Jak oszczędzam tokeny Fable 5 w Claude Code: drogi model doradza, tańsze wykonują.

To brzmi jak marnowanie mocnego narzędzia, dopóki nie spojrzy się na to jak na delegowanie w firmie. Senior nie siedzi nad tabelkami, tylko podejmuje decyzje, na których wiszą pieniądze. Ten sam podział przeniosłem na modele, z którymi pracuję na co dzień w Claude Code (agentowa praca w terminalu, gdzie model czyta pliki, uruchamia narzędzia i iteruje samodzielnie w pętli).

Najmocniejszy ogólnodostępny model Anthropic to teraz Fable 5, klasa wyżej niż Opus. W subskrypcji jest dostępny do połowy tygodniowego limitu, a Anthropic zapowiada przeniesienie go na rozliczenie kredytowe, za każdy wykorzystany token - według cennika Anthropic 10 dolarów za milion tokenów wejściowych i 50 dolarów za milion wyjściowych, czyli dwukrotność stawki Opusa. Termin tej zmiany już raz się przesunął po reakcji użytkowników, a sam Anthropic tłumaczy ją dostępnością mocy obliczeniowej i deklaruje powrót modelu na standardowe plany, gdy tylko moce na to pozwolą.

Osobiście wątpię, żeby Anthropic faktycznie zepchnął Fable poza subskrypcję na dłużej. OpenAI 9 lipca udostępniło publicznie GPT-5.6, więc łatwy dostęp do flagowego modelu jest teraz argumentem, który trzyma użytkownika przy jednym dostawcy zamiast pchać go do ChatGPT. Obstawiam, że Fable zostaje w subskrypcji, najpewniej w wyższych progach w rodzaju planu Max 20x, żeby najmocniejszy model był w zasięgu bez osobnego licznika. Jest też drugi możliwy ruch, o którym coraz głośniej wśród użytkowników: szybka premiera Opus 5. Po sieci krążą spekulacje, że Anthropic ma gotowy nowy model i odpowie na GPT-5.6 tańszą pochodną Fable w cenie Opusa - gdyby tak się stało, subskrypcja dostanie flagową inteligencję bez osobnego licznika, a mój układ przeżyje najwyżej zmianę nazwy modelu w jednej linijce konfiguracji.

Dla mojego układu pracy to i tak drugorzędne, bo dyscyplina ról, którą wprowadziłem dla jakości, robi się kontrolą kosztów dokładnie wtedy, kiedy za najdroższy model płacę za token. Dlatego opiszę cały układ, bo trzyma się niezależnie od tego, jak akurat rozlicza się który model.

01 / TL;DR Najważniejsze wnioski

Stan na 12 lipca 2026:

• Fable 5, najmocniejszy ogólnodostępny model Anthropic, pełni u mnie wyłącznie rolę doradcy. Wykonanie w Claude Code robią tańsze modele: Opus 4.8 w pętli głównej, Sonnet jako subagenty od kwerend i draftów.
• Doradca wchodzi obowiązkowo tylko przy decyzjach, na których wiszą pieniądze, komunikacja zewnętrzna, operacja nieodwracalna albo strategia. Wątpliwość i tak leci do Fable - świadomie godzę się wtedy z wyższym kosztem konsultacji.
• Doradztwo wychodzi tanio, bo Fable dostaje skompresowany brief z moją rekomendacją do zestresowania, a wypracowane reguły decyzyjne zapisuję w playbooku - kolejne podobne przypadki idą już bez konsultacji.
• Audyt systemu znalazł największy wyciek kosztów nie w delegacji, tylko w jednej linijce settings.json: domyślnym modelem każdej sesji był Fable. Naprawa to "model": "opus" plus hook przypominający tryb pracy na starcie sesji i przełącznik /solo.
• Zapisów na kontach reklamowych, weryfikacji po zapisie, arytmetyki budżetowej i treści do klientów nie deleguję nigdy. System oszczędza na podziale pracy, nie na ostrożności.
• Zmierzyłem to na realnym zadaniu (przegląd skrzynki za zamknięty miesiąc, po dwa przebiegi na konfigurację): przy pełnej jakości system wyszedł o około jedną czwartą taniej od Fable solo, a najniższy koszt jednostki pracy miał wariant z delegacją do Sonneta - 0,48 dolara za wątek.

02 / Podział ról Który model co u mnie robi

Podział jest prosty: Opus wykonuje, Sonnet zbiera i szkicuje, Fable doradza.

Opus 4.8 pracuje w pętli głównej jako wykonawca. Czyta pliki, buduje, wdraża, poprawia i robi to w setkach wywołań narzędzi po kolei. To on generuje najwięcej tokenów, bo w pętli operacyjnej każda kolejna runda dokłada swoje.

Sonnet obsługuje robotę odtwórczą jako subagent (wyspecjalizowany model wołany do wąskiego zadania, który wraca z gotowym wynikiem, a nie z całą surowizną). Mam dwa takie subagenty. Pierwszy odpowiada za kwerendy, czyli przeszukanie skrzynki, odczyt dokumentów i arkuszy, zebranie danych z API do jednej tabeli, i wraca z wnioskiem oraz identyfikatorami zamiast wrzucać mi do kontekstu wszystko po drodze. Drugi pisze drafty treści na podstawie briefu. Pytanie, które rozstrzyga o delegacji, brzmi za każdym razem tak samo: potrzebuję w swoim kontekście surowej treści, czy tylko wniosku z niej?

Fable jest doradcą i niczego nie wykonuje. Wołam go jako subagenta z pełnym briefem tylko w punktach o wysokiej stawce, a on oddaje rekomendację z uzasadnieniem i listą ryzyk.

03 / Próg istotności Kiedy w ogóle wchodzi najdroższy model

Fable konsultuję obowiązkowo tylko wtedy, gdy na decyzji wiszą pieniądze, komunikacja zewnętrzna, operacja nieodwracalna albo strategia.

Pieniądze to budżety i wyceny. Komunikacja zewnętrzna to każda treść, która idzie do klienta albo do publikacji. Operacja nieodwracalna to usunięcie czegoś, wdrożenie bez odwrotu, zmiana na żywej kampanii. Strategia to pozycjonowanie, ocena ryzyka, zmiana kierunku. Rutynowy kod, zbieranie danych i mechaniczne poprawki idą bez konsultacji.

Jest przy tym jeden bezpiecznik, którego pilnuję świadomie. Kiedy mam wątpliwość, czy decyzja przekracza próg, ona i tak leci do Fable, a ja świadomie godzę się z wyższym kosztem tej konsultacji. Oszczędzam wyłącznie na rutynie, nigdy na decyzjach, ponieważ jedna nadmiarowa rozmowa z drogim modelem kosztuje mniej niż jedna zła decyzja budżetowa.

04 / Mechanika Dlaczego drogie doradztwo wychodzi tanio

Tanie doradztwo bierze się stąd, że doradca dostaje skompresowany brief zamiast całej rozmowy.

Fable nie widzi całego kontekstu sesji, tylko dostaje esencję: zadanie, fakty z liczbami, rozważane opcje i konkretne pytania. Kompresję kontekstu wykonuje tańszy model, więc drogi płaci wyłącznie za myślenie nad tym, co istotne.

W briefie umieszczam swoją rekomendację i główną wątpliwość, bo chcę, żeby doradca ją zestresował i szukał słabych punktów, zamiast wymyślać wszystko od zera. Dostaje przy tym wprost zapisany zakaz przyklepywania, ponieważ zgoda bez próby obalenia mojej tezy jest dla mnie bezwartościowa.

Kilka rzeczy dokłada się do rachunku po cichu, więc je poukładałem. Pytania łączę w jedno wywołanie zamiast trzech osobnych konsultacji. Tam, gdzie się da, proszę doradcę nie o pojedynczą decyzję, tylko o regułę decyzyjną w stylu „kiedy X, a kiedy Y”, zapisuję ją w playbooku i kolejne podobne przypadki idą już bez konsultacji, więc jedna rozmowa amortyzuje się na dziesiątki decyzji. Doradca ma też odcięte narzędzia i najwyżej przeczyta plik wskazany wprost w briefie, bo zwiad to praca tańszego modelu i nie ma powodu, żeby drogi palił tokeny na własne poszukiwania.

05 / Granica Czego nie oddaję tańszemu modelowi

Są rzeczy, które zawsze robi model główny, niezależnie od kosztu.

Zapisy na kontach reklamowych i w produkcji zostają po stronie Opusa. Weryfikacja surowej odpowiedzi API po każdym zapisie też, ponieważ pułapki siedzą w polach, o które nikt nie pytał. Do tego dochodzi wysyłka czegokolwiek na zewnątrz, arytmetyka budżetowa i decyzje o treści komunikatów do klientów. System oszczędza na podziale pracy, nigdy na ostrożności.

Mam na to konkretne przykłady z życia, z jednego dnia pracy na dwóch platformach. Przy zmianie budżetu przez API Mety odpowiedź zawierała pole, które wymusiło pauzę żywej kampanii. Gdybym tego nie wyłapał, reklamy po prostu przestałyby się wyświetlać i sprzedaż z tej kampanii by stanęła, a nikt by o tym nie wiedział, bo sama zmiana budżetu formalnie się udała.

Tego samego dnia na TikToku okazało się, że zaplanowana wcześniej zmiana budżetu przeżywa natychmiastową korektę i o północy nadpisałaby nową wartość starą. Od rana konto wydawałoby pieniądze według układu, który dzień wcześniej świadomie zmieniłem, i mogłoby tak wydawać aż do kolejnego przeglądu raportów.

Subagent od kwerend, rozliczany z wąskiego zadania, mógłby w obu przypadkach zwrócić „kod 0, wszystko w porządku” i pójść dalej - obie operacje formalnie się udały, a pułapki siedziały w polach spoza zlecenia. Koszt takiej pomyłki to realne pieniądze klienta: zatrzymana sprzedaż na jednej platformie i budżety wydawane wbrew planowi na drugiej. Dlatego surowe odpowiedzi po zapisach czyta model główny, a nie tańszy subagent.

06 / Audyt Audyt, który znalazł wyciek w jednej linijce

Audyt całego systemu wskazał największy wyciek kosztów w jednej linijce pliku konfiguracyjnego, a nie tam, gdzie go szukałem.

Kiedy system był już zbudowany, zleciłem Fable'owi jego rewizję z prostym pytaniem: czy to wystarcza i czy da się oszczędzić więcej bez utraty jakości. Doradca nie zaczął od dokręcania reguł delegacji, tylko od pytania, skąd w ogóle biorą się jego własne tokeny. I znalazł. W settings.json domyślnym modelem sesji był Fable.

"model": "claude-fable-5"

Każde nowe okno terminala startowało z najdroższym modelem jako silnikiem całej pracy. Każdy odczyt pliku, każdy wynik wyszukiwania, cała rozmowa. System pieczołowicie delegował kwerendy do tańszego modelu „dla oszczędności”, podczas gdy sam wykonawca w pętli był najdroższym modelem w ofercie. Oszczędzałem grosze, gubiąc banknoty, a ten jeden wyciek był większy niż cała reszta razem wzięta.

Naprawa zajęła jedną linijkę.

"model": "opus"

Do tego dołożyłem dwa wzmocnienia, które nie polegają na dobrej woli modelu. Pierwsze to hook (skrypt, który program uruchamia automatycznie na starcie sesji), wstrzykujący streszczenie trybu pracy do każdego nowego okna, więc systemu nie da się „zapomnieć”, bo to program go przypomina, a nie model. Drugie to przełącznik /solo na sesje, które świadomie chcę poprowadzić jednym modelem od początku do końca.

Ścieżka do tego układu doradcy była zresztą kręta. Najpierw korzystałem z wbudowanego narzędzia advisor, a po problemach z nim przeszedłem na dedykowany subagent. System dalej ewoluuje i regularnie go poprawiam.

Następnego dnia otworzyłem nowe okno terminala i zadałem modelowi jedno pytanie: „jaki masz tryb pracy?”. Odpowiedź przyszła z zimnego startu, bez zaglądania w pliki. Model wyrecytował, że tryb wielomodelowy jest aktywny, w pętli głównej pracuje Opus 4.8 jako wykonawca, Fable jest konsultowany przez subagenta przy decyzjach z pieniędzmi, komunikacją zewnętrzną, operacjami nieodwracalnymi i strategią, kwerendy oraz drafty idą do Sonneta, wymienił rzeczy, których się nie deleguje, i podał opcję wyjścia /solo. Na końcu dopisał: „Do czego się zabieramy?”.

To jest ten moment, w którym konfiguracja przestaje być intencją, bo system opisał sam siebie.

07 / Pomiar Zmierzyłem to: system kontra Fable solo

Deklaracje o oszczędzaniu są tanie, więc zmierzyłem swój układ na konkretnym zadaniu. Wybrałem przegląd skrzynki za zamknięty miesiąc: zestawienie wątków z czerwca ze statusem każdej sprawy, kto jest przy piłce i co wymaga działania. Zadanie odczytowe, powtarzalne i na tyle życiowe, że każdy może odnieść je do własnej skrzynki.

Protokół był prosty i twardy: identyczny prompt co do znaku, po dwa przebiegi na konfigurację, zero sterowania w trakcie, a wynik każdego przebiegu chowany przed kolejnym. Konfiguracja pierwsza to mój system, czyli Opus w pętli głównej z delegacją do Sonneta. Druga to Fable solo, bez subagentów. Koszty wyceniłem po cenniku Anthropic z pełnym rozbiciem na cache, a jakość zmierzyłem pokryciem: niezależnie od modeli zbudowałem z nagłówków skrzynki listę 27 realnych wątków z czerwca (po odfiltrowaniu newsletterów i powiadomień automatycznych) i sprawdziłem, ile z nich każdy raport ujął.

Trzy wnioski. Po pierwsze, przy pełnej jakości system był o około jedną czwartą tańszy od Fable solo (11,40 wobec średnio 15,44 dolara), a w koszcie jednostki pracy najtańszy ze wszystkich przebiegów. Po drugie, delegacja okazała się dźwignią jakości. Przebieg, w którym wykonawca sam zrezygnował z delegacji, był najtańszy w całości, ale ujął tylko 15 z 27 wątków - był najtańszy, bo zrobił najmniej, i w przeliczeniu na wątek wyszedł drożej niż wariant z kwerendami. Dodatkową dokładność system dokupił po stawkach najtańszego modelu w zestawie. Po trzecie, Fable solo był w obu przebiegach najszybszy i najstabilniejszy, a mimo to najdroższy, bo cena za token robi swoje. Premia za tempo bywa warta zapłaty, ale przegląd skrzynki na nią nie zasługuje.

Test wykrył też słabość mojego układu: delegacja była uznaniowa. W jednym przebiegu wykonawca delegował, w drugim przy identycznym prompcie zrobił wszystko sam - i właśnie ten przebieg oddał niekompletny raport. Po pomiarze utwardziłem regułę: skrzynka i masowe czytanie źródeł idą do kwerendy zawsze, bez wyjątków. Ta sama lekcja co z jedną linijką konfiguracji: mierz, znajduj dziury, łataj.

Wcześniej przepuściłem przez ten sam protokół inne zadanie: draft miesięcznego raportu reklamowego dla klienta, po jednym przebiegu na konfigurację. Kierunek ten sam - system 8,68 wobec 10,80 dolara u Fable solo, przy porównywalnej jakości (raport solo był bogatszy w detale, ale zawierał jedną wewnętrzną niespójność liczbową). Najciekawsza jest w tym pomiarze jedna para liczb: w ramieniu systemowym Fable wystąpił w swojej właściwej roli i skonsultował gotowy raport za 1,49 dolara. Ten sam model w roli wykonawcy kosztował 10,80 dolara - siedem razy więcej za tę samą parę oczu, tylko inaczej użytą.

Uczciwe ograniczenia: dwa przebiegi na konfigurację to wciąż mała próba; wynik dotyczy zadań typu „dużo czytania, umiarkowanie decyzji"; dolary są wyceną zużycia po cenniku, bo sesje szły z subskrypcji. Konfiguracji z samym Sonnetem w pętli głównej nie testowałem - przy tak odtwórczym zadaniu mogłaby być jeszcze tańsza i to naturalna dogrywka tego pomiaru.

08 / Wnioski Co z tego zabrać

Najkrócej umiem to podsumować tak: drogim modelom płacę za osąd, tańszym za wykonanie. Dokładnie jak w firmie, w której senior zarabia na decyzjach, a tabelki wypełnia ktoś tańszy. Dzięki temu najdroższa inteligencja przestaje być u mnie kosztem stałym i staje się kosztem od decyzji.

Druga lekcja jest jeszcze prostsza. Zanim zaczniesz układać wymyślne reguły oszczędzania, sprawdź w ustawieniach, jaki model faktycznie wykonuje u Ciebie codzienną robotę. U mnie o większości kosztów decydowała jedna linijka konfiguracji, a cały starannie ułożony system delegowania oszczędzał grosze obok niej. Pięć minut w ustawieniach dało więcej niż tydzień dokręcania zasad.

I trzecia, którą najłatwiej zlekceważyć: to, co ma działać zawsze, musi wymuszać program, nie pamięć moja ani modelu. Granice w moim układzie pilnuje konfiguracja i hook odpalany na starcie każdej sesji. Takie układy pracy z modelami buduję u siebie i szkolę z nich zespoły, więc w razie pytań jestem do dyspozycji.

09 / FAQ Najczęstsze pytania

Czy „najdroższy model tylko doradza” nie marnuje jego możliwości?

Nie, bo doradztwo jest właśnie tym, w czym najmocniejszy model daje najwięcej wartości. Wykonanie w pętli to setki powtarzalnych kroków, które równie dobrze zrobi tańszy model. Ocena decyzji, na której wiszą pieniądze albo reputacja, to miejsce, gdzie różnica w jakości modelu naprawdę się liczy.

Po czym poznać, że dana decyzja zasługuje na drogi model?

Konsultuję drogi model, gdy na decyzji wiszą pieniądze, komunikacja zewnętrzna, operacja nieodwracalna albo strategia. Reszta idzie bez konsultacji. Przy wątpliwości decyzja i tak leci do drogiego modelu, a ja godzę się z wyższym kosztem, bo jedna nadmiarowa rozmowa jest tańsza niż jedna zła decyzja budżetowa.

Od czego zacząć taki podział u siebie?

Od pomiaru, skąd naprawdę biorą się koszty, a nie od dokręcania reguł delegacji. W moim przypadku cały układ delegowania działał poprawnie, a i tak największy wyciek siedział w domyślnym ustawieniu modelu sesji. Najpierw sprawdź, jaki model faktycznie napędza Twoją pętlę główną, potem optymalizuj resztę.

Układ pracy opisany w artykule działa u mnie na co dzień i regularnie go poprawiam - stan na 12 lipca 2026. W razie pytań o wdrożenie takiego podziału u siebie - jestem do dyspozycji.

Kamil Sławiński

Konsultant · AI Visibility, AI Marketing Agents, Meta Ads, Szkolenia

Konsultant marketingu z 7+ letnim doświadczeniem w Meta Ads i UGC. Od 2025 roku specjalizuję się w AI Visibility (GEO), wdrażaniu AI Marketing Agents (multi-source) oraz AI Ads Agents dla klientów z Polski i UK. Prowadzę też szkolenia z AI dla zespołów marketingu. Piszę AI Memo - cotygodniowy newsletter o AI w marketingu. Założyciel WAYSTAR Kamil Sławiński (NIP PL6511727806).

LinkedIn ↗ AI Memo (newsletter) Kontakt