Claude Fable 5 — mit tud az Anthropic új csúcsmodellje, és mire használja egy magyar cég?

Miért számít a Fable 5 üzleti szemmel?

Az Anthropic 2026. június 9-én kiadta a Claude Fable 5-öt, az első nyilvánosan elérhető „Mythos-osztályú” modelljét. A cég közlése szerint a modell a tesztelt benchmarkok szinte mindegyikén a mezőny élén áll, alapból 1 millió tokenes kontextusablakkal dolgozik, és ügynök-keretrendszerben napokig képes önállóan dolgozni — tervez, részfeladatokat oszt ki al-ügynököknek, és ellenőrzi a saját munkáját.

A bejelentés körüli zaj nagy: az amerikai sajtó arról ír, hogy az Anthropic napokkal a kiadás előtt még nyilvánosan figyelmeztetett, hogy a frontier AI veszélyessé válik, a TechCrunch megfogalmazásában a Fable 5 „ugyanarra a technológiára épül, ami a kormányt is megijesztette”. Ez a cikk nem a drámáról szól. Azt néztük meg, amit egy magyar cégvezetőnek vagy IT-vezetőnek ténylegesen tudnia kell: mit tud a modell igazoltan, mennyibe kerül egy elvégzett feladat forintban, hol vannak a GDPR-buktatók, és milyen konkrét folyamatokon érdemes először kipróbálni.

Minden szám, amit leírunk, az Anthropic bejelentéséből, az API-dokumentációból vagy megnevezett sajtóforrásból származik. Ahol egy adat a korlátozott Mythos 5 változatra vonatkozik és nem a nyilvánosan elérhető Fable 5-re, ott ezt külön jelezzük — erre a megkülönböztetésre a launch-felhajtásban kevesen figyeltek, pedig üzleti döntésnél nem mindegy.

Mi az a Claude Fable 5?

A Claude Fable 5 az Anthropic 2026. június 9-én kiadott csúcsmodellje: 1 millió tokenes kontextusablakkal, kérésenként legfeljebb 128 ezer token kimenettel dolgozik, és napokig futó, önellenőrző AI-ügynökök meghajtására tervezték. API-azonosítója claude-fable-5, elérhető a Claude API-n, az Amazon Bedrocken, a Google Vertex AI-on és a Microsoft Foundry-n — az első naptól.

Fable 5 és Mythos 5 — ugyanaz a modell, két kiadásban

Az Anthropic egyszerre két nevet jelentett be, és ez sok félreértést okozott. A háttérben egyetlen modell áll. A Mythos 5 a teljes, korlátozások nélküli változat: ezt nem lehet megvenni. Az Anthropic közlése szerint kizárólag átvilágított kibervédelmi csapatok, infrastruktúra-szolgáltatók és kiválasztott biológiai kutatók férnek hozzá a Project Glasswing nevű, az amerikai kormánnyal közösen futtatott programon keresztül.

A Fable 5 ugyanez a modell, aktív biztonsági klasszifikátorokkal — ez az, amit bárki használhat. A gyakorlatban a két változat a feladatok túlnyomó többségén ugyanúgy viselkedik; a különbség három védett területen jelentkezik, erről mindjárt részletesen.

Hogyan működnek a biztonsági klasszifikátorok?

A Fable 5 három területen szűr: kiberbiztonság, biológia/kémia, és modell-desztillációs kísérletek (amikor valaki a modell tudását próbálja kimásolni egy saját modellbe). Ha a klasszifikátor bekapcsol, a kérést nem a Fable 5, hanem a Claude Opus 4.8 válaszolja meg — az Anthropic szerint ez átlagosan a munkamenetek kevesebb mint 5%-ában történik meg. A kiadás előtt több mint 1000 órányi külső red-teaming és bug bounty tesztelés futott, és a cég közlése szerint egyetlen univerzális jailbreaket sem találtak.

Fejlesztői szempontból van még néhány lényeges eltérés a korábbi Opus-családhoz képest, ami a költségtervezést is érinti: az adaptív gondolkodás mindig be van kapcsolva (a mélységét egy effort paraméter szabályozza), a nyers gondolatmenetet az API soha nem adja vissza, és az új tokenizáló ugyanabból a szövegből körülbelül 30%-kal több tokent állít elő, mint az Opus-szintű modelleké. Ez utóbbi az árazásnál még fontos lesz.

Benchmarkok: hol áll a Fable 5 a GPT-5.5 és a Gemini 3.1 Pro mellett?

Az Anthropic által közölt — a the-decoder és a digitalapplied által részletesen átvett — benchmark-táblázat szerint a Fable 5 minden soron veri a GPT-5.5-öt és a Gemini 3.1 Pro-t, a legnagyobb előnnyel az agentikus kódolásban és a tudásmunka-feladatokban. A saját elődjéhez, az Opus 4.8-hoz képest a SWE-bench Pro-n 11,1 százalékpontot javult.

Mit érdemes kiolvasni a táblázatból? A SWE-bench Pro azt méri, hogy a modell valós GitHub-hibajegyeket old-e meg elejétől a végéig — a 80,3% azt jelenti, hogy tízből nyolc valós fejlesztési feladatot önállóan végigvisz. A FrontierCode Diamond a Cognition tesztje arra, hogy a generált kód karbantartható-e: itt a 29,3% alacsonynak tűnik, de a GPT-5.5 5,7%-ához képest ötszörös különbség. A GDPval-AA nem kódolás, hanem általános tudásmunka — riportok, elemzések, szakmai dokumentumok —, a 163 ELO-pontos előny a GPT-5.5-tel szemben itt a legnagyobb gyakorlati érv. Az OSWorld-Verified pedig azt, hogy a modell képernyőn keresztül, emberként kezel-e asztali szoftvereket — ez nyitja meg az API nélküli automatizálást, amiről a felhasználási eseteknél lesz szó.

Egy dolgot viszont a táblázat egyetlen sora sem mér: a magyar nyelvet. Hogy ezzel mit kezdj, arról a következő szakaszban szólunk külön.

Tud-e magyarul a Claude Fable 5?

A gyakorlatban igen: a Claude-modellek dokumentáltan erősek angolon kívül is, és tapasztalatunk szerint a magyar üzleti szöveget — ajánlatot, szerződést, ügyféllevelet — magas minőségben kezelik. Publikált magyar nyelvű Fable 5 benchmark viszont nem létezik, ezért éles folyamat előtt a saját dokumentumaidon érdemes mérni a modellt.

Mire alapozzuk ezt? Az Anthropic a Claude-családot következetesen több nyelven erős modellként dokumentálja, magyar számot azonban sem a launch-bejelentés, sem a sajtóvisszhang nem közölt. A bevett többnyelvű mérések sem segítenek: az MMMLU tesztkészlet 14 nyelvet fed le, és a magyar nincs köztük. Aki tehát konkrét magyar pontszámot idéz a Fable 5-ről, az extrapolál.

A saját ügyfélmunkáinkban a korábbi Claude-generációk a magyar nyelvtannal, a ragozással és a hivatalos üzleti regiszterrel megbízhatóan boldogultak, és az első Fable 5-teszteink ugyanezt mutatják. A tipikus kockázat a szűk szakterületi terminológia — jogi, könyvelési, gyártási szakszavak —, ezért a tesztanyagot a saját szakmád valós dokumentumaiból állítsd össze, ne általános mintaszövegekből.

A legolcsóbb pillanat a mérésre most van: a fizetős Claude-csomagokban (Pro, Max, Team, Enterprise) a Fable 5 a szakaszos bevezetés alatt, 2026. június közepéig-végéig felár nélkül használható. Egy 30–50 valós dokumentumos pilot így gyakorlatilag csak munkaidőbe kerül — a pontos menetét a cikk végén, a bevezetési útvonalnál írjuk le. A „Claude magyarul” kérdésre így a saját adataidon kapod a legmegbízhatóbb választ. Ha a csapat most ismerkedik az AI-eszközökkel, a pilot mellé betanítást is érdemes tervezni — ezt fedi le az AI oktatás cégeknek szolgáltatásunk.

Mennyibe kerül a Claude Fable 5?

Az API-ár 10 dollár / 1 millió input token és 50 dollár / 1 millió output token — forintban nagyjából 3600, illetve 18 000 Ft. Ez pontosan kétszerese az Opus 4.8-nak (5/25 dollár), és kevesebb mint fele a meghívásos Mythos Preview-nak, amit a Fable 5 levált. A Claude alkalmazásban a fizetős csomagok (Pro, Max, Team, Enterprise) a bevezetés alatt, 2026. június közepéig-végéig felár nélkül kapják, utána használati kredit kell hozzá.

A tokenár önmagában félrevezető, két okból. Az első: az új tokenizáló miatt ugyanaz a szöveg körülbelül 30%-kal több tokenre bomlik, mint az Opus-szintű modelleknél — tehát a tényleges feladatköltség magasabb, mint amit a 2× árszorzó sugall. Aki Opus-alapú rendszer költségeit vetíti át egy az egyben, az alultervez. A második: a versenytársak olcsóbbak tokenre vetítve — a GPT-5.5 listaára 5/30 dollár, vagyis nagyjából feleannyi. A kérdés nem az, melyik token olcsóbb, hanem hogy melyik modell végez el egy feladatot kevesebb körrel és kevesebb emberi javítással.

Feladatköltségben számolj, ne tokenárban

A digitalapplied launch-elemzésének példája: egy 100 ezer token inputot és 20 ezer token outputot mozgató feladat — mondjuk egy komplett szerződéscsomag elemzése vagy egy modul refaktorálása — körülbelül 2 dollárba, azaz 700–750 forintba kerül a Fable 5-ön. Ha ugyanez a feladat egy tapasztalt fejlesztőnek vagy elemzőnek 2–4 munkaóra, 25–30 ezer Ft-os órabérrel számolva 50–120 ezer Ft élőmunkát vált ki egy 700 forintos modellfutás. Ezen a szemüvegen át a Fable 5 a drága kategória legolcsóbb eszköze.

Arról, hogy egy teljes AI-fejlesztési projekt — modellköltséggel, integrációval, teszteléssel együtt — mennyibe kerül ma Magyarországon, külön cikkben írtunk: MI-fejlesztés árak Magyarországon. A rövid verzió: a modellszámla jellemzően a projektköltség kisebbik fele, a tervezés és az integráció a nagyobbik.

Claude Fable 5 vs ChatGPT céges használatra

A rövid válasz: a Fable 5 mérhetően jobb az agentikus kódolásban, a tudásmunkában és a hosszú, önálló feladatokban, az OpenAI csúcsmodellje, a GPT-5.5 viszont tokenenként feleannyiba kerül, és a rutinszerű tömegfeladatokon versenyképes. Céges környezetben ritkán kell választani: a jól megépített rendszer feladattípusonként irányít a két modell között.

Egy korrektségi megjegyzés: ez az Anthropic táblázata, az OpenAI pedig máshol méri a saját erősségeit. A GPT-5.5-re az OpenAI 85,0%-ot közöl az ARC-AGI-2 érvelési teszten és 93,6%-ot a GPQA Diamondon; ezekre Fable 5 pontszámot egyetlen launch-forrásban sem találtunk, így a tiszta érvelési összevetés hiányos. Feladatköltségben a digitalapplied számítása szerint egy 100 ezer token inputos, 20 ezer token outputos futás a Fable 5-ön kb. 2,00 dollár, a GPT-5.5-ön kb. 1,10 dollár — nagy volumenű rutinmunkán ez a különbség havi szinten komoly tétellé adódik össze.

Mikor melyik? A Fable 5 ott hozza vissza a kétszeres tokenárat, ahol a feladat hosszú és önálló: kódolási ügynökök, legacy migrációk, nagy dokumentumcsomagok elemzése, többnapos workflow-k. A SWE-bench Pro-n 21,7 százalékpont az előnye, a karbantartható kódot mérő FrontierCode Diamondon ötszörös (29,3% vs 5,7%). A GPT-5.5 kategorizálásra, rövid válaszlevelekre, összefoglalókra ugyanúgy megfelel, feleannyiért. Az okos architektúra ezért feladattípus szerint oszt — és egy ilyen több-modelles routing megtervezése és megépítése az AI fejlesztés tipikus feladata, nem beállítási kérdés. A ChatGPT-oldal vállalati részleteiről — csomagok, GDPR, magyar nyelvi minőség — külön útmutatónk szól: ChatGPT magyar vállalati használatra.

Öt felhasználási terület, ahol a Fable 5 tényleg újat hoz

A modell képességeiből öt olyan üzleti alkalmazás következik, amit korábbi modellekkel vagy nem lehetett, vagy nem érte meg megcsinálni. Mindegyikhez igazolt launch-adatot rendelünk, nem ígéretet.

1. Legacy rendszerek modernizálása

A legerősebb bizonyíték a Stripe-tól jött, amely korai hozzáférésben tesztelte a modellt:

A magyar KKV-szektor tele van 10–15 éves PHP-, ASP.NET- és Java-rendszerekkel, amelyek modernizálását évek óta halogatják a cégek, mert „többhónapos projekt”. Ha egy 50 millió soros kódbázis migrációja egy nap alatt lefut, akkor egy tipikus hazai vállalati rendszer átírása scope-olható, fix idejű sprintté válik. Ez nem azt jelenti, hogy embert nem igényel — a tervezést, az átvételi tesztet és a hibakezelést igen —, de a nagyságrend megváltozott.

2. API nélküli, képernyős szoftverek automatizálása

Az OSWorld-Verified 85,0%-os eredmény azt méri, hogy a modell asztali szoftvereket kezel a képernyőn keresztül — kattint, gépel, olvas, mint egy betanított munkatárs. Magyar cégeknél ez a leggyakoribb automatizálási falat bontja le: a régi számlázó, a raktárprogram vagy a HR-szoftver, aminek nincs API-ja, és a gyártója már nem fejleszti. Eddig ezekre az volt a válasz, hogy „nem automatizálható”; mostantól az ügynök ugyanazt a felületet használja, amit a kolléga. Hogy egy ilyen folyamat hol éri meg, azt a folyamatautomatizálási szolgáltatásunk oldalán szedtük össze.

3. Teljes dokumentumállomány elemzése egy kérésben

Az 1 millió tokenes kontextusablak nagyságrendileg 1500–2000 oldalnyi szöveg egyetlen kérésben. Ez három konkrét hazai feladattípusnál változtat játékszabályt: egy évnyi szerződésállomány átvilágítása (lejáratok, kockázatos klauzulák, indexálási hiányok), közbeszerzési dokumentációk feldolgozása és ajánlat-előkészítés, valamint ERP- vagy CRM-csere előtti adatmigrációs audit. A lényeg, hogy mindehhez nem kell előbb hónapokig RAG-rendszert (kereshető tudásbázist) építeni — a teljes anyag befér a modell elé. Rendszerváltásnál ez tipikusan a rendszerintegrációs projekt első, leggyorsabban megtérülő lépése.

4. Napokig futó back-office ügynökök

Az Anthropic közlése szerint a Fable 5 ügynök-keretrendszerben napokig fut megszakítás nélkül: szakaszokra bontja a munkát, al-ügynököknek delegál, és ellenőrzi a saját kimenetét, közben tokenmilliókat feldolgozva. Üzletileg ez azt jelenti, hogy az AI túllép a chatbot-korszakon: egy árajánlat-készítési folyamat, egy rendelésfeldolgozási lánc vagy egy dokumentum-jóváhagyási workflow elejétől a végéig egy ügynökre bízható, emberi jóváhagyási pontokkal a kritikus lépéseknél. A „kész workflow-eszköz vagy egyedi ügynök” döntésről korábban részletes összehasonlítást írtunk — a Fable 5 az egyedi ügynök oszlop plafonját emelte meg.

5. Kódoló ügynökök a fejlesztői eszközökben

A GitHub changelogja szerint a Fable 5 a megjelenés napján általánosan elérhetővé vált a GitHub Copilotban — tehát ha a csapatod Copilotot használ, már most rajta dolgozhat. A korai hozzáférésű eszközgyártók visszajelzései egybehangzóak: a Cursor a saját CursorBench mérésén state-of-the-artnak nevezte, és azt írta, a modell „a hosszú távú problémák egy korábban elérhetetlen osztályát nyitotta meg”; a Replit szerint a ViBench end-to-end tesztjén minden eddiginél jobban teljesít, és kevesebb token alatt épít kész alkalmazást; a Figma „egyértelmű előrelépésnek” nevezte agentikus prototipizálásban; a Hex pedig arról számolt be, hogy első modellként érte el a 90%-ot a cég alap-analitikai benchmarkján. Egy belső fejlesztőcsapatnak ez a legolcsóbb belépő: a meglévő eszközben kapcsolod be, integrációs projekt nélkül.

GDPR és EU AI Act: mire figyelj a bevezetés előtt?

A legfontosabb compliance-tény: a Fable 5 és a Mythos 5 az Anthropic API-dokumentációja szerint úgynevezett „Covered Model”, kötelező 30 napos adatmegőrzéssel — és nem érhető el zero-data-retention (nulla adatmegőrzési) szerződéssel. Vagyis a modellnek küldött adatok 30 napig az Anthropic rendszereiben maradnak, és ezt szerződésben sem lehet kikapcsolni. Aki korábbi Claude-modelleknél ZDR-megállapodásra építette az adatvédelmi megfelelést, annak ez a Fable 5-nél nem áll rendelkezésére.

GDPR-oldalon ez nem tiltó tényező, hanem tervezési feladat. Személyes adatot tartalmazó folyamatnál a 30 napos megőrzést be kell emelni az adatkezelési tájékoztatóba és — magasabb kockázatú felhasználásnál — a DPIA-ba (adatvédelmi hatásvizsgálatba). A gyakorlatban három bevett megoldás van: a bemenetek pszeudonimizálása vagy anonimizálása a modell előtt, a személyes adatot nem érintő feladatok (kód, publikus dokumentumok, termékadatok) leválasztása külön pipeline-ra, és a szenzitív munkafolyamatok más modellre vagy lokális futtatásra irányítása.

Beszerzés: ismerős felhőszerződéseken keresztül is

A Fable 5 a megjelenés napjától elérhető az Amazon Bedrocken, a Google Vertex AI-on és a Microsoft Foundry-n. Annak a cégnek, amelynek már van AWS-, Google Cloud- vagy Azure-keretszerződése és átvilágított adatfeldolgozói lánca, ez sokat egyszerűsít: a modell a meglévő felhőszámlán és a meglévő jogi kereteken belül vehető igénybe, nem kell új beszállítót minősíteni.

Az EU AI Act oldaláról a Fable 5 általános célú AI-modell, amelyre a felhasználó céget elsősorban átláthatósági kötelezettségek terhelik: dokumentálni kell, hol és mire használjátok, az érintetteknek pedig tudniuk kell, ha AI-val lépnek kapcsolatba vagy AI-kimenet alapján születik róluk döntés. Ez nem jogi tanácsadás — de a tapasztalatunk az, hogy egy egyoldalas modell-nyilvántartás és egy rövid belső használati szabályzat a bevezetéskor sokkal olcsóbb, mint utólag rekonstruálni, ki mire használta a modellt fél éven át.

Hogyan kezdj hozzá? Gyakorlati bevezetési útvonal

A jó sorrend: először egy szűk pilot a saját magyar dokumentumaidon, utána feladattípusonkénti modell-routing, és csak ezután éles, ügyfelet is érintő folyamat. Aki fordítva csinálja — éles folyamattal indít a launch-lelkesedésben —, az a visszautasításoknál és a számlán fog meglepődni.

1. Pilot a saját dokumentumokon, nem benchmarkokon

Válassz egy konkrét feladatot (ajánlatkészítés, szerződés-kivonatolás, ticket-feldolgozás), gyűjts hozzá 30–50 valós magyar inputot, és mérd a hibaarányt ugyanúgy, ahogy egy új munkatársat mérnél a próbaidő alatt. Magyar nyelvű Fable 5 benchmark nem létezik, úgyhogy ez az egyetlen megbízható mérés — és a bevezetési időszakban a fizetős Claude-csomagokban külön költség nélkül megcsinálható. A várható megtérülés gyors becsléséhez ott az AI-ROM kalkulátorunk.

2. Ne minden feladat kapjon csúcsmodellt

A Fable 5 ott éri meg az árát, ahol hosszú, többlépéses, önálló munkát vársz: kódolási ügynökök, nagy dokumentumcsomagok elemzése, többnapos workflow-k. A tömeges, rutinszerű feladatokra — kategorizálás, rövid válaszlevelek, összefoglalók — feleannyiba kerülő modellek (a saját portfólión belül az Opus 4.8, a konkurenciánál a GPT-5.5) ugyanazt az eredményt hozzák. A jól megépített rendszer feladattípusonként irányít: ez architektúra-kérdés, és tipikusan ez dönti el, hogy a havi modellszámla 200 vagy 2000 dollár lesz.

3. Készülj a visszautasításokra és a fallbackre

Éles rendszerben a kevesebb mint 5%-os klasszifikátor-arány is napi eseményt jelent nagyobb forgalomnál — és ilyenkor a válasz csendben az Opus 4.8-tól érkezik, más minőséggel és más válaszidővel. Az API-dokumentáció szerint van béta fallbacks paraméter és SDK-middleware az automatikus újrapróbálkozásra, de azt, hogy a te folyamatodban mi számít elfogadható fallback-viselkedésnek — és mikor kell inkább embert riasztani —, neked kell megtervezni. Saját integrációknál pontosan ez a réteg szokott kimaradni, és ez az, amiért a házon belüli gyors prototípus és az üzembiztos rendszer között hetek vannak.