gondolkodással együtt 1 000 kimeneti tokent ír. Egy 20 oldalas szerződés összefoglalásánál és a kockázatos pontok kigyűjtésénél 21 000 bemeneti és 4 500 kimeneti tokennel, egy havi értékesítési elemzésnél 60 000 bemeneti és 8 000 kimeneti tokennel számoltunk. Az ügynöki programozási munkamenet egy webshophiba felderítését és javítását jelenti nagyjából 40 lépésben, ahol a modell lépésenként átlagosan 50 000 token kontextust olvas újra, ez összesen 2 millió bemeneti és 60 000 kimeneti token.

Az Opus 5-ös szerződésösszefoglaló például így jön ki: 21 000 bemeneti token × 5 dollár / 1 000 000 = 0,105 dollár, 4 500 kimeneti token × 25 dollár / 1 000 000 = 0,1125 dollár, összesen 0,2175 dollár, ami 320 Ft-tal szorozva 69,6 Ft. A gyorsítótáras sorban a 2 millió bemeneti tokenből 1,8 milliót a gyorsítótárból olvasott áron számoltunk, a gyorsítótár írásának felárát az egyszerűség kedvéért elhanyagolva.

A táblázat első három sora azt mutatja, hogy a szokásos irodai feladatoknál a tokenár egy KKV számára szinte mellékes. Ha egy ügyfélszolgálati munkatárs óránként 5 000 Ft-ba kerül a cégnek (ez is szemléltető szám), akkor egyetlen perce nagyjából 83 Ft, vagyis egy Astrával megírt válasz tokenköltsége is kevesebb, mint az ő fél perce. A valódi költség máshol jelentkezik: a bevezetésben, az integrációban, a hibás válaszok javításában és az emberi ellenőrzésben. Egy olcsó modell, amelynek minden tizedik válaszát át kell írni, a végén többe kerülhet, mint egy drágább, de megbízhatóbb társa.

Tokenár vagy feladatár?

Az ügynöki munkánál a tokenár ráadásul félrevezető is lehet, mert a modellek nagyon eltérő mennyiségű tokent használnak ugyanarra a feladatra. A független Artificial Analysis 2026. szeptember 9-i mérése szerint az Astra maximális erőfeszítésen feladatonként átlagosan 27 ezer kimeneti tokent használt az intelligenciaindex feladatain, az Anthropic csúcsmodellje, a Claude Fable 5.1 pedig 78 ezret. Ugyanez az elemzés azt írja, hogy az Astra a kódolóügynöki indexen feladatonként nagyjából 40%-kal olcsóbb a Fable 5.1-nél és körülbelül 30%-kal olcsóbb a maximális erőfeszítésen futó Claude Opus 5-nél, azonos vagy jobb eredmény mellett. A kétszer akkora tokenár tehát nem jelenti automatikusan a kétszer akkora számlát.

Az Opus 5 erőfeszítési beállítása ugyanezért lényeges: alacsonyabb szinten kevesebb tokent használ, így egyszerű feladatoknál jóval olcsóbb lehet, mint amit a maximális szinten mért eredmények sugallnak. A gyakorlati következtetés ezért az, hogy ne a millió tokenre eső árat hasonlítsd össze, hanem azt, hogy a saját 30 vagy 50 tipikus feladatodon mennyibe kerül egy sikeres elvégzés.

Melyik benchmarkok számítanak tényleg egy KKV-nak?

Azok, amelyek a te feladataidhoz hasonló munkát mérnek: a számítógép-használatot, a hosszú dokumentumokban való keresést, a hallucinációs hajlamot és az üzleti automatizálást. A kódolási tesztek csak akkor érdekesek, ha saját fejlesztésed van, a matematikai versenyfeladatok egy átlagos cég mindennapjairól viszont szinte semmit nem árulnak el.

A benchmark olyan szabványos tesztsor, amelyen a modellek teljesítményét összemérik. A gyártók által közölt számokat két okból kell óvatosan olvasni. Az első, hogy a fejlesztők jellemzően a legerősebb beállításban mérnek: a Muse Spark 1.3 OSWorld 2.0 eredménye például a még korlátozott „max” módban 66,9, az általánosan használható „xhigh” módban viszont 57,2. A második, hogy a tesztek változatai sem mindig egyeznek, az OpenAI például az Astrát a Terminal-Bench 4.0-s változatán mérte (57,9%), a Meta a Muse-t és az Opus 5-öt a 2.1-esen, így a két szám nem vethető össze.

A táblázat forrásai az OpenAI és a Meta saját közlései, illetve az Artificial Analysis 2026. szeptember 9-i elemzése. Az Anthropic az Opus 5 OSWorld 2.0 eredményéről pontos számot nem közölt, csak annyit, hogy a modell a drágább Fable 5 legjobb eredményét is felülmúlja nagyjából harmadannyi költséggel.

A független mérések azért érnek sokat, mert ugyanazt a módszert alkalmazzák minden modellre. Egy KKV szempontjából az Artificial Analysis szeptemberi elemzésének két részeredménye különösen beszédes. Az AA-Omniscience teszt azt méri, mennyire hajlamos a modell kitalálni a választ ahelyett, hogy bevallaná, nem tudja: itt az Astra hallucinációs aránya maximális erőfeszítésen 92%-ról 51%-ra csökkent az elődjéhez képest, ami nagy javulás, de azt is jelenti, hogy ha a modell nem tudja a választ, még mindig nagyjából minden második esetben rögtönöz ahelyett, hogy ezt beismerné. A gazdaságilag értékes tudásmunkát modellező GDPval-AA v2 teszten ugyanakkor az Astra körülbelül 45 Elo-ponttal gyengébben szerepelt, mint a GPT-5.6 Sol, vagyis az újabb modell nem minden irodai feladatban jobb a réginél.

Az üzleti automatizálásról az Artificial Analysis és a Zapier július 6-án közzétett AutomationBench-AA mérése adott józan képet: 657 feladaton, 40 szimulált üzleti alkalmazásban a legjobb modell is csak a feladatok 48,6%-át oldotta meg, minden modell megszegett üzleti szabályokat (feladatonként átlagosan 0,46 és 1,26 közötti alkalommal), a pénzügyi folyamatokban pedig fele akkora volt a sikerarány, mint az ügyfélszolgálati és operációs feladatoknál. Ez a mérés még az Opus 5 és az Astra előtt készült, a tanulsága mégis érvényes: a legjobb modell mellé is ellenőrzési pontokat kell tervezni.

Kódolásban a Meta olcsóbb modellje is verseng: 75,4 pont a 74,1 ellen

A DeepSWE v1.1 szoftverfejlesztési teszten a Meta Muse Spark 1.3 75,4 pontot ért el, az OpenAI GPT-6 Astra 74,1-et, az Anthropic Claude Opus 5 modellje 74,0-t, miközben a Muse kimeneti tokenje közel tizenkétszer olcsóbb az Astráénál. A független Artificial Analysis kódolóügynöki indexén viszont éppen a Muse áll a mezőny végén.

A DeepSWE-n a GPT-5.6 Sol a Meta közlése szerint 72,7 pontot kapott, az xAI Grok 4.7 modellje 71,0%-ot ért el. A parancssori Terminal-Bench 2.1 teszten a Muse holtversenyben áll a Sollal 88,8 ponton, az Opus 5 86,7 pontot ért el. A három élmodell közötti 1,4 pontos különbség a DeepSWE-n egy kis cég valós munkájában aligha érezhető, az árkülönbség viszont nagyon is.

Hogy miért kerül a Muse az Artificial Analysis mérésén az utolsó helyre (Astra a Codexben 62, Fable 5.1 a Claude Code-ban 62, Opus 5 60, GPT-5.6 Sol 55, Muse a Muse Code-ban 54), arra szerintünk a legvalószínűbb magyarázat a környezet. A független index a modelleket a saját fejlesztői eszközükben futtatja, ahol a kontextuskezelés, a fájlkezelés és az eszközök összehangolása legalább annyit számít, mint maga a modell. Egy modell tehát egy szűk, jól definiált teszten nyerhet, egy hosszabb, valósághűbb munkamenetben mégis lemaradhat, ezért mindig abban a környezetben próbáld ki, amelyben használni fogod.

Mit kódol egy 5 és 50 fő közötti cég? Vegyünk egy képzeletbeli, 12 fős kecskeméti asztalosüzemet, amelynek WooCommerce-webshopja és egy n8n-alapú ajánlatkérő folyamata van. Náluk a tipikus fejlesztési feladat egy bővítményütközés kijavítása, egy rövid JavaScript-részlet az n8n Code node-jába, egy Excel-makró a szabásjegyzékhez vagy egy egyszerű árkalkulátor a weboldalon. Ezekre a Muse Spark 1.3 ár-érték aránya kiváló, feltéve, hogy a kódban nincs ügyféladat vagy jelszó, továbbá a standard szintet használod, nem a Contributort. Ha viszont az ügynök a teljes kódtárban dolgozik, éles adatbázishoz vagy ügyféladatokhoz is hozzáfér, akkor az Astra a Codexben vagy az Opus 5 a Claude Code-ban a kiszámíthatóbb választás.

A viselkedésbeli különbségek egy nem fejlesztő cégvezetőnek néha többet érnek egy benchmarkpontnál. Az OpenAI szerint az Astra a Codexben kereshető jegyzetekkel őrzi meg a kontextust, valamint úgy is fel tud tenni tisztázó kérdést, hogy közben tovább halad a munkával. A Muse a következményekkel járó lépések előtt megerősítést kér, ami egy élő webshopnál többet ér néhány tizedpontnyi előnynél.

Claude Opus 5 vagy GPT-6 Astra: melyik a megbízhatóbb munkatárs?

A három modellről független, egymás melletti megbízhatósági mérés még nincs, a gyártói adatok szerint azonban mindhárom előrelépett. Az Astra hallucinációs aránya a független mérésen 92%-ról 51%-ra esett az elődjéhez képest, az Opus 5-öt az Anthropic az eddigi legjobban igazodó modelljének tartja, a Muse pedig megerősítést kér a kockázatos lépések előtt.

Az OpenAI belső tesztjén az Astra 0%-os arányban lépte túl a kapott jogosultsági kört (a GPT-5.6 Solnál ez az arány 48% volt), a cég szerint ráadásul háromszor kisebb eséllyel állítja hamisan, hogy képes valamire. Az érem másik oldala, hogy az OpenAI az AI Weekly szeptember 7-i beszámolója szerint elismerte: nem tudja megbízhatóan kiszűrni, ha a modell szándékosan alulteljesít a biztonsági teszteken. Ez inkább az AI-laborok felelőssége, mint egy KKV-é, de jó emlékeztető arra, hogy a gyártói biztonsági számokat sem érdemes vakon elfogadni.

Az Anthropic az Opus 5 bejelentésében azt írta, hogy automatizált viselkedési auditjuk szerint ez az eddigi legjobban igazodó (aligned) modelljük, vagyis a tesztekben ez a modell viselkedett a legritkábban nem kívánt módon, ráadásul erősebb kiberbiztonsági védőkorlátokat kapott, mint az elődje. A megbízhatósághoz a rendelkezésre állás is hozzátartozik: a cikk írásának napján, 2026. szeptember 22-én az Anthropic állapotoldala (status.claude.com) megnövekedett hibaarányt jelzett az Opus 5-nél. Egy ügyfélszolgálati bot, amely egyetlen modellre épül, ilyenkor egyszerűen elhallgat.

A Muse Spark 1.3 már bemutatott óvatossága, vagyis hogy megerősítést kér és jelzi az akadályt, egy ügyfélrendszerekben dolgozó ügynöknél értékes tulajdonság. A modell legerősebb módja viszont még a biztonsági tesztelés fázisában van, a súlyai zártak, az uniós adatkezelési háttere pedig tisztázatlan, erről a következő szakaszban írunk.

A gyakorlatban a megbízhatóság nagyobb része a rendszer felépítésén múlik, nem a modellen. Egy ügyfélszolgálati bot akkor lesz megbízható, ha csak a céges tudásbázisból válaszolhat, bizonytalan esetben emberhez továbbít, minden lépése naplózva van, a pénzt vagy szerződést érintő műveletekhez pedig emberi jóváhagyás kell.

Tipp: mielőtt bármelyik modellt ügyfelek elé engeded, gyűjts össze 30 olyan kérdést, amelyre a helyes válasz nincs benne a tudásbázisodban. Egy jól beállított rendszer ezeknél a „nem tudom, továbbítom a kollégámnak” választ adja. Ha a modell ehelyett magabiztosan kitalál valamit, azt jobb az élesítés előtt megtudni, mint egy bosszús ügyféltől.

Mit mond a GDPR a három modell céges használatáról?

A GDPR egyik modellt sem tiltja, de megköveteli, hogy tudd, hol és milyen feltételekkel dolgozzák fel a személyes adatokat, erről pedig adatfeldolgozási megállapodás szülessen. Az OpenAI és az Anthropic üzleti feltételei ezt lehetővé teszik, a Meta viszont a Muse Spark API-jához ilyen vállalást eddig nem tett közzé.

Az innFactory német AI-tanácsadó cég modellösszesítője szerint a Meta nem közölt országlistát a Meta Model API-hoz, a Muse Spark 1.3 uniós elérhetőségét nem erősítette meg, ahogy adatfeldolgozási megállapodásról, GDPR-vállalásról vagy uniós adattárolásról sem kommunikált semmit. A TechTimes szeptember 4-i cikke egy további csapdára hívta fel a figyelmet. A Muse olcsó Contributor szintjén a Meta a promptokat és a válaszokat a jövőbeli modelljei tanítására használhatja, a hozzájárulás pedig egyszerűen a modellnév része: a „muse-spark-1.3” azonosító a standard, tanítás nélküli szint, a „muse-spark-1.3-contributor” a tanítással járó. Egy fejlesztő tehát egyetlen konfigurációs sor átírásával úgy küldheti az ügyféladatokat tanítási célra, hogy azt a lap szerint egyetlen elterjedt adatszivárgás-megelőző vagy API-átjáró eszköz sem veszi észre. A standard szinten a Meta a TechTimes szerint megőrzi az adatokat, de nem tanít rajtuk, a megőrzési időt viszont nem hozta nyilvánosságra.

Az OpenAI és az Anthropic üzleti és API-ügyfeleinek adatait alapértelmezés szerint nem használja modelltanításra, mindkét cég kínál adatfeldolgozási megállapodást. Az OpenAI árlistája szerint a regionális feldolgozási (data residency) végpontok 10%-os felárral használhatók a 2026. március 5. után kiadott modelleknél, az Astra pedig a Microsoft Azure és az AWS Bedrock felhőjén is fut, ahol a szolgáltatók jellemzően régiót is választani engednek, a modell régiós elérhetőségét azonban ott is érdemes ellenőrizni. Az Anthropicnál az alapértelmezés a globális útválasztás, a kizárólag amerikai feldolgozás 1,1-szeres szorzóval kérhető, a cég közlése szerint az Opus 5 általános hozzáféréséhez a korábbi Opus-modellekhez hasonlóan nem kapcsolódik külön adatmegőrzési követelmény. Aki uniós régióban futtatná a Claude-modelleket, annak érdemes a nagy felhőszolgáltatóknál ellenőriznie az Opus 5 aktuális régiós elérhetőségét.

Az Európai Unió mesterségesintelligencia-rendelete (EU AI Act) szintén érinti a választást, bár modelltől függetlenül. A rendelet átláthatósági kötelezettsége (50. cikk) 2026 augusztusa óta hatályos: jelezni kell a felhasználónak, ha AI-rendszerrel lép kapcsolatba, vagyis az ügyfélszolgálati botnak be kell mutatkoznia. Gyakorlati ellenőrzőlistánk a szerződéskötés előttre:

• Legyen aláírt adatfeldolgozási megállapodásod a szolgáltatóval, a nyilvántartásodban pedig rögzítsd, milyen adatkör kerül hozzá.
• Ellenőrizd, hogy a használt csomag vagy modellazonosító nem ad engedélyt a tanításra, valamint vedd fel a fejlesztői beállításokat a változáskezelésbe.
• Döntsd el, szükséged van-e uniós adatfeldolgozásra, ha pedig igen, számolj a 10%-os nagyságrendű felárral.
• Ahol lehet, álnevesítve vagy anonimizálva küldd az adatokat, a nevek, adószámok és bankszámlaszámok helyett helyettesítő azonosítókkal.
• Az ügyfelekkel beszélgető rendszer az első üzenetében mondja ki, hogy AI válaszol.

Ajánlásunk feladattípusonként: ügyfélszolgálat, dokumentum, elemzés

Ügyfélszolgálatra és dokumentumfeldolgozásra a Claude Opus 5-öt, összetett elemzésre és böngészős adminmunkára a GPT-6 Astrát, személyes adatot nem érintő fejlesztésre a Muse Spark 1.3-at ajánljuk. A táblázat és a részletek azt is megmutatják, mikor érdemes eltérni ettől az alapbeállítástól.

Ügyfélszolgálat: sok üzenet, rövid válasz, nulla tűrés a kitalált információra

Az ügyfélszolgálati munkában a volumen nagy, a válaszok rövidek, egyetlen kitalált szállítási határidő viszont komoly bizalomvesztést okoz. Itt az Opus 5 erőfeszítési beállítása a legnagyobb előny: a rutinkérdésekre alacsony szinten, olcsón válaszolhat, a panaszokra és a bonyolultabb esetekre magasabb szinten. Tegyük fel, hogy egy balatoni panzió havonta 600 foglalási és tájékoztató levelet kap. A korábbi becslésünkkel számolva ez az Opus 5-tel havi 7 680 Ft, az Astrával 15 360 Ft tokenköltség, a különbség tehát nem döntő, az Astra számítógép-használati tudására viszont egy levél megválaszolásához nincs szükség. Akkor éri meg mégis az Astra, ha az ügynöknek egy API nélküli foglalási rendszerben is dolgoznia kell. A Muse Spark 1.3 lenne a legolcsóbb, a tisztázatlan GDPR-háttér miatt azonban ügyféladatokkal nem ajánljuk. A magyar nyelvű válaszok stílusát pedig mindenképp a saját korábbi leveleiden teszteld, mert erről egyik gyártó sem közöl mérést.

Dokumentum: szerződés, ajánlat, iratanyag

Dokumentumfeldolgozásra az Opus 5 mellett szól, hogy az Anthropic kifejezetten a jogi és pénzügyi munkafolyamatokat, az átvilágítást és a táblázatkezelést nevezte meg fejlesztési területként, továbbá a teljes, 1 millió tokenes kontextus normál áron használható. Vegyünk egy képzeletbeli budapesti könyvelőirodát, amely havonta 80 ügyfélszerződést és megbízást nézet át a modellel: a korábbi becslésünkkel ez az Opus 5-tel havi 5 568 Ft, éjszakai kötegelt futtatással ennek a fele, 2 784 Ft. Az Astra akkor erősebb, ha a kimenet sablonhoz igazodó táblázat, prezentáció vagy formázott elemzés, mert az OpenAI szerint éppen a sablonkövetésben és a jól strukturált dokumentumokban fejlődött. Az Astra GDPval-AA v2 mérésen tapasztalt visszaesése viszont arra int, hogy irodai dokumentummunkában ne tekintsd automatikusan jobbnak a GPT-5.6 Solnál. A Muse az MRCR v2 hosszú kontextusú teszten elért 98,1 pontjával papíron ideális lenne az iratanyagokhoz, ügyfélszerződésekhez viszont ugyanaz a korlát érvényes rá, mint az ügyfélszolgálatnál.

Elemzés: táblázatok, riportok, döntés-előkészítés

Az elemzési feladatoknál az Astra a legerősebb jelölt, mert az OpenAI szerint az Excelt és a Power BI-t is kezeli, ráadásul a független mérésen a hallucinációs aránya is jelentősen javult. Mondjuk egy debreceni webshop havi riportjánál, ahol a webshop exportját, a hirdetési költségeket és a készletadatokat kell összefésülni, az Astra akár a programokban is elvégezheti a munkát. Ha viszont egyetlen, jól strukturált táblázatot kell elemezni, az Opus 5 feleannyiért is jó eredményt ad, a Box beszámolója szerint épp az adatelemzésben lépett előre. Bármelyiket választod, a modell mutassa meg a képleteit, a végösszegeket pedig vesd össze a forrásrendszerrel, például a számlázóval vagy a NAV Online Számla adataival.

És a böngészős adminmunka?

Ahol nincs API, csak egy böngészőben kattintgatható beszállítói portál vagy hatósági felület, ott a számítógép-használat számít. Ebben az Astra a specialista: az OSWorld 2.0 teszten 72,6%-ot ért el, bár az Anthropic szerint az Opus 5 is erős ezen a terepen. Az ilyen ügynököknek adj a lehető legszűkebb jogosultságot, a véglegesítő kattintás előtt pedig kérjenek jóváhagyást.

Érdemes egyetlen modellre építeni?

Nem, egy 5 és 50 fő közötti cégnek is jobban megéri, ha a folyamatai egy cserélhető modellrétegen keresztül érik el az AI-t, a feladatokat pedig mindig a hozzájuk illő modell kapja. Így az árváltozások, a szolgáltatói kiesések és az új modellek megjelenése sem borítja fel a rendszert.

A modellrouting olyan megoldás, amely a beérkező feladatot a típusa, a nehézsége vagy a költségkerete alapján automatikusan a legalkalmasabb modellhez irányítja. Hogy ez pénzben mit jelent, azt egy képzeletbeli, 18 fős győri épületgépészeti cégen számoltuk ki, amely havonta 1 200 ügyfélszolgálati levelet, 60 szerződést és ajánlatot, négy nagyobb elemzést és tíz programozási munkamenetet bíz a modellekre. A feladatonkénti költségek a korábbi becslési táblázatunkból származnak, gyorsítótár nélkül.

A vegyes összeállítás a „mindent Astrával” változat alig több mint negyedébe kerül, miközben minden feladatot az a modell kap, amelyet az adatvédelmi korlátokat is figyelembe véve a legalkalmasabbnak tartunk. Az abszolút összegek egy cég bérköltségeihez képest kicsik, a routing igazi haszna ezért nem is a megtakarítás, hanem a rugalmasság.

A gyakorlatban ehhez nem kell saját infrastruktúra. Az n8n munkafolyamat-automatizáló platformon például a modell egy node beállítása, a 2.37-es változattól az Anthropic-node alapértelmezett modellje a Claude Sonnet 5. Nagyobb forgalomnál egy AI-átjáró (gateway) is szóba jöhet, amely egyetlen végponton keresztül több szolgáltatót ér el. Ha nyílt forráskódú átjárót, például LiteLLM-et használsz, tartsd naprakészen, mert szeptember 7-én az MCP-hitelesítésében aktívan kihasznált bejelentkezés-megkerülést jeleztek. Az eszközöket és adatforrásokat érdemes MCP-n (Model Context Protocol) keresztül bekötni, mert akkor a modell cseréjekor az integrációkhoz nem kell nyúlni, a promptjaidat és a tesztkészletedet pedig a saját tárhelyeden tartsd, ne egy szolgáltató felületén.

A modellválasztás lépései egy 30 napos próbával

Az alábbi folyamat egy 5 és 50 fő közötti cégnél két-három hét előkészítéssel és egy hónapos éles próbával lefuttatható, külön fejlesztőcsapat nélkül is.

• Írd össze a három-öt legfontosabb feladatot, amelyet AI-ra bíznál, a havi darabszámukkal együtt.
• Gyűjts feladatonként 30 és 50 közötti valódi, anonimizált mintát, köztük nehéz eseteket és olyan kérdéseket is, amelyekre a helyes válasz a „nem tudom”.
• Határozd meg előre a siker mércéjét: mi számít helyes válasznak, milyen formát vársz el, mekkora hibaarány fér bele.
• Futtasd le a mintákat a Claude Opus 5-ön, a GPT-6 Astrán és a Muse Spark 1.3-on, az Opus 5-öt legalább két erőfeszítési szinten, a személyes adatot tartalmazó mintákat pedig csak ott, ahol van adatfeldolgozási megállapodásod.
• Számold ki a sikeres feladatonkénti költséget úgy, hogy a teljes tokenköltséget elosztod a sikeres megoldások számával.
• Ellenőrizd az adatvédelmi feltételeket: a megállapodást, a tanítási beállítást és a feldolgozás helyét.
• A győztest egy cserélhető modellrétegen keresztül építsd be, a második helyezettet pedig állítsd be tartaléknak kiesés esetére.
• Indíts 30 napos éles próbát emberi ellenőrzéssel, közben mérd a javítási arányt és a megtakarított munkaórákat.
• Negyedévente ismételd meg a tesztet ugyanazzal a mintakészlettel, mert az árak és a modellek addigra biztosan változnak.

A legtöbb cég a második lépésnél spórol, pedig a jó mintakészlet a legértékesebb eredmény: amikor az Anthropic vagy az OpenAI a következő modelljét kiadja, egy délután alatt eldöntheted vele, megéri-e váltani.

Ami a következő hónapokban jön

A modellpiac 2026 őszén sem nyugszik le. Az Anthropic a Reuters értesülése szerint új modell kiadását mérlegeli, az OpenAI szeptember 29-én San Franciscóban tartja a DevDay fejlesztői konferenciáját. A GPT-5.6 Sol promóciós ára az OpenAI árlistája szerint november 21-ig érvényes, utána a Sol ára is változhat. A Meta a Muse Spark nyílt súlyú kiadását az ütemtervében tartja, a Muse „max” módja pedig a biztonsági tesztek után válhat általánosan elérhetővé. Aki most cserélhető rendszert és saját mintakészletet épít, annak ezek a hírek lehetőséget jelentenek, nem újabb fejlesztési kört.

Miben segít a Convergo?

Ha nem akarsz hetekig benchmarkokat böngészni, szívesen elvégezzük helyetted a modellválasztás nehezét. Az AI-felmérés, stratégia és oktatás keretében összegyűjtjük a cégednél AI-ra bízható feladatokat, felépítjük a saját mintakészletedet, majd a Claude Opus 5-ön, a GPT-6 Astrán és a Muse Spark 1.3-on is lemérjük, melyik hozza a kívánt minőséget a legkisebb költséggel. Az egyedi AI-integráció szolgáltatásunkkal cserélhető modellrétegre építjük a folyamataidat. A tudásbázis-alapú chatbot és a dokumentumfeldolgozás kész megoldásként is elérhető nálunk. Az első lépés egy díjmentes egyeztetés, ahol közösen megnézzük, hol érdemes elkezdeni.