Gevinster:
- Matchende sterke felt og typisk bruker av Claude, GPT og Gemini familier
- Evne til å lese nivå (tier) logikk og modellnavn for hver leverandør
- Ta for vane å basere sammenligninger på dine egne testdata, ikke markedsføringspåstander
Vi kartla markedet og lærte oss skillet mellom lukket og åpen vekt. Nå skal vi bli kjent med de tre mest synlige aktørene i markedet, nemlig de store USA-baserte leverandørene: Anthropic (Claude), OpenAI (GPT) og Google (Gemini). Disse tre er med i de fleste beslutninger om AI-bedrifter i dag. Målet vårt er ikke å erklære en "vinner"; Målet er å objektivt forstå hvor hver enkelt skinner, dens navnelogikk og dens typiske bruker. Når enheten er ferdig, vil du kunne snakke om disse tre familiene uten å forvirre dem, og du vil internalisere at du bør basere en sammenligning på din egen test, ikke på reklame.
Felles logikk: Tier System
Disse tre leverandørene bruker alle en lignende logikk: de tilbyr modeller innenfor samme familie, lagdelt etter hastighet/kostnad/kraftbalanse. Det er vanligvis tre nivåer:
- Lett lag: Raskest og billigste. For enkle oppgaver med store volum (klassifisering, orientering, merking).
- Balansert trinn: Kraft og kostnad i mellomområdet. "Standard"-valget for de fleste daglige gjøremål.
- Sterkt nivå: Mest dyktig, dyrest, tregest. For komplekse resonnementer, lang analyse, vanskelig kode.
Når du først forstår denne nivålogikken, vil du ikke føle deg tapt uansett hvilken leverandør du ser på. "Hvilket nivå tilsvarer denne modellen i denne familien?" Det er nok å spørre.
Tips: Når du hører om en ny modell, spør først "hvilket nivå i hvilken familie?" spørre. Ikke la mengden av navn skremme deg; Hver leverandør tilbyr faktisk de samme tre nivåene under forskjellige navn.
Antropisk — Claude-familien
Anthropics Claude-familie tilbyr tre nivåer kalt Opus (sterk), Sonnet (balansert) og Haiku (lett). Versjonsnummer er også inkludert; For eksempel er modellen som brukes av denne plattformen claude-opus-4-8, det vil si 4.8-versjonen av Opus-scenen.
Den utmerker seg i: lang kontekstbehandling (evnen til å lese hundresiders dokumenter i sin helhet), skriving og lesing av kode, og sikker, forutsigbar oppførsel i bedriftsbruk. Claude er kjent for å holde seg nær instruksjoner og opptre klar i sensitive saker. Derfor foretrekkes det ofte i regulerte sektorer som jus, finans og helse.
Typisk bruker: Juridiske team som analyserer lange dokumenter, programvareteam som gjennomgår kode, bedriftskundetjenester som krever sikker utgang.
Gjeldende antropiske modeller og omtrentlige priser (per million tokens, input/output):
modell
Scene
Kontekst
Inndata $/1M
Utgang $/1M
Claude Opus 4.8
sterk
1M tokens
~5
~25
Claude sonett 5
balansert
1M tokens
~3
~15
Claude Haiku 4.5
lett
200 000 tokens
~1
~5
OBS: Disse prisene er omtrentlige for perioden denne modulen ble utarbeidet og endres ofte. Sørg for å bekrefte leverandørens gjeldende prisside før du tar en avgjørelse. Vi vil diskutere prislogikken i detalj i den 6. enheten.
OpenAI — GPT-familien
OpenAIs GPT-familie er det mest anerkjente merket på markedet og har det største tredjeparts-økosystemet; det vil si at mange programvareverktøy, plug-ins og integrasjoner utgis for GPT først. GPT-familien er også lagdelt: det er raske og billige modeller (lette alternativer som GPT-4o mini, for eksempel), balanserte allround-modeller (GPT-4o), og tenketunge modeller som "o-serien" som er spesifikt fokusert på resonnement.
Områder hvor det skiller seg ut: Allsidighet og utbredelse. Bredt utvalg av funksjoner for tekst, kode, bilder og lyd; modne kjøretøy økosystem; og bred samfunnsstøtte. "Kan en jobb gjøres med AI?" GPT er vanligvis et klart utgangspunkt.
Typisk bruker: Startups som driver med rask prototyping, produktteam som ønsker bred integrasjon, SMB-er som ønsker å håndtere et bredt spekter av oppgaver med én enkelt leverandør.
Google – Gemini Family
Googles Gemini-familie spiller med to kraftige kort: multimodalitet (evnen til å håndtere tekst, bilder, lyd og video sammen) og Google Workspace-integrasjon (arbeid innebygd i verktøy som Gmail, Docs, Sheets). Gemini er også lagdelt: det er raske "Flash"-modeller og kraftigere "Pro"-modeller.
Hvor det utmerker seg: Visuell forståelse og videoforståelse, massiv kontekst og friksjonsfri integrasjon for organisasjoner som allerede bruker Google-verktøy mye. Hvis en organisasjon driver alt kontorarbeid på Google Workspace, opplever den Gemini som en naturlig utvidelse.
Typisk bruker: Bedrifter etablert i Googles økosystem, bilde-/videotunge innholdsteam, de som ønsker å behandle svært store datasett på en gang.
Tre familier side om side
Størrelse
Antropisk (Claude)
OpenAI (GPT)
Google (tvilling)
sterkeste aspektet
Lang kontekst, kode, sikker oppførsel
Allsidighet, bredt økosystem
Multimodalitet, arbeidsområde
Stadier
Opus/Sonett/Haiku
Sterk / balansert / lett + resonnement
Pro/Flash
Typisk bruker
Regulerte sektorer
Bedrifts- og produktteam
Google-fokuserte institusjoner
Vekttype
Stengt
Stengt
Stengt
Når du ser på denne tabellen, ikke spør "hvilken vil vinne"; Spør "Hvilken rad samsvarer jobben min?" Hvis du skal lese en kontrakt på 200 sider, er den lange kontekstlinjen avgjørende for deg, og hvis du skal få lest opp fakturaer fra en visual, er multimodalitetslinjen avgjørende for deg.
Svak forespørsel / sterk forespørsel: Når du ber om et familievalg
Svak melding:
Hva er bedre: Claude, GPT eller Gemini?
Kraftig ledetekst:
Din rolle: nøytral AI-konsulent. Min jobb: Jeg ønsker å lage utkast for å svare på kundemail i et e-handelsselskap + trekke ut beløp/dato fra innkommende fakturabilder. Det er to forskjellige oppgaver: (1) tekstgenerering, (2) datautvinning fra bildet. Oppgave: Sammenlign familiene Claude, GPT og Gemini for begge oppgavene. Skriv ned hvilken familie som skiller seg ut på oppgavebasis, hvilket nivå jeg bør bruke og hvorfor. Ikke gi en eksakt pris, gi en rekkevidde. Når du er i tvil, si "test".
Fordi den andre oppfordringen deler jobben i to klare oppgaver, kan modellen anbefale riktig familie for hver oppgave separat. Dette er også grunnlaget for "modellportefølje"-ideen som vi skal lære om senere.
Kopierbare maler
Nivå 1-samsvar:
Jeg definerer følgende oppgave: [TASK]. Med tanke på vanskelighetsgrad og volum, hvilket nivå av Claude-, GPT- og Gemini-familiene (lett/balansert/sterk) vil du anbefale? Skriv én begrunnelse for hver familie.
2. Økosystemkompatibilitet:
Verktøy vi bruker for øyeblikket: [VERKTØYLISTE, f.eks. Google Workspace / Microsoft 365]. Hvilken AI-familie passer best inn i denne verktøystabelen og hvorfor? Evaluer enkel integrasjon, læringskurve og mulig risiko for innlåsing (avhengighet).
3. Styrker validering:
Jeg vil teste påstanden "[MODELNAVN] er best på dette" for oppgaven min [TASK]. Hvilke 3 prøvetester bør jeg kjøre med min egen effektivitet for å bekrefte denne påstanden? Beskriv suksesskriteriene for hver test i én setning.
4. Navnevedtak:
Del følgende modellnavn inn i familie, scene og versjon og lag en tabell: [MODELNAVN]. Merk en typisk bruk for hver med ett enkelt ord.
Vanlige feil
- Avgjørelse basert på reklame: Kunngjøringen "Denne modellen kom først i den testen" sier kanskje ikke noe om oppdraget ditt. Test det med dine egne data.
- Å velge familie uten å velge nivå: Det er ikke nok å si «Vi skal bruke GPT»; Hvilket nivå det er, endrer kostnadene og kvaliteten radikalt.
- Ignorerer økosystemlås: Å være dypt forpliktet til en familie gir enkel integrering, men gjør det vanskelig å bytte til en annen leverandør i fremtiden.
- Savner the topic: Dette markedet endrer seg raskt; Sammenligningen fra seks måneder siden kan være ugyldig i dag. Baser avgjørelsen din på oppdatert informasjon.
- Å tvinge én familie til å gjøre alt: Mens én familie skinner i teksten, kan en annen familie være foran i det visuelle. Tenk oppgave for oppgave.
Oppsummert
- Anthropic, OpenAI og Google tilbyr alle den samme nivålogikken (lett/balansert/sterk) under forskjellige navn.
- Claude i lang sammenheng, kode og sikker bedriftsadferd; GPT har stor allsidighet og bredt økosystem; Gemini utmerker seg i multimodalitet og Workspace-integrasjon.
- "Best" varierer etter jobb; basere sammenligningen på dine egne testdata, ikke på reklame.
- Å analysere modellnavn i familie + tier + versjon vil hjelpe deg å finne veien i det overfylte markedet.
Søknadsoppgave
Identifiser to forskjellige oppgaver i jobben din (en teksttung, en visuell- eller langdokumenttung). Ved å bruke mal 1 (tiermatching) i denne enheten, la en AI-modell spørre om den riktige rangeringen av de tre familiene for hver oppgave. Deretter, med mal 3 (styrkevalidering), utform tre konkrete tester for å teste den foreslåtte modellen med dine egne data. Vi vil bruke disse testene i evalueringsstudien i enhet 10.
sjekkliste
- [ ] Jeg kan gjenkjenne nivålogikken (lett/balansert/sterk) i alle tre familier.
- [ ] Claude, jeg kan matche områdene der GPT og Gemini er fremtredende.
- [ ] Jeg kan velge riktig familie og rangere for en oppgave med begrunnelse.
- [ ] Jeg vet måter å teste en modellpåstand med mine egne data.
- [ ] Jeg kan analysere modellnavn som familie + scene + versjon.