Gevinster:
- Matchende stærke felter og typisk bruger af Claude, GPT og Gemini familier
- Evne til at læse niveau (tier) logik og modelnavne for hver udbyder
- Få for vane at basere sammenligninger på dine egne testdata, ikke markedsføringspåstande
Vi kortlagde markedet og lærte skelnen mellem lukket og åben vægt. Nu skal vi lære de tre mest synlige aktører på markedet at kende, nemlig de store USA-baserede udbydere: Anthropic (Claude), OpenAI (GPT) og Google (Gemini). Disse tre indgår i størstedelen af virksomhedens AI-beslutninger i dag. Vores mål er ikke at erklære en "vinder"; Målet er objektivt at forstå, hvor hver enkelt skinner, dens navngivningslogik og dens typiske bruger. Når enheden er færdig, vil du være i stand til at tale om disse tre familier uden at forvirre dem, og du vil internalisere, at du bør basere en sammenligning på din egen test, ikke på reklamer.
Fælles logik: Tier System
Disse tre udbydere bruger alle en lignende logik: de tilbyder modeller inden for samme familie, opdelt efter hastighed/omkostning/strømbalance. Der er normalt tre niveauer:
- Let tier: Hurtigst og billigste. Til enkle opgaver med store mængder (klassificering, briefing, mærkning).
- Balanceret trin: Mellemklasse effekt og pris. "Standard"-valget til de fleste daglige opgaver.
- Stærkt niveau: Mest dygtige, dyreste, langsomste. Til komplekse ræsonnementer, lang analyse, svær kode.
Når du først forstår denne niveaulogik, vil du ikke føle dig fortabt, uanset hvilken udbyder du kigger på. "Hvilket niveau svarer til denne model i denne familie?" Det er nok at spørge.
Tip: Når du hører om en ny model, så spørg først "hvilket niveau i hvilken familie?" spørge. Lad ikke de mange navne skræmme dig; Hver udbyder tilbyder faktisk de samme tre niveauer under forskellige navne.
Antropisk — Familien Claude
Anthropics Claude-familie tilbyder tre niveauer kaldet Opus (stærk), Sonnet (balanceret) og Haiku (lys). Versionsnumre er også inkluderet; For eksempel er modellen brugt af denne platform claude-opus-4-8, det vil sige 4.8-versionen af Opus-scenen.
Den udmærker sig ved: lang kontekstbehandling (evnen til at læse hundrede sider lange dokumenter i deres helhed), skrivning og læsning af kode og sikker, forudsigelig adfærd i virksomhedsbrug. Claude er kendt for at holde sig tæt på instruktioner og handle i følsomme spørgsmål. Derfor foretrækkes det ofte i regulerede sektorer som jura, finans og sundhed.
Typisk bruger: Juridiske teams, der analyserer lange dokumenter, softwareteams, der gennemgår kode, virksomhedskundeservice, der kræver sikker output.
Aktuelle antropiske modeller og omtrentlige priser (pr. million tokens, input/output):
model
Scene
Kontekst
Input $/1M
Output $/1M
Claude Opus 4.8
stærk
1M tokens
~5
~25
Claude Sonnet 5
afbalanceret
1M tokens
~3
~15
Claude Haiku 4.5
letvægts
200.000 tokens
~1
~5
Bemærk: Disse priser er omtrentlige for den periode, hvor dette modul blev udarbejdet, og ændres ofte. Sørg for at bekræfte udbyderens aktuelle prisside, før du træffer en beslutning. Vi vil diskutere prislogikken i detaljer i den 6. enhed.
OpenAI — GPT-familien
OpenAIs GPT-familie er det mest anerkendte mærke på markedet og har det største tredjeparts-økosystem; det vil sige, at mange softwareværktøjer, plug-ins og integrationer frigives til GPT først. GPT-familien er også opdelt: Der er hurtige og billige modeller (letvægtsmuligheder som GPT-4o mini, for eksempel), balancerede allround-modeller (GPT-4o) og tænketunge modeller som "o-serien", der fokuserer specifikt på ræsonnement.
Områder, hvor det skiller sig ud: Alsidighed og udbredelse. Bredt udvalg af muligheder for tekst, kode, billeder og lyd; modent køretøj økosystem; og bred opbakning fra lokalsamfundet. "Kan et arbejde udføres med AI?" GPT er normalt et klar udgangspunkt.
Typisk bruger: Startups, der laver rapid prototyping, produktteams, der ønsker bred integration, SMB'er, der ønsker at håndtere en bred vifte af opgaver med en enkelt udbyder.
Google — Gemini Family
Googles Gemini-familie spiller med to kraftfulde kort: multimodalitet (evnen til at håndtere tekst, billeder, lyd og video sammen) og Google Workspace-integration (arbejde indlejret i værktøjer som Gmail, Docs, Sheets). Gemini er også trindelt: der er hurtige "Flash"-modeller og mere kraftfulde "Pro"-modeller.
Hvor det udmærker sig: Visuel og videoforståelse, massiv kontekst og friktionsfri integration for organisationer, der allerede bruger Google-værktøjer flittigt. Hvis en organisation kører alt kontorarbejde på Google Workspace, oplever den Gemini som en naturlig forlængelse.
Typisk bruger: Virksomheder etableret i Googles økosystem, billed-/videotunge indholdsteams, dem som ønsker at behandle meget store datasæt på én gang.
Tre familier side om side
Størrelse
Antropisk (Claude)
OpenAI (GPT)
Google (Gemini)
stærkeste aspekt
Lang kontekst, kode, sikker adfærd
Alsidighed, bredt økosystem
Multimodalitet, Arbejdsrum
Stadier
Opus/Sonnet/Haiku
Stærk / afbalanceret / let + ræsonnement
Pro/Flash
Typisk bruger
Regulerede sektorer
Enterprise- og produktteams
Google fokuserede institutioner
Vægt type
Lukket
Lukket
Lukket
Når du ser på denne tabel, så spørg ikke "hvilken en vinder"; Spørg "Hvilken række matcher mit job?" Hvis du skal have læst en 200-siders kontrakt, er den lange kontekstlinje afgørende for dig, og hvis du får læst fakturaer fra et visual, er multimodalitetslinjen afgørende for dig.
Svag prompt / stærk prompt: Når du beder om et familievalg
Svag prompt:
Hvad er bedre: Claude, GPT eller Gemini?
Kraftig prompt:
Din rolle: neutral AI-konsulent. Mit job: Jeg vil lave kladder til besvarelse af kundemails i en e-handelsvirksomhed + udtræk beløb/dato fra indgående fakturabilleder. Der er to forskellige opgaver: (1) tekstgenerering, (2) dataudtræk fra billedet. Opgave: Sammenlign familierne Claude, GPT og Gemini for begge opgaver. Skriv ned, hvilken familie der skiller sig ud på opgavebasis, hvilket niveau jeg skal bruge og hvorfor. Giv ikke en nøjagtig pris, giv en rækkevidde. Når du er i tvivl, så sig "test".
Fordi den anden prompt deler jobbet op i to klare opgaver, kan modellen anbefale den rigtige familie til hver opgave separat. Dette er også grundlaget for "modelportefølje"-ideen, som vi vil lære om senere.
Kopierbare skabeloner
Niveau 1 match:
Jeg definerer følgende opgave: [OPGAVE]. I betragtning af sværhedsgrad og lydstyrke, hvilket niveau af Claude-, GPT- og Gemini-familierne (let/afbalanceret/stærk) vil du anbefale? Skriv en begrundelseslinje for hver familie.
2. Økosystemkompatibilitet:
Værktøjer vi bruger i øjeblikket: [TOOL LIST, f.eks. Google Workspace / Microsoft 365]. Hvilken AI-familie passer bedst ind i denne værktøjsstak og hvorfor? Evaluer nem integration, indlæringskurve og mulig risiko for fastlåsning (afhængighed).
3. Styrkevalidering:
Jeg vil teste påstanden "[MODELNAVN] er den bedste til dette" til min opgave [OPGAVE]. Hvilke 3 prøvetests skal jeg køre med min egen effektivitet for at bekræfte denne påstand? Beskriv succeskriterierne for hver test i én sætning.
4. Navneopløsning:
Pars følgende modelnavne i familie, scene og version og lav en tabel: [MODELNAVNE]. Mærk en typisk brug for hver med et enkelt ord.
Almindelige fejl
- Beslutning baseret på reklamer: Annonceringen "Denne model kom først i den test" siger måske ikke noget om din mission. Test det med dine egne data.
- At vælge en familie uden at vælge et niveau: Det er ikke nok at sige "Vi vil bruge GPT"; Hvilket niveau det er ændrer radikalt på omkostningerne og kvaliteten.
- Ignorerer økosystemlås: At være dybt engageret i en familie giver nem integration, men gør det vanskeligt at skifte til en anden udbyder i fremtiden.
- Mangler emnet: Dette marked ændrer sig hurtigt; Sammenligningen fra et halvt år siden kan være ugyldig i dag. Baser din beslutning på opdaterede oplysninger.
- Tvinger én familie til at gøre alt: Mens én familie skinner i teksten, kan en anden familie være foran i det visuelle. Tænk opgave for opgave.
Sammenfattende
- Anthropic, OpenAI og Google tilbyder alle den samme niveaulogik (let/afbalanceret/stærk) under forskellige navne.
- Claude i lang sammenhæng, kode og sikker virksomhedsadfærd; GPT har stor alsidighed og bredt økosystem; Gemini udmærker sig i multimodalitet og Workspace-integration.
- "Bedst" varierer efter job; basere sammenligningen på dine egne testdata, ikke på annoncering.
- Parsing af modelnavne i familie + niveau + version vil hjælpe dig med at finde vej på det overfyldte marked.
Ansøgningsopgave
Identificer to forskellige opgaver i dit job (en tekst-tung, en visuel- eller lang-dokument-tung). Brug skabelon 1 (tier-matching) i denne enhed, og få en AI-model til at spørge om den passende rangering af de tre familier for hver opgave. Derefter, med skabelon 3 (styrkevalidering), design tre konkrete test for at teste den foreslåede model med dine egne data. Vi vil bruge disse tests i evalueringsundersøgelsen i enhed 10.
tjekliste
- [ ] Jeg kan genkende niveaulogikken (let/afbalanceret/stærk) i alle tre familier.
- [ ] Claude, jeg kan matche de områder, hvor GPT og Gemini er fremtrædende.
- [ ] Jeg kan med begrundelse vælge den rigtige familie og rang til en opgave.
- [ ] Jeg kender måder at teste en modelpåstand med mine egne data.
- [ ] Jeg kan parse modelnavne som familie + scene + version.