Claude Opus 4.8: nový top model pro agenty, kódování a dlouhý kontext
Claude Opus 4.8 vyšel 28. května 2026 a podle mě si zaslouží samostatný článek. Ne proto, že by každý nový model automaticky znamenal revoluci, ale protože tady se Anthropic trefuje do praktického místa: dlouhé agentické úkoly, coding, research, práce s nástroji a situace, kde je horší sebevědomě pokračovat špatným směrem než se zastavit a přiznat nejistotu.
Krátká verze: Opus 4.8 není model, který bych dával jako výchozí motor do každého levného workflow. Na hromadné třídění e-mailů, jednoduché extrakce, tagování leadů nebo rutinní JSON transformace je zbytečně drahý. Ale pokud stavíte agenta, který má projít větší codebase, naplánovat změnu, použít nástroje, porovnat zdroje, držet kontext a nepřepálit rozhodnutí, tady začíná být zajímavý.
Co je na Opus 4.8 nové
Anthropic v oficiálním oznámení píše, že Opus 4.8 navazuje na Opus 4.7, zlepšuje výkon napříč benchmarky a je dostupný za stejnou standardní cenu. K tomu přidává tři praktické věci:
- řízení množství úsilí v Claude.ai,
- nový režim dynamic workflows v Claude Code pro velmi rozsáhlé úkoly,
- fast mode pro Opus 4.8, který má podle Anthropic běžet až 2,5× rychleji a být výrazně levnější než fast mode u předchozích modelů.
V API dokumentaci je Opus 4.8 vedený jako dostupný Claude model. Standardní cena podle aktuálního přehledu Anthropic zůstává v třídě Opus: 15 dolarů za milion vstupních tokenů a 75 dolarů za milion výstupních tokenů. To je důležité, protože tenhle model se nedá brát jako levná náhrada Haiku/Sonnet vrstvy. Je to specialista.
Největší posun: agentická práce
Nejzajímavější část není samotný benchmarkový graf. Je to popis chování v reálných agentických scénářích.
U Opus 4.8 Anthropic opakovaně zdůrazňuje lepší úsudek: model se má častěji zastavit, zeptat, přiznat chybu nebo odmítnout plán, který nedává smysl. To zní jako měkká vlastnost, ale u agentů je to tvrdá provozní věc.
Když agent jen generuje odpověď do chatu, špatný odhad je nepříjemný. Když agent upravuje repozitář, spouští nástroje, mění data nebo běží přes noc v dlouhé smyčce, špatný odhad stojí peníze a čas. Model, který dokáže říct „tady si nejsem jistý“ nebo „tenhle plán je slabý,“ je v praxi často cennější než model, který má o pár procent lepší výsledek na jednorázové otázce.
Benchmarky: kde je silný
V systémové kartě Anthropic jsou pro Opus 4.8 uvedené hlavně silné výsledky v codingu, dlouhém kontextu, agentickém vyhledávání, práci s nástroji a profesionálních úlohách.
Vybraná čísla:
| Oblast | Výsledek Opus 4.8 | Poznámka |
|---|---|---|
| SWE-bench Verified | 88,6 % | reálné GitHub issues |
| SWE-bench Pro | 69,2 % | těžší dlouhé coding úlohy |
| SWE-bench Multilingual | 84,4 % | 300 úloh v 9 jazycích |
| Terminal-Bench 2.1 | 74,6 % | úlohy v terminálu, Harbor leaderboard |
| Toolathlon | 59,9 % Pass@1 | práce s nástroji v realistických aplikacích |
| OSWorld-Verified | 83,4 % | ovládání desktopového prostředí |
Důležité: většina těchto čísel je z Anthropic systémové karty nebo z evaluací popsaných Anthropic. Jako nezávislý bod je zajímavý GDPval-AA od Artificial Analysis, kde podle systémové karty Opus 4.8 vede nad GPT-5.5 xhigh zhruba o 121 ELO bodů, což odpovídá přibližně 66,7% párové výhře. To je přesně typ benchmarku, který mě zajímá víc než abstraktní trivia testy: dokumenty, tabulky, prezentace, diagramy a profesionální výstupy.
1M kontext: konečně prakticky pro velké úkoly
Opus 4.8 se v systémové kartě často testuje s limitem až 1M tokenů. Na GraphWalks dlouhokontextových úlohách je vidět velký rozdíl proti 4.7:
| GraphWalks | Opus 4.8 | Opus 4.7 |
|---|---|---|
| BFS 256K | 85,9 | 76,9 |
| BFS 1M | 68,1 | 40,3 |
| Parents 256K | 99,3 | 93,6 |
| Parents 1M | 83,3 | 56,6 |
To neznamená, že máte cpát milion tokenů do každého requestu. Znamená to, že pro některé úlohy se mění hranice toho, co jde vůbec řešit jedním agentickým během: větší codebase, dlouhé právní nebo technické dokumenty, audit většího projektu, komplexní rešerše přes mnoho zdrojů.
Pořád ale platí: dlouhý kontext není náhrada dobrého návrhu workflow. V produkci bych i s 1M kontextem pořád dělal rozumné rozdělení práce, deduplikaci, retrieval, mezivýstupy a kontrolní body.
Dynamic workflows: kdy je opravdu zapnout
Tomášovo čerstvé video k Dynamic Workflows dobře vystihuje praktickou pointu: tohle není jen další přepínač výkonu. Dynamic workflows v Claude Code znamenají, že Claude může úkol nejdřív rozplánovat, rozdělit ho mezi desítky až stovky paralelních subagentů, nechat části nezávisle ověřit a teprve potom výsledek složit zpět.
Podle oficiálního článku Anthropic jsou workflows dostupné od 28. května 2026 jako research preview v Claude Code CLI, desktopu a VS Code rozšíření pro Max, Team a Enterprise plány, pokud je admin povolí. V Max/Team prostředí a přes API jsou zapnuté ve výchozím nastavení, u Enterprise jsou při startu vypnuté a musí je povolit správce.
Prakticky bych je spouštěl hlavně na úlohy, které se dají přirozeně rozdělit:
- velký bug hunt přes celý repozitář,
- migrace frameworku nebo API přes stovky souborů,
- audit mrtvého kódu, performance nebo bezpečnostních vzorů,
- refaktoring, kde chci nezávislou kontrolu více návrhů,
- drahý úkol, u kterého se vyplatí nechat výsledek rozbít a znovu ověřit.
Naopak bych je nepouštěl na malé změny typu „uprav jednu komponentu,“ jednoduchý prompt nebo rutinní opravu. Anthropic přímo upozorňuje, že dynamic workflows mohou spotřebovat výrazně víc tokenů než běžná Claude Code session. První workflow má uživateli ukázat, co se chystá spustit, a vyžádat potvrzení. Pro týmy je to dobrý důvod nastavit rozpočty, začínat na jasně ohraničeném zadání a nepoužívat ‚ultracode‘ jako automatickou odpověď na každý problém.
Moje pravidlo: dynamic workflow zapnout ve chvíli, kdy byste normálně rozdělili práci mezi více lidí nebo reviewerů. Pokud by to zvládl jeden vývojář v jednom souboru, je to nejspíš zbytečně drahé kladivo.
Kde bych ho použil
1. Seniorní coding agent
Typický scénář: máte větší repozitář, ne úplně triviální bug, několik služeb a agent musí nejdřív pochopit systém. Opus 4.8 dává smysl jako model pro plánování a zásah: přečíst souvislosti, navrhnout postup, vyhodnotit rizika, udělat změnu a vysvětlit ji.
U rutinního dopisování boilerplatu bych ho nepoužil. Tam stačí levnější model.
2. Research agent s nástroji
Když agent vyhledává, otevírá zdroje, porovnává tvrzení, píše závěr a musí hlídat, co je ověřené a co je jen odhad, Opus 4.8 je dobrý kandidát. Tady se hodí lepší úsudek i ochota přiznat nejistotu.
Tohle je přesně typ vrstvy, kterou bych použil třeba na finální syntézu po levnějším sběru dat.
3. Drahé rozhodnutí ve workflow
Příklad: automatizace zpracuje fakturu, smlouvu nebo technický incident. Levnější model udělá první extrakci a kontrolu. Opus 4.8 přijde až ve chvíli, kdy je případ nejasný, drahý nebo citlivý.
Takhle dává ekonomicky smysl: ne jako default, ale jako eskalační specialista.
4. Kontrola práce jiných agentů
U multi-agent systémů se nabízí jedna zajímavá role: Opus 4.8 jako reviewer. Levnější agenti připraví návrhy, Opus 4.8 je zkontroluje, najde slabá místa, vybere nejlepší variantu a řekne, kde by měl rozhodnout člověk.
Kde bych byl opatrný
Cena
Opus třída je drahá. Pokud workflow volá model tisíckrát denně, musí být velmi jasné, proč tam má být právě Opus. Jinak se účet rychle utrhne.
Fast mode není automatická výhra
Fast mode zní skvěle, ale v praxi bych ho testoval zvlášť. U některých úloh chcete rychlost. U jiných chcete maximální spolehlivost. Pokud agent dělá drahou změnu v kódu nebo závěr z právních dokumentů, rychlost nemusí být hlavní metrika.
Multilingual není absolutní špička
Systémová karta sama říká, že Opus 4.8 je nejsilnější obecně dostupný Claude model v multilingual benchmarcích, ale zároveň zaostává za Gemini 3.1 Pro a GPT-5.4. Pro český obsah bych ho určitě testoval, ale pokud je hlavní úkol čistě vícejazyčná lokalizace ve velkém objemu, nebral bych ho automaticky jako nejlepší volbu.
Agentická bezpečnost
Anthropic uvádí zlepšení v některých bezpečnostních oblastech, ale zároveň přiznává, že Opus 4.8 je v několika agentických kontextech méně robustní než Opus 4.7, například u prompt injection scénářů. Pro produkční agenty to znamená klasiku: sandbox, omezená oprávnění, logování, limity, kontrolní body a lidské schválení u nevratných akcí.
Jak bych ho nastavil v praxi
Nejrozumnější architektura podle mě není „všude Opus 4.8.“ Spíš tři vrstvy:
1. Levný model pro rutinu: klasifikace, tagování, jednoduchá extrakce, normalizace dat. 2. Sonnet nebo podobně silná střední vrstva pro běžné generování, strukturované výstupy a standardní agentické kroky. 3. Opus 4.8 pro nejasné, drahé, dlouhé nebo rizikové případy.
V promptu bych mu dával jasnou povinnost rozlišit: co ví, co jen odhaduje, co potřebuje ověřit a kdy má zastavit. U agentů bych přidal rozpočet, checklist a pravidlo, že u destruktivních akcí musí nejdřív navrhnout plán.
Verdikt
Claude Opus 4.8 je silný release. Ne kvůli marketingové nálepce „nový model,“ ale protože posouvá přesně ty oblasti, které dnes brzdí praktické AI agenty: dlouhý kontext, coding, tool use, profesionální úlohy a schopnost nechovat se jako sebevědomý buldozer.
Do běžné automatizace bych ho nedal plošně. Do drahé rozhodovací vrstvy, seniorního coding agenta nebo finální research syntézy ano. A tam může dávat velký smysl i přes cenu.