Úspora vzniká, když každý krok automatizace dostane model, který jej zvládne s požadovanou kvalitou. V Kodo proto pro zákazníky kombinujeme modely podle náročnosti práce, ceny a potřeby kontroly výsledku.
Vytřídit příchozí zprávu, připravit krátké shrnutí a porovnat několik rozporných dokumentů jsou různé úkoly. Pokud všechny dostane stejný drahý model, může firma zbytečně platit za výkon, který část práce nepotřebuje. Když naopak všechno převezme nejlevnější varianta, mohou náklady narůst při opravách.
Otevřené modely rozšiřují výběr o cenově zajímavé kandidáty. Přehled vychází z Artificial Analysis, Intelligence Index v4.3.2, ve stavu k 24. říjnu 2026. Dodaná data ukazují výrazné rozdíly v nákladech standardizovaných úloh. Pro zákaznickou automatizaci je potom potřeba změřit také její vlastní vstupy a výsledky.
MiMo a Grok: podobné skóre, rozdílný náklad testu
MiMo-V2.6-Pro od Xiaomi má v podkladu Intelligence Index 46,32, zatímco Grok 4.7 dosahuje 46,45. Náklad benchmarkové úlohy činí 0,13 USD u MiMo a 3,74 USD u Groku.
V tomto měření tedy Grok vychází přibližně 29krát dráž. To je důvod MiMo zařadit do vlastního testu, pokud hledáme levnější zpracování. Podobné souhrnné skóre však nedokládá shodné chování při každé práci ani stejnou kvalitu češtiny, integrací či práce s firemními dokumenty.
Také částka 0,13 USD popisuje standardizovanou úlohu benchmarku. Není to pevná cena každého firemního e-mailu nebo dotazu zákazníka.
Otevřené modely v dodaném přehledu
Podklad řadí následující modely mezi modely s otevřenými vahami. Ceny se vztahují k jejich využití přes hostované API, tedy programové rozhraní poskytovatele.
| Model | Tvůrce | Intelligence Index | Vstup / výstup | Náklad benchmarkové úlohy |
|---|---|---|---|---|
| MiMo-V2.6-Pro | Xiaomi | 46,32 | 0,435 / 0,87 | 0,13 |
| DeepSeek V4.1 Flash | DeepSeek | 45,10 | 0,30 / 1,20 | 0,26 |
| GLM-5.3-Flash | Z AI | 41,81 | 0,15 / 0,50 | 0,28 |
| Qwen3.8-Flash-Next | Alibaba | 39,82 | 0,15 / 0,47 | 0,37 |
| Step 5 Preview | StepFun | 43,73 | 1,00 / 2,70 | 1,03 |
| Ling 3.1 Flash | InclusionAI | 41,09 | 0,30 / 0,90 | 1,01 |
| GLM-5.3 | Z AI | 44,78 | 1,40 / 4,40 | 2,01 |
Zdroj: Artificial Analysis, datový snímek 24. 10. 2026. Ceny jsou v USD; sazby vstupu a výstupu platí za milion tokenů. Token je jednotka, ve které model zpracovává text. Poslední sloupec uvádí náklad standardizované úlohy Intelligence Indexu při ceníkových sazbách.
MiMo má z této skupiny nejvyšší souhrnné skóre a nejnižší uvedený náklad úlohy. DeepSeek V4.1 Flash následuje se skóre 45,10 a nákladem 0,26 USD. U něj podklad uvádí také medián rychlosti generování 195 tokenů za sekundu.
Rychlost generování je užitečný údaj, ale sama neříká, za jak dlouho dorazí první odpověď nebo skončí celý proces. Při nasazení záleží i na čekání, práci s nástroji a případném opakování požadavku.
Jak vypadají náklady vedle uzavřených modelů
| Model | Intelligence Index | Náklad benchmarkové úlohy |
|---|---|---|
| Claude Opus 5.5 | 57,62 | 5,98 USD |
| GPT-6 Astra | 52,67 | 3,26 USD |
| GPT-6.1 Sol | 51,83 | 0,72 USD |
| MiMo-V2.6-Pro | 46,32 | 0,13 USD |
| DeepSeek V4.1 Flash | 45,10 | 0,26 USD |
Vyšší výkon a nižší náklad ukazují dvě odlišná pořadí. Poměr skóre k ceně může sloužit jako pomocná orientace, ale nevyjadřuje množství „inteligence koupené za dolar“. Pro konkrétní úkol potřebujeme nejprve stanovit přijatelnou kvalitu.
Pokud levnější model tuto kvalitu splní, může být dobrým základem pro opakovaný provoz. Pokud vyvolává více chyb a ručních oprav, samotná cena za API nepopisuje celou ekonomiku řešení.
Jak kombinujeme modely v Kodo
Když pro zákazníka připravujeme automatizaci, rozdělíme práci na jednotlivé kroky. U každého určujeme vstup, očekávaný výsledek, způsob kontroly a postup při nejasnosti. Podle toho vybíráme model a jeho nastavení.
Jednodušší, opakované zpracování může převzít úspornější model. Silnější model zapojíme tam, kde test ukáže přínos pro složitější rozbor nebo kde levnější varianta nedosahuje potřebné kvality. Součástí návrhu je i kontrola podle zdrojů a předání vybraných případů člověku.
Cílem je optimalizovat náklady na použitelný výsledek. Neznamená to automaticky nasadit nejlevnější model na všechno nebo bez měření slíbit pevné procento úspory.
Příklad: od poptávky k podkladům pro nabídku
Servisní nebo výrobní firmě přijde e-mail s popisem zakázky a přílohami. Automatizace může práci rozdělit takto:
| Krok | Co řešení připraví | Jak uvažujeme o modelu a kontrole |
|---|---|---|
| Třídění zprávy | Typ požadavku a jeho předání do správné agendy | Úspornější model otestovaný na známých kategoriích |
| Vytažení údajů | Parametry, kontakt a seznam chybějících informací | Model podle složitosti vstupu, kontrola formátu a povinných polí |
| Porovnání podkladů | Rozpory mezi zprávou a přílohami | Podle potřeby silnější model a kontrola proti zdrojům |
| Výpočet | Cena podle schváleného ceníku a vzorců | Výpočetní pravidla, která si model nevymýšlí |
| Příprava odpovědi | Srozumitelný návrh pro zákazníka | Ověřená šablona a určený schvalovatel |
Konkrétní modely se vyberou až podle výsledků zkoušky na zákazníkových datech. Přehledy MiMo, DeepSeeku nebo GLM pomáhají sestavit kandidáty pro takové srovnání. Předání k dalšímu rozboru se řídí stanovenými kontrolami, například rozporem v údajích nebo nesplněným požadavkem na výstup; nestačí vlastní prohlášení modelu, že si je jistý.
Načítání schématu…
Přečíst schéma jako text
flowchart TD
A["Požadavek a firemní podklady"] --> B["Rozdělení na kroky"]
B --> C["Úspornější model pro ověřenou rutinu"]
C --> D{"Stačí výsledek pro další krok?"}
D -->|Ano| E["Kontrola podle zdrojů a pravidel"]
D -->|Potřebuje další rozbor| F["Silnější model pro vybraný případ"]
F --> E
D -->|Chybějí údaje| G["Doplnění informací od člověka"]
G --> E
E --> H["Návrh výsledku a schválení podle procesu"]
classDef source fill:#ffffff,stroke:#ded5ca,color:#282623;
classDef process fill:#e8ded1,stroke:#c7b8ac,color:#282623;
classDef result fill:#282623,stroke:#282623,color:#f8f4ed;
class A source;
class B,C,D,E,F,G process;
class H result;Ilustrační návrh kombinace modelů. Podmínky pro další zpracování a schválení se stanovují pro konkrétní automatizaci.
Silnější model může pomoci s náročnějším rozborem. Chybějící rozměr nebo neaktuální cenu je však potřeba doplnit z odpovědného zdroje. Proto má v návrhu své místo i běžná kontrola dat a člověk.
Otevřené váhy, API a vlastní server jsou různé věci
Označení open-weights znamená zpřístupněné váhy modelu. Samotné toto označení neurčuje všechny licenční podmínky ani automaticky neznamená plně otevřený zdrojový kód. Možnost komerčního použití a konkrétní způsob nasazení je potřeba posoudit podle licence vybrané verze.
U hostovaného API platíte poskytovateli za provoz modelu. Uvedené ceny proto nejsou náklady na vlastní server a otevřenost vah sama o sobě neznamená, že data zůstávají uvnitř firmy.
Vlastní provoz vyžaduje vhodný hardware, správu, dohled a potřebnou kapacitu. Do porovnání patří i práce na údržbě a využití zařízení. Některé modely mohou mít pro konkrétní firemní počítač příliš vysoké nároky.
Při výběru v Kodo proto řešíme společně úlohu, data, náklady a způsob provozu. Lokální model nebo cloudové API mají být součástí návrhu odpovídajícího potřebám zákazníka.
Co měřit, aby byla úspora skutečná
Před spuštěním porovnáme kandidáty nad stejným vzorkem reálných vstupů. Sledujeme zejména:
- kolik výsledků je správných a použitelných,
- kolik požadavků vyžaduje opravu nebo další model,
- jak dlouho trvá celé zpracování,
- jaká je spotřeba API a navazujících služeb,
- kolik času u kontroly stráví člověk.
To umožňuje rozhodnout, které kroky ponechat úspornějšímu modelu a kde se vyšší výkon vyplatí. Po změně modelu nebo zadání je potřeba znovu zkontrolovat i výsledky, protože nižší cena bez stejné kvality nemusí představovat úsporu.
Jak s tím může pomoci Kodo
Pomůžeme vybrat vhodný firemní proces, připravit test modelů a navrhnout jejich kombinaci. Výsledek můžeme propojit s webem, e-shopem, příchozími požadavky nebo interními podklady, včetně pravidel pro kontrolu a schvalování.
Pokud už AI používáte, můžeme začít u toho, které kroky vytvářejí největší náklad a kde vznikají opravy. Pokud teprve začínáte, vybereme jeden úkol, na kterém se dá přínos změřit.
Pošlete nám přes kontakty Kodo příklad práce, kterou chcete zjednodušit.
Časté otázky
Znamená 29krát levnější benchmark také 29krát levnější automatizaci?
Ne. Jde o poměr uvedených nákladů standardizované úlohy u MiMo a Groku. Firemní automatizace má vlastní vstupy, počet kroků, kontroly a opravy. Její úsporu je potřeba změřit zvlášť.
Musí všechny kroky používat stejný model?
Nemusí. V Kodo navrhujeme kombinaci podle jednotlivých úloh: úspornější model pro ověřenou rutinu, případně silnější model pro další rozbor a kontrolu podle zdrojů či člověkem tam, kde je to potřeba.
Je provoz otevřeného modelu zdarma a automaticky soukromý?
Ne. Hostované API je placená služba. Vlastní provoz má náklady na infrastrukturu a správu. Zpracování dat i možnosti komerčního použití závisejí na konkrétním nasazení, poskytovateli a licenci modelu.
Související články
- Nejlepší AI modely 2026: výkon, cena a využití ve firmě
- Jak ušetřit na AI modelech: automatizace, přepínání a lokální kontrola
- Jak automatizovat přípravu cenových nabídek bez ztráty kontroly
Zdroj dat
Artificial Analysis — Intelligence Index v4.3.2, přehled 272 modelů, datový snímek 24. října 2026. Ceny a výsledky jsou převzaté z podkladu pro tento článek. U otevřených modelů jde o ceny hostovaného API, nikoli o kalkulaci vlastního provozu.
Článek zachycuje stav k uvedenému datu. Benchmarková čísla slouží k porovnání; konkrétní kvalitu, náklady a podmínky nasazení je potřeba posoudit pro vlastní použití.