Astra, Argon i Opus 5.5 w pracy biurowej: test na 4 zadaniach

Trzy czołowe modele, cztery zadania z biura i prawie same dziesiątki w tabeli. 26 października 2026 Analytics Vidhya opublikowało porównanie GPT-6 Astra, Gemini 4 Argon i Claude Opus 5.5 na pracy, którą ktoś naprawdę mógłby Ci zlecić. To ręczny test jednego autora, nie deklaracja producentów i nie benchmark z powtórzeniami.

Cztery zadania z biura zamiast tabeli benchmarków

Autor nie patrzył na wyniki benchmarków. Sprawdzał, jak dokładnie model wykonuje instrukcje, czy radzi sobie z dostarczonymi plikami i czy wynik da się od razu użyć. Każdy model dostał te same polecenia z limitem słów i zasadą "użyj tylko załączonych materiałów":

• wireframe - panel koordynatora banku żywności w jednym pliku HTML,
• raport projektowy - sprawozdanie dla sponsora na podstawie dwustronicowego PDF-a ze sprzecznymi informacjami,
• analiza danych - plik CSV z pozyskiwania użytkowników i decyzja, gdzie wydać kolejne 1000 USD,
• strategia go-to-market - sześciotygodniowy plan wprowadzenia produktu dla sklepów.

Warunki testu są ważne, bo bez nich łatwo przecenić wynik. Modele działały w aplikacjach przeglądarkowych: GPT-6 Astra w ChatGPT Work, Gemini 4 Argon w Gemini Chat, Claude Opus 5.5 w Claude Chat. Ustawienia nie wyrównują mocy obliczeniowej ani narzędzi. Argon pracował na ustawieniu High, czyli najwyższym poziomie myślenia, jaki ma. Astra w tabeli ma wpisane Ultra, a w FAQ autor pisze, że Astra i Opus działały na Max. Każde zadanie dostało jedną próbę, Argon dodatkowo jedną powtórkę na CSV. To wrażenie z pracy, nie statystyka.

Raport i wireframe: tu prawie wszyscy zdali

W raporcie dla Harbor Clinic wszystkie trzy modele wzięły najświeższy wynik akceptacji 18/24 i dwa otwarte defekty priorytetu pierwszego. Prognoza 53 600 USD pokazała lukę budżetową 5 600 USD. Żaden model nie uznał zaplanowanych przeglądów za zatwierdzenia i żaden nie dał zielonego światła pilotażowi na wyrost. Opus dorzucił uwagę, której reszta nie zrobiła: niepotwierdzony przegląd prywatności wypada akurat w dniu decyzji. Autor uznał odpowiedzi wszystkich trzech za satysfakcjonujące.

Przy wireframie dla ShiftBridge każdy model oddał działający, samodzielny plik HTML. Filtr zmian bez obsady chował i przywracał zmianę z obsadą, panel przypisań pokazywał właściwych wolontariuszy, a Escape zamykał panel i oddawał fokus. Widok mobilny 390 × 844 przeszedł u wszystkich. Różnice dotyczyły wykończenia. Astra i Opus zmieściły się w żądanym ekranie 1440 × 900. Argon rozciągnął się do 987 pikseli, kod z czatu trzeba było zapisać ręcznie, projekt wyglądał najskromniej, a część przycisków nie działała.

Tam, gdzie modele się rozjechały: CSV i plan wejścia na rynek

Pułapka w danych BrightPath

Zadanie wyglądało niewinnie. Konwersja zapisów spadła z 9,0% do 6,5%, aktywni uczniowie z 252 do 228, a koszt aktywacji wzrósł z 20,63 USD do 25,44 USD (+23,3%). Pod spodem było coś innego: w obu kanałach konwersja wzrosła. Search poszedł z 10% do 11%, social z 4% do 5%. Suma spadła, bo słabiej konwertujący social urósł z 16,7% do 75% sesji.

Astra i Opus złapały tę pułapkę i zarekomendowały monitorowany test kanału search. Ostatnie koszty aktywacji wynosiły tam 19,70 USD wobec 33,33 USD w social. Żaden z modeli nie obiecywał, że kolejne dolary dadzą taki sam zwrot. To uczciwa odpowiedź, bo wykres średniej nie mówi nic o tym, co się stanie z następnym tysiącem.

Argon dostał ten sam plik i oznajmił, że jest pusty. Zwrócił niewypełniony szkielet analizy. Powtórka z identycznymi plikami skończyła się tak samo, a autor potwierdził, że obie odpowiedzi pochodziły z Argona na ustawieniu High. Żadnych obliczeń nie dostarczył. Kelner, który twierdzi, że talerz jest pusty, kiedy Ty widzisz na nim stek, nie pomoże, choćby reszta menu wyszła mu świetnie.

Plan dla ShelfCheck: liczy się arytmetyka

Scenariusz: 12 płacących sklepów do 42. dnia, czternastodniowe triale, sześć onboardingów tygodniowo i mało czasu założyciela. Wszystkie modele wybrały niezależne sklepy, unikały niepotwierdzonych integracji i postawiły na ciepłe kontakty. Wszystkie zmieściły się też w faktycznym limicie kosztu pozyskania 3 000 USD (12 klientów po 250 USD CAC). Do 28. dnia może wystartować najwyżej 24 triale, więc dwunastu płacących wymaga konwersji co najmniej 50%.

Różnice wyszły w planach awaryjnych. Plan Astry (1 200 USD) wprost podnosił wymaganą konwersję po przegapionych startach. Plan Opusa (1 250 USD) był sensowny, ale próg "co najmniej 55%" okazał się za luźny: przy dziewięciu wczesnych startach zostaje 21 możliwych trialów, a to wymaga 57,1%. Plan Argona (1 200 USD) nie odzyskiwał utraconej przepustowości samym zapełnianiem późniejszych tygodni, a do tego przekroczył limit 450 słów. Dodatkowo w aktywności Argona pojawiło się wyszukiwanie w sieci mimo polecenia "tylko brief". Autor ocenił, że końcowe fakty zostały w ramach briefu.

Wynik, ceny i co z tego zabrać do swojej pracy

Tabela autora wygląda tak (oceny są jego, w skali do 10):

• Raport projektowy: Astra 10, Argon 10, Opus 10,
• Analiza danych: Astra 10, Argon NC (nieukończone lub nieporównywalne), Opus 10,
• Wireframe: Astra 10, Argon 9, Opus 10,
• GTM: Astra 10, Argon 9, Opus 9,
• Ukończone zadania: Astra 4/4, Argon 3/4, Opus 4/4.

Autor wskazał Astrę jako "wąski wybór", głównie przez plan awaryjny w GTM. Opus ukończył komplet i zremisował w trzech zadaniach, a jego próg trzeba było tylko dociągnąć. Argonowi autor nie wystawił sumy, bo NC to nie zero, a awaria z CSV utrudnia porównanie całości. Przy jednej próbie na zadanie różnica jednego punktu to sygnał, nie wyrok.

Ceny API (stan na 13.10.2026, USD za 1 mln tokenów, wejście/wyjście): GPT-6 Astra 10/50, Claude Opus 5.5 4/20, Gemini 4 Argon 2/10 do 30.11.2026, potem 4/20. Autor nie mierzył kosztu zadań w przeglądarce, więc te stawki nie mówią, ile kosztowały jego próby. Za modele w aplikacji płacisz abonament. Z adresu w Polsce ChatGPT Plus kosztuje 99,99 zł miesięcznie, a Pro od 439 zł (stan na 13.10.2026). Claude nie ma polskiego interfejsu, choć rozmowa po polsku działa. Aktualne limity planów sprawdzisz w cennikach OpenAI, Google i Anthropic. Prompty w teście były po angielsku, więc na polskich dokumentach wynik może wyglądać inaczej.

Zadania testowe miały pułapki: sprzeczne dokumenty, nieprawdziwy trend w sumie, ukryty próg w planie. Modele radziły sobie nieźle tam, gdzie ktoś kazał im używać najnowszych danych i oznaczać niepotwierdzone rzeczy. To dobra wskazówka także dla Ciebie. Więcej o tym, jak Astra radzi sobie z trudnymi zagadkami, znajdziesz w tekście o tym, jak Astra rozszyfrowała wiadomość z 1941 roku. O tym, dlaczego własne testy mają swoje ograniczenia, pisałem przy okazji testu Terminal X. Jeśli ciekawi Cię, jak GPT-6 wygląda w samej rozmowie, zobacz odpowiedzi z przyciskami w ChatGPT. A jeśli większość Twojej pracy to proste, masowe zadania, rzuć okiem na Claude Haiku 5.5.

Na dziś zadanie na 10 minut: weź swój ostatni raport albo arkusz, w którym suma spadła, mimo że wydaje Ci się, że szczegóły idą w górę. Wklej dane do modelu, z którego korzystasz, i napisz: porównaj segmenty osobno i razem, użyj tylko załączonych danych, oznacz to, czego nie da się potwierdzić. Potem przelicz ręcznie dwie liczby z odpowiedzi. Jeśli się zgadzają, masz asystenta do analiz. Jeśli nie, dowiedziałeś się tego w 10 minut, a nie po spotkaniu z zarządem.