Miről szól ez a lecke: a legfontosabb pontok
- Három frontier szállító dominál. Anthropic, OpenAI, Google. Mindegyiknek saját modell-családja és saját eszközei. A coding agent réteg (Claude Code, Codex, Jules) önálló kategória, ezzel a réteggel a 4. modul munkatér-leckéiben találkozunk viszont közelebbről.
- A család-logika ugyanaz mindenhol. Premium (lassú-okos), mid (napi default), fast (olcsó-tömeg). A nevek néhány havonta cserélődnek, a struktúra nem. Ha a logika a fejedben van, a verziókat ki tudod hagyni.
- Az Anthropic-sztori a brand-pozíciót adja. Constitutional AI és safety-first alapító-DNS, mélyebben gyökerezik, mint a marketing. Az ebből fakadó elvi döntések és a robbanásszerű bevétel-növekedés (2025 végi kb. 9 milliárd dollárról 2026 nyarára 65 milliárd dollár fölé) mind innen erednek. Vezetői következmény: diverzifikálj a frontier szállítók között, ne kötelezd el magad egyre.
- Előbb a feladat, utána a modell. Négy kategória: napi tudásmunka (mid), komplex elemzés (premium), tömeg-feladat (fast), multimodális (Gemini). A többi 80% napi munka, és arra a mid elég.
Ha azt mondjuk „használjunk AI-t", az olyan, mintha azt mondanánk „utazzunk". Vonattal? Repülővel? Sportautóval? Biciklivel? A választás már a feladatnál eldől, a saját feladatod határozza meg, melyik passzol. Aki egyetlen modellre köti a cégét, az olyan, mint aki minden utat ugyanazzal a járművel akar megtenni.
A leckében végigmegyünk azon, kik a fő szereplők 2026 augusztusában, mit jelent a Claude-család három mérete (és miért így van mindenhol), és egy egyszerű kerettel zárunk, amivel a saját feladataidat hozzá tudod rendelni a megfelelő modellhez. Egyetlen szabály van: előbb a feladat, utána a modell.
Három szállító, ugyanaz a logika
A piac látszólag zsúfolt. Valójában három frontier szállító dominálja az enterprise-piacot: az Anthropic, az OpenAI és a Google. Mindegyiknek saját modell-családja és saját eszközei vannak. Mások (Meta Llama, Mistral, DeepSeek, Qwen, xAI Grok) léteznek, vannak terepek, ahol értékesek, főleg nyílt-forrású és helyi telepítésben. A B2B döntéseid mégis ennek a háromnak a térképén történnek. Az alábbi tábla a 2026 augusztusi állapotot rögzíti, és pontosan ez a fajta táblázat az, amit néhány hónap múlva újra kell tölteni.
| Anthropic | OpenAI | ||
|---|---|---|---|
| premium lassú, okos | Opus 5 1M kontextus | GPT-5.6 Sol reasoning | Gemini 3.1 Pro multimodal, 2M kontextus |
| mid napi default | Sonnet 5 | GPT-5.6 Terra | Gemini 3.5 Flash |
| fast olcsó, tömeg | Haiku 4.5 | GPT-5.6 Luna | Gemini 3.1 Flash-Lite |
| saját eszközök | Claude Code, Cowork | Codex, ChatGPT Apps | Jules, AI Studio |
Három figyelmeztetés a táblához. Egy: a nevek néhány havonta változnak, a struktúra nem. Aki a logikát érti, az hónapokig nyugalomban van. Aki a verziókat követi, az hetente fáradt. Kettő: ez B2B-fókusz, a fogyasztói piacon (ChatGPT, Gemini app, Claude.ai) más arányok érvényesek, ott az OpenAI tartja a vezetést a felhasználói bázis miatt. Három: a coding agent réteg, amiről a következő szakasz szól, ehhez a táblához is hozzátartozik, csak külön sávban él.
Cég, modell, eszköz: három különálló réteg
Ha azt mondjuk „használjunk Claude Code-ot", három dolog van ebben a mondatban, és jobb szétválasztva tartani őket. A cég (Anthropic, OpenAI, Google) építi a modellt. A modell (Claude, GPT, Gemini) hordozza a tudás súlyait. Az eszköz az, amin keresztül napi munkára használjuk: chat-felület, a gépeden dolgozó agent, közös munkatér. Egy cég többfajta modellt ad ki, és minden modell köré több eszköz épül.
A három réteg közül a kódoló ügynökök érdemelnek külön bekezdést, mert ezek emelték meg az iparágat az utóbbi évben. A Claude Code és a Codex nem chatbotok. Olvasnak, terveznek, kódot írnak, lefuttatják, megnézik a hibát, javítják, és csak akkor lépnek vissza, ha emberi döntésre van szükség. A felhasználói minta olyan, mintha egy hosszabb távú alvállalkozónak adnál feladatot, csak ez az alvállalkozó éjjel-nappal dolgozik, és az ára töredéke annak. Ezért látjuk ezekben az ügynökökben a legtisztább agentic workflow-példákat.
A GitHub publikus commitjainak nagyjából 4%-át a Claude Code írja, a SemiAnalysis 2026 tavaszi mérése szerint, amit az Anthropic saját sajtóközleménye is idézett (Anthropic). A teljes piacban a Claude Code és a Codex együtt fedi le a coding-agent használat oroszlánrészét, a Cursor a független IDE-oldalról csatlakozik.
Az Anthropic éves bevétel-üteme (ARR) 2025 végén kb. 9 milliárd dollár volt, 2026 júliusára pedig 65 milliárd dollár fölé nőtt, a cég saját befektetői tájékoztatása szerint (CNBC). Ez a fajta szám hetek alatt avul, a nagyságrend viszont önmagában is mond valamit a tempóról.
A Cowork az Anthropic 2026-os új terméke: közös munkatér, ahol egy felületen ül a beszélgetés, a hivatkozott dokumentum, az agent által épített kis app vagy report, és a saját jegyzeteink. A munkatempó-érzés, ami eddig csak a kódoló agenteknél létezett, ezzel kerül át a többi tudásmunka-területre is. A leckék közül a 4. modul szól erről részletesen, ott rakjuk össze a saját munkateret.
Ezt a réteget látva érthető, miért lett az Anthropic 12 hónap alatt a piac másik pólusa. A következő szakasz erről szól.
Az Anthropic-sztori, és miért számít
Az Anthropic a piac másik pólusa az OpenAI mellett, és a brand-pozíciója mélyen az alapítók döntéséből jön, marketing-felülről nem lehet ilyet összerakni. A fenti bevétel-számok kontextusát is innen lehet elmagyarázni: miért nő ilyen robbanásszerűen egyetlen szállító bevétele, és miért látunk masszív migrációt enterprise-cégekből az Anthropic felé.
Alapítás, 2021. Dario Amodei (CEO) és Daniela Amodei (President), testvérpár, plusz öt további OpenAI-alumni (Tom Brown, Chris Olah, Sam McCandlish, Jared Kaplan, mások). Dario az OpenAI-nál VP of Research volt, és ő vezette a GPT-2 és GPT-3 fejlesztését. Társfeltalálója a reinforcement learning from human feedback (RLHF) eljárásnak, amitől a chat-modellek egyáltalán emberi módon válaszolnak. Vagyis a kiváló alapító a sztori egyik főszereplője, nem külső kihívó.
Vízió-eltérés. Dario szerint a felelős skálázás (safety research) a tét közepe, nem a perifériája. Az Anthropic alapító mantrája a constitutional AI: a modell viselkedését explicit, leírt elveken keresztül lehet rögzíteni, ami túlmutat az emberi visszacsatoláson. Ennek üzleti következménye is lett: a 2025-ös Pentagon-vita, ahol az autonomous lethal weapons és a mass domestic surveillance use case-eket visszautasították, brand-építő esemény lett, nem brand-romboló. Több enterprise-ügyfél azóta migrált ide, mert nem akar olyan szállítóval szerződni, amelyik bármilyen use case-re engedi a modellt.
Compute-éhség. A növekedés annyira gyors, hogy alig tudják kiszolgálni. Az Amazon 2026 áprilisában a korábbi 8 milliárd dollár után további, akár 25 milliárd dolláros befektetést jelentett be, cserébe akár 5 GW Trainium-kapacitásért (a Trainium az Amazon saját AI-chipje) (CNBC). A Google saját TPU-kapacitást biztosít (a TPU a Google saját AI-chipje). Az Anthropic emellett havi 1,25 milliárd dollárért compute-kapacitást vásárol a SpaceX tulajdonú, xAI által üzemeltetett Colossus 1 adatközpontból is (CNBC), vagyis a versenytárshoz köthető infrastruktúrával is hajlandó szerződni, annyira szoros a kínálat. Vezetői tanulság: a compute az új olaj, és ez az iparág első számú szűk keresztmetszete most.
A három méret, amit a saját szervezetedben látni fogsz
A három méret azonos alap-tudást oszt meg, csak a paraméter-szám, a sebesség és az ár különbözik. Ugyanezt látod az OpenAI- és a Google-családban is, csak más nevekkel. A Claude-on bemutatva így néz ki a spektrum:
Opus 5, a komplex feladatok modellje. Hosszú, 200-plus oldalas dokumentumok együttes elemzése. Komplex kódolás és architektúra-tervezés. Több lépéses agent-munka eszközhasználattal. Stratégiai írás, ahol hosszabb gondolatmenetet kell végigvinni. Drágább és lassabb, ezért nem mindenhova kell. Az 1 milliós kontextus-ablakával a hosszú-kontextus feladatok élmezőnyében van, bár egyes vetélytársak ennél is nagyobb ablakot kínálnak.
Sonnet 5, a napi munkaló. Email, riport, brief, prompt-iteráció, kódolás napi szinten, code review, beszélgetésalapú elemzés. A legtöbb felhasználó ezt használja, és a Claude.ai is ezt adja default-ban. A munka 80%-ára elég. Az árazás-képesség arányban ez a sweet spot.
Haiku 4.5, a tömeg-feladatok modellje. Címkézés, klasszifikáció (például „udvarias-e ez az email?"), egyszerű összefoglalás, strukturált adatkinyerés JSON-ba vagy táblázatba, automatizált pipeline-ok ezerszámra. Gyors, olcsó. Ide nem komplex gondolatmenet kell, hanem skálázható megbízhatóság, és ezt a Haiku adja a legjobb áron.
A piaci vezetés mozog, ezért ne hűségesküdj
Egy év távlatában a frontier-vezetés többször kicserélődött. 2024 végén az OpenAI vezetett. 2025 közepétől az Anthropic vette át, főleg az enterprise- és coding-vonalon. Az OpenAI azóta is rendszeresen válaszol új kiadásokkal (2026 nyarán a GPT-5.6 családdal), és a Google is minden körben erősebb Gemini-verzióval jelentkezik. A piaci kép tehát: az élvonalban folyamatos lecserélődés, és bármelyik pillanatkép pár hónap múlva elavul.
Mit jelent ez vezetőként? Két dolgot. Az egyik: ne single-vendor stratégia. Az Anthropic-Pentagon vita azt is megmutatta, hogy egy szállítónál bekövetkezhet üzleti vagy szabályozási sokk, és aki egyetlen modellre építi a működését, az nehéz helyzetbe kerül. A másik: ne a verziókat kövesd, a logikát. A premium-mid-fast szerkezet stabil, a nevek és a benchmark-ok forognak. Ha a logika a fejedben van, a havi release-eket nyugodtan kihagyod.
Mire melyiket? Négy kategória
A „melyik a legjobb modell?" rossz kérdés. A jó kérdés: „melyik feladatra melyik szint éri meg?" Erre van egy egyszerű, négy-kategóriás keret. Először mindig fogalmazd meg a feladatot, csak utána válassz modellt.
| # | feladat-típus | példa | ajánlott szint |
|---|---|---|---|
| 01 |
napi tudásmunka
a munka 80%-a, gyors válaszigény, közepes komplexitás
|
email, riport, brief, prompt-iteráció, code review | mid |
| 02 |
komplex elemzés vagy agent-munka
több lépés, hosszú kontextus, eszközhasználat, magas tét
|
200 oldalas anyag elemzése, architektúra-design, multi-step agent | premium |
| 03 |
tömeg-feladat
ezer egyforma input, batch, alacsony egyenkénti tét
|
ezer ticket címkézése, sentiment, JSON-kinyerés CSV-ből | fast |
| 04 |
multimodális anyag
nem csak szöveg, kép és hang is van benne
|
kép-feldolgozás, dokumentum-szkennelés, hang-átirat-elemzés | gemini |
A default ajánlás: napi munka 80%-ában a mid-szint elég. Onnan vagy fel, ha komplex (premium), vagy le, ha tömeg (fast). A multimodális feladatokban a Gemini gyakran a legjobb, eleve erre épült, és 2026 elejétől az Apple is a Gemini-re építi az új Siri-t (CNBC).
Hogyan maradj naprakész anélkül, hogy belefáradj
A vendor-ok hetente küldenek release-notes-t, mégis a legtöbb iteráció néhány százalékot javít valamin, az operatív munkára meg nem hat. A stratégiai szinthez egy minimum-csomag bőven elég ahhoz, hogy ne maradj le.
Twitteren kövesd az alapszereplőket: az Anthropic, az OpenAI és a Google saját accountjait, plusz pár megbízható elemzőt (például Andrej Karpathy, Simon Willison), és magukat a cégvezetőket is, mint Dario Amodei, akik gyakran elsőként posztolnak új számokat. Aki ezt nézi, azt a nagyobb ugrásokról napokon belül utoléri a feed. Magyarul a heti pulzust mi az AI Budapest hírlevélbe szűrjük össze, hogy ne neked kelljen átfutni a teljes iparágat. A többit nyugodtan ki lehet hagyni.
A cégszintű döntéshez ennél lassabb ritmus passzol. Negyedévente átnézni, hogy a választott modell-stack még illeszkedik-e a feladatokhoz, fél-évente egyszer megnézni, kell-e új szereplőt bevonni. Sűrűbben már a zaj jön be, ritkábban már a lemaradás kezdődik.
„Tízszeres éves növekedéssel terveztünk. Az első negyedévben nyolcvanszorosat láttunk. Ezért volt compute-gondunk."DARIO AMODEI · ANTHROPIC CEO · 2026 Q1
Az iparág saját szereplői is alulbecsülik a saját görbéjüket. Ez azt is jelenti, hogy bárki, aki kívülről próbálja megjósolni, alulbecsüli. A te tervezésed legyen flexibilis a modell-stack-re, és tudd, hogy bármi, amit ma fix vendor-választással kőbe vésel, hat hónap múlva felülvizsgálandó. Ettől nem rossz a választás, csak ennek a piacnak ez a tempója.
Ellenőrizd magad: három kérdés
Két visszakérdezés, egy önreflexió. Nincs pontszám, nincs vizsga. A válaszaid a böngészőben maradnak.
Amikor azt mondod, „használjunk Claude Code-ot", mi a különbség a cég, a modell és az eszköz réteg között?
A b) helyes. A cég építi a modellt, a modell hordozza a tudás súlyait, az eszköz pedig a napi munkára szolgáló felület, amin keresztül a modellt eléred. Egy cég többfajta modellt ad ki, és minden modell köré több eszköz épül, ezért nem mindegy, melyik rétegről beszélsz, amikor vendort váltasz vagy árat tárgyalsz.
Mikor jó választás a Haiku (vagy más fast-szintű modell)?
A c) helyes. A fast-szint a tömeg-feladatok kasztja: ezer dokumentum címkézése, sentiment-analízis, strukturált adat-kinyerés JSON-ba. Komplex kódolás vagy hosszú-kontextus elemzés premium (Opus, a megfelelő OpenAI-csúcsmodell, Gemini Pro). Napi tudásmunka mid (Sonnet, a megfelelő OpenAI-középmodell, Gemini Flash).
Ha most kellene dönteni a cégednél, egyetlen vendor-ra állnál (Anthropic, OpenAI vagy Google), vagy diverzifikálnál? Mi vezérelne: ár, képesség, governance, brand-fit, vagy a Pentagon-típusú elv-alapú megfontolás?
egy mondat, magadnak
Most már érted a modell működését és a választható eszközöket. A harmadik modul a párbeszédről szól: hogyan beszélj a modellel úgy, hogy érdemi, használható választ adjon. Bemutatkozás, kontextus, feladatkiosztás, output forma.