Które LLM są obecnie najlepsze? Dr. Maik Bunzel z mabucon ocenia rynek AI

Pytanie brzmi prosto, ale takie nie jest: Który model językowy jest obecnie najlepszy? ChatGPT? Claude Opus? Gemini? Grok? DeepSeek? A może model open source, taki jak Llama?

Dr. Maik Bunzel, założyciel mabucon, sceptycznie podchodzi do ogólnych rankingów. Dla niego decyduje nie nazwa modelu, lecz konkretne zastosowanie. „LLM to nie cudowny środek. To narzędzie. A jak w przypadku każdego narzędzia, trzeba wiedzieć, do czego chce się je użyć" – wyjaśnia Bunzel.

Właśnie w tym miejscu zaczyna się praca mabucon. Firma tworzy agentów AI, którzy nie tylko piszą teksty i odpowiadają na pytania, ale rozumieją procesy biznesowe, planują je i realizują. Chodzi o Agentic Coding, orkiestrację LLM, pipeline'y RAG, Tool-Calling, serwery MCP, Guardrails, Evals oraz Human-in-the-Loop. Krótko mówiąc: o systemy AI, które nie funkcjonują obok firmy jak chatbot, lecz są głęboko zintegrowane z jej procesami.

Od porównania modeli do realnego pytania o procesy

Wiele firm zadaje błędne pierwsze pytanie. Pytają: „Którego modelu powinniśmy używać?" Bunzel zacząłby inaczej: „Który proces kosztuje Was niepotrzebnie czas każdego dnia?"

Dopiero z procesu wynika bowiem, który model ma w ogóle sens. Firma, która codziennie tworzy oferty z wiadomości e-mail i załączników PDF, potrzebuje innych możliwości niż firma, która chce przeszukiwać wewnętrzne bazy wiedzy, automatyzować wsparcie klienta lub tworzyć raporty na bieżąco.

Dlatego w mabucon każdy projekt rozpoczyna się od analizy potencjału. Procesy są prześwietlane, wąskie gardła ujawniane i oceniane pod kątem nakładu i efektu. Dopiero potem zajmujemy się architekturą: który model przejmuje którą część? Gdzie potrzebne są szybkie odpowiedzi? Gdzie niezbędne jest głębokie rozumowanie? Gdzie człowiek musi zatwierdzić działanie? Gdzie kluczowe są ochrona danych, przejrzystość i protokołowanie?

„Najlepszy model to rzadko pojedynczy model. W praktyce prawie zawsze wygrywa właściwa orkiestracja."

ChatGPT: wszechstronny lider wśród modeli AI

OpenAI z ChatGPT jest dla wielu użytkowników synonimem nowoczesnej sztucznej inteligencji. Aktualne modele GPT należą do najmocniejszych wszechstronnych rozwiązań na rynku. Sprawdzają się szczególnie dobrze, gdy zadania są szeroko zakrojone: teksty, analizy, strategia, coding, podsumowania, kreatywne pomysły, przygotowanie badań i ustrukturyzowana komunikacja.

Bunzel widzi ChatGPT jako szczególnie mocnego tam, gdzie firmy potrzebują wszechstronnego AI, który można szybko wdrożyć produkcyjnie. Dla kancelarii, firm doradczych, agencji i pracowników wiedzy to duża zaleta. Model, który potrafi strukturyzować pisma procesowe, tworzyć teksty marketingowe, objaśniać tabele, sprawdzać kod i szkicować procesy, natychmiast przynosi wartość.

Słabość leży zdaniem Bunzla nie w możliwościach modelu, lecz w pokusie traktowania ChatGPT jako jedynego rozwiązania.

„Kto po prostu otwiera czat i zostawia z nim pracowników samych, nie uzyskuje automatyzacji procesów. Uzyskuje lepszą pracę indywidualną. To przydatne, ale jeszcze nie jest skalowaniem."

• Mocne strony: bardzo wszechstronny, silny w tekstach, analizach, strategii, Coding i produkcji treści.
• Słabe strony: bez czystej integracji często pozostaje przy izolowanej pracy jednostkowej.
• Typowe obszary zastosowań: praca oparta na wiedzy, workflow kancelarii, teksty SEO, wewnętrzni asystenci, marketing i planowanie procesów.

ChatGPT doskonale nadaje się jako model bazowy do pracy opartej na wiedzy, produkcji treści, analiz strategicznych i wewnętrznych asystentów. W prawdziwych systemach agentowych powinien jednak być połączony z wiedzą firmową, jasno określonymi dostępami do narzędzi, procesami zatwierdzania i pętlami ewaluacji.

Claude Opus: silny w języku, kodzie i długich ciągach rozumowania

Anthropic z Claude, a zwłaszcza z modelami Opus, jest często postrzegany jako szczególnie mocny w złożonych tekstach, Coding i dłuższych procesach myślowych. Claude formułuje wypowiedzi zazwyczaj elegancko, strukturalnie i naturalnie. W przypadku obszernych dokumentów, analiz prawnych, specyfikacji technicznych i dłuższych łańcuchów argumentacyjnych stanowi to wyraźną przewagę.

Bunzel postrzega Claude jako model do wymagających zadań, w których liczy się precyzja, styl i wytrwałość.

„Claude jest silny, gdy chcemy starannie opracować długie, złożone zależności. Szczególnie przy dokumentach, koncepcjach i projektach programistycznych może to być bardzo wartościowe."

• Mocne strony: wysokiej jakości język, analiza długich dokumentów, Coding, ustrukturyzowana argumentacja.
• Słabe strony: nie jest automatycznie najlepszym wyborem do każdego workflow; dostępność i integracja wymagają weryfikacji.
• Typowe obszary zastosowań: Code-Reviews, koncepcje techniczne, analizy prawne, teksty długoformatowe i przetwarzanie dokumentów.

Dla mabucon Claude jest zatem kandydatem do wymagającej pracy z dokumentami, Code-Reviews, ustrukturyzowanych analiz i wysokiej jakości produkcji tekstów. W systemach Multi-Agent Claude może pełnić rolę „myśliciela", podczas gdy inne modele przejmują szybkie zadania rutynowe.

Gemini: silny w ekosystemie Google i w multimodalności

Google Gemini pokazuje swoje mocne strony tam, gdzie rolę odgrywają usługi Google, wyszukiwarka, dokumenty, arkusze, e-maile, YouTube i dane multimodalne. Gemini może być szczególnie interesujący dla firm, które intensywnie korzystają z Google Workspace lub gdy tekst, obraz, wideo i wyszukiwanie łączą się ze sobą.

Bunzel opisuje Gemini jako model o dużym potencjale dla środowisk pracy, w których informacje są rozproszone po wielu systemach związanych z Google.

„Jeśli firma organizuje swój codzienny workflow w Gmail, Drive, Docs, Sheets i Meet, Gemini staje się strategicznie istotny. Nie tylko ze względu na sam model, ale ze względu na ekosystem."

• Mocne strony: integracja z Google, wyszukiwanie, multimodalność, bliskość z Workspace, przetwarzanie różnych formatów mediów.
• Słabe strony: jakość może się różnić w zależności od interfejsu, wariantu modelu i integracji.
• Typowe obszary zastosowań: Google Workspace, workflow YouTube, multimodalne wyszukiwanie, wewnętrzne wyszukiwanie wiedzy i automatyzacja operacyjna.

W przypadku bardzo precyzyjnych procesów prawnych lub wysoce regulowanych Bunzel nie wdrożyłby Gemini ślepo samodzielnie, lecz zawsze łączyłby go z walidacją, weryfikacją źródeł i ludzkimi zatwierdzeniami. W architekturach agentowych Gemini może być szczególnie silny, gdy chodzi o przeszukiwanie dużych przestrzeni informacyjnych, przetwarzanie treści multimodalnych i automatyzację przepływów pracy bliskich ekosystemowi Google.

DeepSeek: intrygujący pod względem kosztów, techniki i własnych wdrożeń

DeepSeek ugruntował swoją pozycję jako poważny dostawca, przede wszystkim dzięki silnym możliwościom rozumowania i kodowania przy często atrakcyjnym profilu kosztowym. Dla zespołów technicznych DeepSeek jest interesujący, gdy potrzebna jest duża liczba wywołań modelu lub gdy koszt na zapytanie odgrywa kluczową rolę.

Bunzel dostrzega w tym ważny aspekt praktyczny:

„Przy prawdziwej automatyzacji liczy się nie tylko benchmark. Gdy agent przetwarza tysiące operacji miesięcznie, koszty, szybkość i stabilność stają się nagle kwestią strategiczną."

• Mocne strony: dobre relacje kosztów do korzyści, silne możliwości techniczne, interesujący przy dużej liczbie wywołań modelu.
• Słabe strony: ochrona danych, governance i zaufanie wymagają szczególnie starannej weryfikacji.
• Typowe zastosowania: prototypy techniczne, automatyzacja wrażliwa na koszty, zadania związane z Coding i testy wewnętrzne.

Słabość tkwi w governance, ochronie danych i zaufaniu. Firmy muszą dokładnie sprawdzić, gdzie dane są przetwarzane, jakie wymagania zgodności obowiązują i czy model nadaje się do obsługi wrażliwych informacji. Zwłaszcza w kancelariach prawnych, medycynie, finansach lub przy wewnętrznych danych firmowych samo korzystne cenowo rozwiązanie nie wystarczy.

Mistral: europejska alternatywa z potencjałem Enterprise

Mistral jest szczególnie interesujący dla firm, które przywiązują większą wagę do europejskich dostawców, ochrony danych i kontrolowanych wdrożeń. Modele są wydajne, ekosystem rośnie, a dla wielu zastosowań Enterprise Mistral może być strategicznie rozsądną alternatywą.

Bunzel podkreśla przewagę europejskich strategii AI:

„Nie każda firma chce lub może w pełni uzależnić swoje kluczowe procesy od platform z USA. Zwłaszcza przy wrażliwych danych, wymogach regulacyjnych i długoterminowej niezależności warto poważnie rozważyć alternatywy."

• Mocne strony: bliskość UE, fokus na Enterprise, kontrolowane wdrożenia, perspektywa ochrony danych zgodna z RODO.
• Słabe strony: nie w każdym benchmarku na poziomie absolutnie najlepszych modeli.
• Typowe zastosowania: wewnętrzni asystenci, automatyzacja z dbałością o ochronę danych, Enterprise AI i wyspecjalizowane przepływy pracy.

Mistral nie jest w każdym benchmarku najsilniejszym modelem. Jednak w praktyce nie zawsze chodzi o korzystanie z absolutnie najpotężniejszego modelu. Często wystarczy bardzo dobry model, gdy architektura, baza danych, rozumienie procesów i kontrola są właściwe.

Llama i modele Open-Weight: kontrola zamiast wygody

Meta Llama i inne modele open-weight są szczególnie istotne dla przedsiębiorstw, które chcą mieć maksymalną kontrolę nad swoją infrastrukturą AI. Mogą być samodzielnie hostowane, dostosowywane i wbudowywane w wewnętrzne systemy. Jest to technicznie bardziej wymagające, ale zapewnia strategiczną niezależność.

Bunzel postrzega modele open-weight nie jako zamiennik wszystkich modeli chmurowych, lecz jako ważny element składowy.

„Jeśli firma posiada własne przestrzenie danych, wewnętrzne systemy wiedzy lub szczególnie wrażliwe procesy, samodzielnie kontrolowany model może być sensownym rozwiązaniem. Trzeba jednak być szczerym: eksploatacja wymaga know-how."

• Mocne strony: kontrola, możliwość dostosowania, suwerenność danych i własna infrastruktura.
• Słabe strony: hosting, bezpieczeństwo, monitoring, aktualizacje i ewaluacja generują znaczny nakład pracy.
• Typowe obszary zastosowań: wewnętrzne systemy wiedzy, własne systemy RAG, projekty ochrony danych i specjalistyczna AI dla przedsiębiorstw.

Siłą jest kontrola, możliwość dostosowania i suwerenność danych. Słabością jest nakład pracy: hosting, monitoring, bezpieczeństwo, aktualizacje, ewaluacja i Fine-Tuning muszą być realizowane profesjonalnie.

Grok: mocny w czasie rzeczywistym, trendach i mediach społecznościowych

Grok od xAI jest szczególnie interesujący, gdy w grę wchodzą bieżące debaty, dynamika mediów społecznościowych i szybka analiza trendów. Dla firm, które intensywnie pracują z X, publicznymi dyskusjami, memami lub nastrojami dnia codziennego, Grok może być wartościowym narzędziem.

Bunzel nie stawiałby jednak Groka na pierwszym miejscu w przypadku wysoce precyzyjnej pracy merytorycznej.

„Do wyczuwania trendów i publicznych debat Grok może być fascynujący. W przypadku procesów prawnych, medycznych lub krytycznych dla działalności firmy potrzeba większej kontroli."

• Mocne strony: wyczucie czasu rzeczywistego, dynamika mediów społecznościowych, analiza trendów i debaty publiczne.
• Słabe strony: mniej odpowiedni jako fundament dla precyzyjnej pracy merytorycznej i regulowanych procesów biznesowych.
• Typowe obszary zastosowań: monitoring mediów społecznościowych, radar trendów, debaty publiczne, pomysły na treści i szybkie odczytywanie nastrojów rynkowych.

Grok jest zatem raczej radarem niż fundamentem: mocny, gdy chodzi o szybkość, kulturę i dyskusję publiczną; słabszy, gdy potrzebne są solidne decyzje merytoryczne.

Dlaczego mabucon nie stawia na jeden jedyny model

Kluczowa teza analizy Bunzela brzmi: Przyszłość nie należy do jednego najlepszego modelu, lecz do inteligentnego łączenia wielu modeli. Agent może wykorzystywać szybki model do klasyfikacji, silny model Reasoning do trudnych decyzji, tani model do zadań rutynowych i szczególnie bezpieczny model do wrażliwych danych.

Do tego dochodzą RAG-Pipelines, czyli systemy selektywnie pobierające wiedzę firmową. Tool-Calling łączy agenta z CRM, ERP, księgowością, skrzynkami pocztowymi i systemami wewnętrznymi. Guardrails wyznaczają granice. Evals weryfikują jakość. Human-in-the-Loop zapewnia, że człowiek podejmuje decyzje w kluczowych momentach.

Różnica między chatbotem a produktywnym agentem AI jest prosta: chatbot odpowiada. Agent załatwia.

Dr. Maik Bunzel: od budowania kancelarii do inteligencji procesowej

To, że Bunzel patrzy na procesy, nie wynika z teorii. Przez lata budował działającą w całych Niemczech kancelarię specjalistyczną z oddziałami w Cottbus, Berlinie i Kilonii, odpowiadając za kilka tysięcy mandatów. Kto pracuje w regulowanym, dokumentochłonnym i wymagającym intensywnej komunikacji środowisku, szybko uczy się, gdzie traci się czas: przy rejestrowaniu, sortowaniu, sprawdzaniu, przekazywaniu, monitorowaniu i dokumentowaniu.

Z tego doświadczenia powstało mabucon. Firma przekłada myślenie wywodzące się z budowania kancelarii, prawa, struktury i skalowania na autonomiczne systemy AI dla przedsiębiorstw. Precyzja nie jest tu słowem z folderu marketingowego. Dla Bunzla to rzemiosło. Agent AI nie może pracować „mniej więcej poprawnie". Musi być przejrzysty, zgodny z przepisami i weryfikowalny.

Nawet najsilniejszy LLM jest tylko tak dobry jak system za nim stojący

Kto dziś pyta o najlepszy LLM, nie otrzyma prostej odpowiedzi. ChatGPT to silny wszechstronny gracz. Claude przekonuje w zakresie języka, kodu i długich analiz. Gemini błyszczy w ekosystemie Google i przy multimodalności. DeepSeek jest interesujący pod względem kosztów i techniki. Mistral oferuje europejską perspektywę dla przedsiębiorstw klasy enterprise. Llama zapewnia kontrolę i własne deployments. Grok sprawdza się przy trendach i debatach w czasie rzeczywistym.

Dla Dr. Maika Bunzla to jednak tylko powierzchnia. Kluczowe jest to, co przedsiębiorstwa na tej podstawie budują. Pojedynczy model pozwoli zaoszczędzić może kilka minut. Starannie zorchiestrowany agent może zmienić całe procesy.

Właściwe pytanie brzmi więc nie: który LLM jest najlepszy? Lepsze pytanie brzmi: który proces w Państwa firmie nie powinien jutro działać już ręcznie?