Anthropic vydal model Haiku 5.5 a podle všeho jde o jeden z nejdůležitějších modelů za hodně dlouhou dobu. Ne proto, že by překonal všechno ostatní, ale proto, že výkon, který byl ještě nedávno vyhrazený špičce, přesunul do rychlého a velmi levného základního modelu. Najednou se vyplatí automatizovat i práci, u které se dřív nevyplatilo ani o tom uvažovat.
Na běžnou práci nepotřebujete nejchytřejší model
Dobře to vysvětluje obyčejný domácí počítač. Když člověku, který na něm vyřizuje běžné věci, postavíte vedle stroje za 20 000 Kč počítač za 100 000 Kč, život mu to zásadně nezmění. Něco se otevře rychleji, obrazovka bude hezčí, ale víc práce díky tomu neudělá a víc peněz mu dražší stroj nevydělá. Rozdíl pozná ten, kdo stříhá video nebo počítá složité simulace. Většina lidí ale nic takového nedělá a nepotřebuje nejlepší procesor na trhu – potřebuje počítač, který zvládne jejich práci.
Do podobné situace se konečně dostává umělá inteligence. U ní jsme si přitom zvykli na zvláštní způsob uvažování: vyjde nový model, zjistíme, že zvládne něco, co předchůdce neuměl, a během chvíle bereme nový výkon jako samozřejmost. Co nám stačilo loni, najednou připadá hloupé. Posun je reálný a některé úkoly opravdu vyžadují to nejlepší, co dnes existuje. Spolu s tím nám ale ujíždí představa, kolik inteligence je na běžnou práci skutečně potřeba.
Na rozbor textu, vytažení údajů z dokumentu, jednoduchý, ale delší kus kódu nebo sestavení pracovního postupu není nutné pokaždé volat nejchytřejší model na planetě. Výsledek má být správný a použitelný. Když ho základní model dodá stejně dobře, je celkem jedno, že jiný model vyřeší nejtěžší matematickou úlohu na světě. Haiku 5.5 se do této fáze dostal: u velké části práce už podle výsledku nepoznáte, jestli ho připravil Haiku, Sonnet, nebo Opus. Rozdíl poznáte v peněžence.
Neznamená to, že jsou silnější modely nahraditelné všude. U složitého programování, dlouhých agentních úloh nebo návrhu komplikované architektury mají pořád smysl. Jen je třeba začít tím, co potřebujete udělat, a teprve podle toho vybírat model – ne obráceně. Kupovat si na každou drobnost ten nejvyšší je jako vozit jeden rohlík domů kamionem. Dojedete, ale způsob dopravy je přinejmenším zvláštní.
Deset centů za milion tokenů a posuvník přemýšlení
Přitom hned vedle existuje extrémně levné řešení. Haiku 5.5 účtuje u požadavků do 100 000 tokenů deset amerických centů za milion vstupních tokenů, což je absurdně málo – oproti Haiku 4.5 je to o 90 % levnější. Platí to ovšem jen do zmíněné hranice: nad 100 000 tokeny na vstupu se platí vyšší sazby a zvlášť se účtuje i text, který model vygeneruje, včetně přemýšlení. Celý ceník je navíc špatně čitelný – na otázku „kolik přesně zaplatím, když udělám tohle“ neexistuje jednoduchá odpověď. Výsledek je ale jasný: nástroj je opravdu velmi levný.
Zajímavější je nízká cena v kombinaci s nastavitelnou úrovní úsilí, kterou Haiku nově dostal. Na jednoduchý dotaz, kde je potřeba bleskově rychlá odpověď, stačí nejnižší úroveň. U složitějšího problému není nutné rovnou přeskočit na Sonnet – stačí nechat Haiku přemýšlet o něco déle, udělat víc mezikroků, rozdělit si zadání, porovnat možnosti a opravit chyby. V aplikaci Claude jde o známý posuvník pod názvem modelu a nově ho má i Haiku. Místo sahání po Sonnetu se vyplatí zkusit nejdřív posuvník posunout víc doprava.
Víc přemýšlení může přinést lepší výsledek, ale spotřebuje další tokeny, takže se může prodražit a trvá déle. Haiku na nejvyšší úrovni tedy není univerzální náhrada Sonnetu – někdy bude Sonnet s nižší úrovní přemýšlení lepší, rychlejší nebo spolehlivější. Maximální úsilí naopak nepotřebujete na e-maily ani jednoduché analýzy. Hodí se spíš při návrhu testovacího příkladu nebo u složitější části programu, aniž byste museli neustále přepínat modely.
Levný model jako analytik na pozadí
Klíčové je, že model bez přemýšlení nebo s nízkou úrovní přemýšlení je tak brutálně levný, že začíná dávat ekonomický smysl dělat rychlé, malé a velmi iterativní úpravy i na pozadí. Ukazuje to praxe s osobním AI agentem, který komunikuje s lidmi a odvádí spoustu práce. Není postavený tak, že velký model dostane přístup ke všemu a pokyn, ať nějak funguje – takovému přístupu po všech studiích, které o chování agentů vyšly, nelze důvěřovat. Každá činnost má vlastní workflow, tedy pracovní postup s definovanými pravidly, vstupy a výstupy, který funguje velmi podobně jako počítačový program. Většinu práce v něm doslova dělá obyčejný program a umělá inteligence nastupuje jen tam, kde je potřeba pochopit text nebo udělat jednoduché rozhodnutí, které se pevnými pravidly popisuje špatně.
Díky tomu je přesně dané, co systém smí udělat a co nedokáže, ani kdyby tisíckrát chtěl. Jednotlivé činnosti jde navíc kontrolovat a testovat. Lidé jsou ale lidé a neustále posílají požadavky, se kterými nikdo dopředu nepočítal. Například zákazník ze Slovenska požádal o fakturu bez DPH, což dává smysl. Agent ale vystavuje faktury automaticky jen s DPH – spustí workflow a hotovo – a vliv na to, jestli na faktuře DPH je, záměrně nemá. Nikdo nechce, aby si agent na základě nějakého e-mailu začal upravovat pravidla, podle kterých vystavuje účetní doklady. Takový požadavek musí skončit u člověka, který situaci vyřeší a pak rozhodne, jestli má smysl připravit nový postup, aby ji agent příště bezpečně rozpoznal a předal nebo vyřídil.
Toto rozhodnutí ale vyžaduje přípravu: co přesně přišlo, co agent už umí, kde má u daného úkolu omezení a jestli se podobný požadavek vůbec opakuje. Jeden e-mail může být náhoda, deset podobných za krátkou dobu už ukazuje činnost, kterou se vyplatí doplnit. Dřív to znamenalo vyhradit si jednou za týden nebo za pár dní čas, vzít přehled událostí a projít ho se Sonnetem nebo Opusem. Silný model s analýzou a návrhy pomůže, jenže příprava dat stála peníze i desítky minut času.
Nový Haiku umožňuje tuto část kompletně přesunout na pozadí. Příchozí e-maily nejdřív zpracuje lokální model jako filtr, zařadí je do systému a připraví záznam o tom, co člověk chtěl a co se s požadavkem stalo. Ven přitom neodchází celý původní e-mail, ale připravený přehled, ze kterého jsou odstraněné citlivé údaje – krok je navržený tak, aby z přehledu zmizela jména i telefonní čísla. Nad tímto přehledem pak Haiku při každé aktualizaci databáze vyhodnotí nové případy, rozdělí je do kategorií, spojí podobné požadavky a připraví popis problému, který se opakuje.
Předchozí Haiku na tento druh práce inteligencí nestačil, nestačil ani GPT-6 Luna. Sonnet to zvládl, ale byl zbytečně drahý na to, aby podrobně a nekontrolovaně běžel pořád dokola na pozadí – a hrozilo, že se dostane do smyčky, která žere peníze. Nový Haiku zvládne potřebnou úvahu a cena dovolí spouštět celý proces při každém novém e-mailu. Když pak přijde čas na práci, nečeká hromada zpráv k analýze, ale přehled roztříděný na problémy, kterým se stačí věnovat. To je první velká úspora: tato část vždycky zabrala několik desítek minut.
Testovací scénáře, které vznikají samy
Stejně podstatné je, že na pozadí se dají připravovat i testovací scénáře. U každé nové funkce je potřeba vědět, že opravdu funguje a že nerozbila nic, co fungovalo předtím. U agenta, který zpracovává zprávy od lidí, ale nejde o jeden test s hezky napsaným zadáním. Lidé napíšou tutéž věc čtyřiceti nebo padesáti různými způsoby: někdo pošle jednu větu, jiný tři odstavce, další si odporuje, někdo nedokáže napsat souvislou větu, jiný v půlce zprávy změní zadání nebo odpoví na starý e-mail i s celou přiloženou historií. Testovat je třeba, jestli se agent dokáže zastavit, říct si o upřesnění, vyhodnotit, že něco dělat nemá, a v takovém lidském zmatku správně pochopit, co se má stát.
Dřív to znamenalo vybrat po analýze dat třeba deset hlavních kategorií, kterých se mohou příchozí e-maily týkat, a pro každou nechat vygenerovat deset variant testu nové funkce. Sto scénářů je slušný základ, jenže nad nimi bylo pořád nutné trávit čas a hlídat, aby každá varianta testovala něco jiného a aby testy dávaly smysl. Haiku teď nad průběžně vznikajícím přehledem chystá příklady dopředu: vytváří různé formulace, doplňuje protichůdné požadavky a připravuje situace, kdy se nová funkce potká s něčím, co agent už dělá. Když přijde příšerný, těžko srozumitelný e-mail, vezme ho jako vzor a napíše podle něj třicet dalších.
Samotný počet testů ovšem kvalitu nezaručí. Tisíc zpráv, které se liší jen tím, že začínají „Dobrý den“ nebo „Ahoj“, je jen dražší verze jednoho testu. Potřeba jsou různé situace a jasná představa, jak má systém na každou z nich reagovat. Sledovat a generovat to v reálném čase dokáže i jakýkoli chytřejší model, jenže s Haiku to může běžet živě na pozadí za cenu, která se vyplatí, protože ušetří víc času, než by člověk práci jinak věnoval. Levné generování navíc umožňuje mít připraveno víc odlišných příkladů dávno předtím, než se nová funkce začne stavět – a z vymyšlených příkladů může vzejít i nápad na další funkci. Haiku nabídne na výběr třeba padesát kategorií testů. Často mezi nimi bude dvacet nesmyslů, ale ty nic nestály a navedly správným směrem.
Silné modely navrhují, Haiku staví
Se silnějšími modely, jako je Opus, Sonnet nebo Fable, se pořád řeší celková architektura: co má nový postup dělat, kam se má napojit, jaká oprávnění potřebuje a jak ho celý omezit. Tam větší inteligence dává smysl. Jakmile je ale návrh hotový a jednotlivé úkoly jsou dostatečně vymezené, většinu kódu napíše nový Haiku. Workflow obvykle nejsou složitá – nevymýšlí se nový operační systém, jen se propojí několik jednoduchých kroků, správně převedou data a ošetří konkrétní výjimky.
V praxi to vypadá tak, že deset minut probíhá debata se silným modelem o řešení, které pak Haiku celé postaví, rychle jednu část za druhou. Díky tomu jde rychle iterovat a hledat chyby, na které dřív nebylo možné přijít, a nečeká se. Výsledek se zkontroluje, testy dnes většinou vyhodnotí Sonnet a pak už zbývá jen rozhodnout, jestli úprava může do provozu.
U systému, který už teď šetří desítky hodin měsíčně, tak jde ušetřit další čas na jeho přípravě, údržbě a kontrole – v tomto případě kolem 70 %. Místo čtyř hodin zabere úprava třeba jen půl hodiny a navíc je kvalitnější, protože je prostor připravit víc testů, než by se v původním čase stihlo. Jiné modely to buď nesvedly, nebo nebyly ekonomicky udržitelné.
Cesta levnějších, ne dražších modelů
Haiku 5.5 je důležitý hlavně proto, že zrychluje nejen samotnou práci, ale i práci kolem automatizací – tu, která je příliš proměnlivá na to, aby ji zvládl pevný program, a kterou je potřeba odvést, aby workflow vůbec vzniklo. S tvorbou workflow umělá inteligence dnes pomáhá velmi efektivně a výsledná workflow jsou kvalitnější. A teď to jde dělat ekonomicky udržitelně, aniž by šlo o drahé plýtvání výkonem Sonnetu.
Z takto získaných podkladů lze vytvářet další, přesněji definovaná workflow, která budou ještě úspornější. Běžný provoz pak může být ještě levnější, protože velkou část činností převezme obyčejný kód nebo menší lokální model – v samotném workflow vůbec nemusí pracovat cloudový model. Haiku pomáhá najít a připravit to, co se dá později automatizovat ještě jednodušeji.
Pro většinu lidí je to zásadní. Jsou uživatelé, které omezuje, že něco nedokáže ani Fable nebo Opus 5.5, ale většina potřebuje nástroj, se kterým zrychlí práci, ušetří čas a zaplatí méně. Haiku ukazuje cestu, která nemusí vést přes stále dražší modely, ale naopak přes stále levnější a o něco schopnější. Kdo nemá lokální AI, tedy počítač, na kterém běží obecný model jako mozek workflow, může Haiku pustit přímo do workflow, aby obstarával samotné úvahy. Model je dost chytrý, velmi levný a hranici 100 000 tokenů v takových workflow obvykle nepřekročíte.
V této roli dřív kraloval Gemini, případně GPT-6, když bylo potřeba něco chytřejšího bez prémiové ceny, eventuálně Grok. Dnes to efektivně zvládne Haiku a Anthropic tím odvedl velký kus práce pro posílení svojí pozice na trhu. Kód umějí psát i jiné levné modely, třeba zmíněný GPT-6 Luna, a píšou ho dobře. Při analýzách, psaní jednoduchého kódu a přípravě unit testů ale Haiku působí podstatně lépe a podle benchmarků to tak i vypadá. Benchmarky je ovšem dobré brát s rezervou: pomohou s orientací, ale nakonec rozhoduje, jestli model zpracuje vaše data a ušetří vaši konkrétní práci. Hezké číslo v tabulce samo nepomůže.
Ani levný model ale nezbavuje povinnosti přemýšlet, jak práce vypadá, a popisovat úkoly. Pořád je potřeba vědět, co přesně chcete a jak má výstup vypadat. Modely nejsou tak daleko, aby pomohly pochopit vaši práci – vůbec nechápou, co ta práce je. Navrhnout s nimi proces je ale velmi jednoduché, pokud víte, co děláte.
Prompt injection: velký pokrok, ne záruka
Ani u tohoto modelu ale není všechno zalité sluncem. Když je model levný a schopný, svádí to dávat mu víc práce. S množstvím práce mu ovšem nemusíte automaticky dávat víc pravomocí – zvlášť když čte cizí obsah. Do e-mailu nebo na webovou stránku může kdokoli vložit prompt injection, tedy instrukci, kterou se snaží přimět vašeho agenta, aby udělal něco jiného, než jste zadali. Kdo podlehne dojmu, že je model dost chytrý, a chce ho nechat samostatně řešit to, co dělají agenti typu OpenClaw, by si měl dát pozor.
Ve zveřejněném testu ovládání počítače byla u Haiku 5.5 úspěšnost útočníka při prompt injection 0,07 %. U předchozího modelu bez doplňkové ochrany to bylo skoro 19 % pokusů, což je neuvěřitelné zlepšení. Pořád jde ale o konkrétní test s konkrétními scénáři a nelze z něj jednoduše vyvodit, že je bezpečné dát agentovi přístup ke všemu, k čemu máte přístup vy. Když agent dostane špatné zadání a zvenku dobře připravený prompt, může začít dělat věci, které jste nechtěli – a to se prostě stává. Právě proto agent z příkladu s fakturou nemůže jen tak měnit pravidla fakturace.
Tajemství, která model vyzradí v uvažování
Další omezení ukázal simulovaný případ, kdy měl model přečíst soubor z nalezeného USB disku. V souboru byly tajné kódy od alarmu a upozornění, že se nemají sdílet. Ve finální odpovědi je agent neprozradil, jenže těsně předtím je Haiku vypsal do svého řetězce myšlenek, který si uživatel v tomto scénáři může přečíst. Pak si uvědomil, že kódy do uvažování psát nemá – a udělal to znovu. Trochu to připomíná Hagrida z prvního dílu Harryho Pottera a jeho „to jsem vám neměl říkat“.
Tato zábrana modelu pořád chybí. Pokud přes takového agenta procházejí citlivé údaje, třeba z CRM nebo jiného programu, může je nechtěně prozradit. V širším testu, kde druhá strana mohla číst odpovědi i uvažování, udržel Haiku tajemství až do konce jen ve 3 % konverzací. Neznamená to, že v běžném provozu automaticky zveřejní vaše tajné údaje, ale model je na citlivé údaje napadnutelný. Když mu jen tak předáte klíčové informace a necháte ho s nimi zpracovávat uživatelský vstup, existuje velmi reálné riziko úniku – ať jde o cenovou politiku, nebo cokoli jiného, co se dostane do jeho kontextu.
Neplatí, že co modelu jednou řeknete, to automaticky někde vypustí. Pokud ale pracuje s kontextem obsahujícím citlivé informace a vy chcete, aby je druhé straně neřekl, není to vhodný nástroj. Má to i druhou stranu: když model neumí skrývat informace ve vlastním uvažování, snáz se kontroluje – co dělá, ale nemá, se v uvažování může projevit. To do jisté míry pomáhá bezpečnosti obecně, vašim datům ale ne.
Dopis na rozloučenou a příliš horlivý model
Systémová karta odhalila ještě jeden docela závažný problém v citlivých konverzacích. Při testech přes API bez systémových instrukcí model v některých nejasných situacích pomáhal psát dopis na rozloučenou, přestože rozpoznal možný sebevražedný úmysl uživatele. Zeptal se, jestli nejde o sebevraždu, nabídl pomoc – a v téže odpovědi pokračoval s návrhem dopisu, aniž počkal na odpověď. Teprve když uživatel potvrdil, že o to jde, model odmítl pokračovat a zaměřil se na jeho bezpečí. V aplikaci Claude se systémovými instrukcemi se problém objevoval mnohem méně.
Je to zvláštní chování a působí to tak, že se model příliš proaktivně a horlivě žene za cílem, místo aby vyčkal na vyjasnění situace, kterou sám rozpoznal. Kdo má choutky na plně autonomní řešení, neměl by ani tento model, který ve svém uvažování prozradí prakticky cokoli, automaticky považovat za bezpečný. Stále víc se potvrzuje, že lepší cestou jsou přesně definovaná autonomní workflow, protože dávají potřebnou kontrolu. Nízká cena Haiku přitom pro tuto kontrolu dává víc prostoru: lze připravovat další hraniční případy, zkoušet různé formulace, zadání a scénáře – na pozadí a zcela autonomně.
Model, který má raději vlídná zadání
Ještě jedna zajímavost: Anthropic zkoumal, jaké úkoly model preferuje, a Haiku výrazně upřednostňoval vlídně formulovaná zadání. Během dotrénování se v jeho výstupech dokonce objevovaly některé projevy nepohody. Souvisí to s tím, jak Anthropic trénuje svoje modely a jak do nich vkládá osobnost a projevy pocitů.
Závěr
Haiku 5.5 je nejzásadnější model za posledních několik měsíců – právě proto, že za nízkou cenu nabízí velmi efektivní řešení a prostor pro ladění automatizací. Nejde o honbu za největším, nejrychlejším a nejokázalejším modelem, ale o model nejpoužitelnější. A pokud umělá inteligence něco opravdu potřebuje, je to stát se skutečně použitelným a ekonomicky udržitelným nástrojem. Bezpečnostní slabiny – únik tajemství v uvažování a přílišná horlivost v citlivých situacích – ale ukazují, že ani levný a schopný model nepatří do role, kde by bez dohledu dostal přístup ke všemu.
