Tým s Opusem 5.5 stál v testu při nejvyšší míře uvažování pětkrát víc
Vals AI porovnala samostatné agenty a týmy při tvorbě padesáti webových aplikací. Opus 5.5 s nejvyšší mírou uvažování stál v týmu průměrně 122 dolarů za aplikaci proti 23,77 dolaru u jediného agenta. Ze čtyř srovnání přineslo statisticky významné zlepšení jen týmové nasazení GPT-6 Sol se střední mírou uvažování.
Rozdělit tvorbu aplikace mezi několik AI agentů může vyjít dráž, aniž by se spolehlivě zlepšil výsledek. Společnost Vals AI to naměřila ve studii zveřejněné 9. října 2026. Zkoušela GPT-6 Sol a Claude Opus 5.5 při tvorbě padesáti webových aplikací. U každého modelu porovnala jediného agenta s týmem, vždy při střední a nejvyšší nastavené míře uvažování. Čísla pocházejí z měření Vals AI; redakce pokus nezopakovala.
Známka vyjadřuje podíl splněných testů
V sadě Vibe Code Bench dostane agent požadavky na celou webovou aplikaci. Musí ji postavit a nasadit; další agenti ji pak procházejí v prohlížeči a zkoušejí její funkce. Skóre je průměrný podíl úspěšných testů přes padesát aplikací. Hodnota 93,2 procenta tedy neznamená, že tolik aplikací bylo zcela bez chyby.
Vedoucí agent mohl v týmovém nastavení zaměstnat až pět pomocníků současně. Ti další agenty zakládat nesměli. Vedoucí dostal krátký pokyn rozdělit práci na nezávislé části, předat ji a potom spojit a ověřit výsledek. Jinak zůstaly zadání aplikace, prostředí a hodnoticí testy stejné. Každé z osmi nastavení proběhlo jednou na každé aplikaci.
Pětinásobná cena přinesla 3,4 bodu navíc
Největší rozdíl v nákladech měl Opus při nejvyšší míře uvažování. Samostatný agent stál v průměru 23,77 dolaru za aplikaci, tým 122 dolarů. Podíl těchto částek je přibližně 5,13. Známka vzrostla z 89,8 na 93,2 procenta, tedy o 3,4 procentního bodu. Vals AI však tento rozdíl nevyhodnotila jako statisticky významný: její 95procentní interval sahá od zhoršení o 1,4 bodu po zlepšení o 8,3 bodu.
| Model a míra uvažování | Skóre jediného agenta / týmu | Průměrná cena za aplikaci v USD, jediný agent / tým |
|---|---|---|
| GPT-6 Sol, střední | 77,6 % / 84,9 % | 1,22 / 3,07 |
| GPT-6 Sol, nejvyšší | 89,0 % / 90,4 % | 4,82 / 8,54 |
| Claude Opus 5.5, střední | 91,5 % / 91,2 % | 4,08 / 9,10 |
| Claude Opus 5.5, nejvyšší | 89,8 % / 93,2 % | 23,77 / 122,00 |
Zdroj tabulky: Vals AI, Vibe Code Bench, měření zveřejněné 9. října 2026. Jediným statisticky významným přírůstkem při přechodu na tým bylo 7,3 bodu u Solu se střední mírou uvažování. U nejvyššího nastavení Solu činil přírůstek 1,4 bodu, u středního Opusu skóre kleslo o 0,3 bodu.
Opus předával práci v postupných vlnách
Čas se choval jinak než cena. U Solu s nejvyšší mírou uvažování klesl medián délky běhu z 38,4 na 27,6 minuty. U Opusu v témže režimu naopak vzrostl ze 74,7 na 174,1 minuty. Z těchto hodnot vychází přibližně 2,33násobek. Medián je prostřední hodnota seřazených běhů; nelze ho zaměnit s průměrnou cenou z tabulky.
Podle záznamů Vals AI rozdělil Sol práci brzy a souběžně, výsledek přitom kontroloval sám. Opus zpravidla nejprve sepsal společný popis databáze, rozhraní a vlastnictví souborů. Potom přiděloval práci po vlnách: nejdříve základy, pak funkce a nakonec testování. Další vlna čekala na nejpomalejšího pracovníka té předchozí. Při nejvyšším nastavení věnoval tým Opusu zhruba dvě třetiny běhu práci po prvním spuštění aplikace.
Velkou část výdajů tvořil opakovaně čtený vstup. Každý pomocník měl vlastní kontext, tedy zadání a průběžné podklady, které se posílají při dalších voláních modelu. Vals AI uvádí u pomocníků Opusu v nejvyšším nastavení medián 224 milionů tokenů přečtených z mezipaměti na aplikaci; u samostatného agenta 55 milionů. Token je jednotka textu zpracovaného modelem. Jeden tým navíc vyčerpal časový limit při ověřování; jeho odhadnutých zhruba 189 dolarů Vals zahrnula do průměru.
Jiný test ukázal přínos v rychlosti
Vlastní pokus Anthropicu v oddílu 8.12.1 systémové karty Opusu 5.5 zkoušel jinou práci. Na 166 úlohách ProgramBench měli agenti podle spustitelného programu a dokumentace obnovit jeho chování ve vlastním kódu, bez internetu a nástrojů pro dekompilaci. Pětičlenný tým dosáhl skóre 0,6 přibližně 2,7krát rychleji než jediný agent. Vyšší rychlost doprovázela větší spotřeba tokenů. Anthropic použil odlišnou vývojovou verzi Opusu 5.5, kterou označuje za srovnatelnou s vydaným modelem. Výsledky proto nejsou opakováním pokusu Vals AI.
Ani statistický závěr Vals nelze rozšířit na všechny agentní týmy. Intervaly zachycují rozdíly mezi aplikacemi, nikoli kolísání při opakovaných bězích. Tým dostal také zvláštní pokyn k delegování, takže se měřila kombinace pomocníků a tohoto pokynu. A modely běžely v různých nástrojích: Sol přes OpenAI Agents API, Opus přes Claude Code.
U cen Solu zůstává ještě jedno omezení. Vals je dopočítala ze základních ceníkových sazeb, ale nedokázala připočítat vyšší sazby za požadavky s dlouhým kontextem: spotřebu měla souhrnně za celý běh, ne po jednotlivých požadavcích. Skutečně účtovaná částka tak může být vyšší než zveřejněný odhad.