Haiku / Sonnet / Opus už není nejlepší API mapa

Když se bavíme o Claude, hodně lidí pořád přemýšlí v původní trojici: Haiku, Sonnet, Opus. Levný model, pracovní model, nejsilnější model. V předplatném a v editoru je to praktická mentální mapa.

V API už ale tahle mapa nestačí. Jakmile model zapojíte do n8n, Make, interního agenta nebo produkční automatizace, začnou rozhodovat jiné věci: cena za milion tokenů, rychlost, délka výstupů, caching, bezpečnost dat a hlavně počet opakovaných volání.

Od Claude ladder k API třídám práce

Proč už nestačí myslet jen v Claude řadě

V API se neptám jen „který Claude model vybrat.“ Ptám se, jaký model je nejlepší pro levné opakované volání, jaký má být hlavní worker, jaký má dostat jen složité případy a co se stane s rozpočtem, když workflow poběží 500× denně.

V tomhle pohledu už Claude nevypadá jako automatický default. Haiku je dražší než levné modely OpenAI a Gemini. Sonnet je výborný v editoru, ale jako API worker bývá dražší. Opus je silný specialista, ale pro běžné workflow ekonomicky nedává smysl.

Levná vrstva: šetří se na tisících volání

Tohle jsou kroky, které běží pořád: klasifikace e-mailu, detekce jazyka, kontrola prázdného vstupu, jednoduchá extrakce, předčištění dat, rozhodnutí jestli workflow vůbec pokračuje.

Levná API vrstva: Haiku proti GPT nano a Gemini Flash Lite

Claude Haiku není špatný model. Jen už není automatická API odpověď. Pokud řeším objem, často začnu u levnějších modelů OpenAI nebo Gemini a teprve problematické případy pošlu výš.

Hlavní worker: Sonnet je dobrý kolega, ale drahý default

Sonnet mám rád pro práci v editoru. V Claude Code je to často výborný pracovní nástroj. Ale pro n8n, Make nebo interní API workflow bych jako default častěji testoval Gemini Flash nebo GPT mini.

Hlavní API worker: Sonnet proti GPT mini a Gemini Flash

Typické úlohy pro tuhle vrstvu: extrakce údajů z faktur, sumarizace zákaznické komunikace, odpovědi interního helpdesku, zápis do CRM, převod PDF do strukturovaného JSONu nebo triage ticketů.

Nová vrstva: malé guardrail a PII modely

Update z 16. května 2026: do téhle mapy bych dnes přidal ještě jednu vrstvu před hlavní LLM. Fastino Labs 14. května 2026 vydalo GLiGuard a GLiNER2-PII, dva malé open-source modely o 300 milionech parametrů. Podle oznámení běží pod 100 ms a cílí na bezpečnostní klasifikaci, jailbreak detection, refusal detection a detekci osobních údajů.

To je přesně typ komponenty, která do produkční automatizace patří před drahý model:

levný filtr před hlavním LLM,
PII redakce před odesláním dat ven,
kontrola jailbreaku u veřejných formulářů,
separátní auditní krok v agentním workflow,
rychlá klasifikace, jestli má úloha vůbec pokračovat.

Tohle není konkurence pro Opus nebo GPT-5.5. Je to hygienická vrstva, která chrání rozpočet i data.

Top vrstva: Opus není default, ale specialista

Opus má pořád místo: složité technické rozbory, těžké refaktoringy, dlouhé právní nebo produktové texty, kritická revize a úkoly, kde jedno špatné rozhodnutí stojí víc než tokeny.

Ale pokud ho pošlete na každou extrakci, každé mezikolo agenta a každý JSON výstup, nevyužíváte silný model. Stavíte drahé workflow.

Praktická architektura pro n8n a API

Místo jednoho modelu na všechno bych stavěl router:

1. Malý filtr zkontroluje typ vstupu, riziko a PII. 2. Levný model rozhodne, o jaký typ úlohy jde. 3. Gemini Flash nebo GPT mini udělá hlavní extrakci a strukturovaný výstup. 4. Gemini Pro, GPT-5.5 nebo Claude Opus dostane jen složité případy. 5. Člověk schvaluje citlivé nebo drahé výstupy.

Produkční router modelů pro n8n a API automatizace

Tohle je rozdíl mezi demo automatizací a produkčním workflow. Demo často funguje s jedním silným modelem. Produkce potřebuje limity, routing, audit a kontrolu nákladů.

Celkové srovnání

Celkové API srovnání modelů po třech třídách

Závěr

Claude je pořád výborný pracovní nástroj. Jen bych ho v API nepoužíval jako výchozí odpověď na všechno.

Původní mapa Haiku / Sonnet / Opus je moc úzká. Pro API dává větší smysl porovnávat modely po třídách: guardrail/PII filtr, levná vrstva, hlavní worker a top specialista.

A právě v tomhle vrstvení vzniká reálná úspora. Ne tím, že najdete jeden zázračný model. Ale tím, že silný model používáte jen tam, kde jeho síla opravdu něco řeší.

Zdroje: OpenRouter: Anthropic / Google / OpenAI models, Google Gemini API pricing, Google Vertex AI data governance, Anthropic Privacy Center, Fastino Labs: GLiGuard a GLiNER2-PII, Gartner: inference costs by 2030, Tomáš AI: Nová AI inovace zlevní AI 1000x, AI ta Krajta #50.