ChatGPT vs Claude vs Gemini: test 25 zadań po polsku (metoda i wyniki) 

Nie znalazłem testu, który porównywałby ChatGPT, Claude i Gemini na polskich zadaniach. Wszystkie sensowne porównania, które udało się zebrać, są angielskie albo czeskie, a wynikają z prywatnych testów autorów, których nie da się powtórzyć. Poniżej masz dwie rzeczy: gotowy zestaw 25 zadań, który możesz powtórzyć sam, oraz to, co da się powiedzieć z twardych danych. Tam, gdzie źródła się nie zgadzają, zostawiam spór otwarty, zamiast rozstrzygać go z głowy.

Zacząłem od szukania materiału po polsku, bo „test 25 zadań po polsku” sugeruje, że ktoś taki test już zrobił. Nie zrobił. Wszystkie liczby, które podaję niżej, pochodzą z dokumentacji producentów albo z artykułów recenzentów, którzy publikują swoje wnioski razem z opisanymi warunkami testu.

Metoda: 25 zadań w pięciu kategoriach

Test ma sens wtedy, gdy zadania biorą się z realnej pracy, a nie z zestawu demo. Rozdzieliłem je na pięć kategorii, po pięć zadań w każdej. Łącznie 25.

pierwsza kategoria to pisanie i redakcja. Pięć zadań: napisanie maila do klienta z reklamacji, skrócenie dokumentacji technicznej o połowę, napisanie ogłoszenia o pracę, zamiana suchego opisu produktu w tekst sprzedażowy, poprawienie tekstu napisanego przez kogoś innego. To obszar, w którym różnice między modelami są najbardziej widoczne gołym okiem.

Druga kategoria to praca techniczna. Wyjaśnienie błędu z logu serwera, napisanie skryptu, który czyta CSV i zapisuje do bazy, poprawienie zapytania SQL, debugowanie prostego fragmentu kodu, zaproponowanie struktury bazy danych. Trzecia kategoria to analiza: streszczenie długiego dokumentu, porównanie dwóch ofert na podstawie załączników, wyciągnięcie danych z tabeli w tekście, wykrycie sprzeczności w umowie, policzenie zyskowności z kilku plików.

Czwarta kategoria to szukanie i research: aktualny przepis prawa, porównanie cen na rynku, znalezienie źródła dla twierdzenia, streszczenie artykułu naukowego, zebranie opinii z kilku źródeł. Piąta to codzienna robota: odpisanie na e-maile, planowanie dnia, przygotowanie agendy, tłumaczenie wiadomości, zarysowanie procedury.

W każdym zadaniu oceniasz trzy rzeczy: czy odpowiedź jest poprawna, ile czasu zajęło jej poprawienie oraz czy model sam przyznał się do braku pewności. Trzecia jest najważniejsza i najczęściej pomijana. Model, który przyznaje się, że nie wie, jest tańszy w użyciu niż model, który zmyśla.

Trzy narzędzia, trzy profile

To jest jedyne miejsce, gdzie mam twarde werdykty z dwóch niezależnych źródeł. Search Engine Journal dzieli je tak: „ChatGPT is best for everyday answers, products, voice chat, and computer use”, „Gemini is best for deep research and video generation”, „Claude is best for writing and coding”. Czeskie porównanie aimojo zgadza się co do pisania i dodaje, że „Nejlepší AI pro kódování: ChatGPT”, czyli kodowanie przypisuje ChatGPT, a nie Claude.

Ten spór zostawiam otwarty, bo źródła naprawdę się różnią. Poza tym oba zgadzają się, że do pisania jest Claude, a do codziennej pracy ChatGPT. ZDNET, który testował ChatGPT Plus i Gemini AI Pro osobno, pisze wprost: „Both cost $20, and they tie across many tasks”. Czyli dla autora jednego z tych testów te dwa narzędzia są w praktyce zamienne, a wybór rozstrzyga cena albo to, czy siedzisz w ekosystemie Google.

Przy Claude recenzenci zwracają uwagę na dwie rzeczy. Pierwsza to brak linków do źródeł: „don't expect links back to sources for everything, even when web search is enabled”. Druga to aplikacja mobilna, którą aimojo opisuje słowami „čistá, ale omezená”, czyli czysta, ale ograniczona. Przy Gemini z kolei zwraca uwagę na ograniczenia regionalne funkcji, o czym niżej.

Cena: co naprawdę płacisz w skali roku

Cenniki podaję osobno dla każdego produktu, bo nie każdy mam z dokumentacji producenta. Oficjalna strona Anthropic była dostępna, strona OpenAI zwracała błąd, więc ceny ChatGPT biorę z dwóch artykułów recenzentów, które podały różne liczby.

Plan	Cena	Źródło
Claude Free	$0	anthropic.com/pricing
Claude Pro	$17/mies. przy płatności rocznej ($200 z góry) albo $20/mies. przy płatności miesięcznej	anthropic.com/pricing
Claude Max	od $100/mies.	anthropic.com/pricing
ChatGPT Plus	$20/mies.	searchenginejournal.com
ChatGPT Plus	$19,99/mies.	zdnet.com
ChatGPT Pro	$200/mies.	searchenginejournal.com
ChatGPT Business	od $25/mies.	searchenginejournal.com
Gemini AI Pro	$19,99/mies., razem z 5 TB przestrzeni	zdnet.com, one.google.com
Gemini AI Ultra	$124,99/mies.	searchenginejournal.com

Dwie pozycje dotyczą tego samego planu, bo źródła się różnią. $20 i $19,99 to najpewniej ta sama cena zapisana z różną dokładnością, ale zostawiam obie wartości, zamiast wybrać wygodniejszą.

W skali roku różnice wyglądają inaczej niż w miesiącu. Claude Pro przy płatności rocznej to 17 × 12 = 204 $, przy płatności miesięcznej 20 × 12 = 240 $. Gemini AI Pro to 19,99 × 12 = 239,88 $, czyli praktycznie to samo co ChatGPT Plus z pierwszego źródła. Claude Max to co najmniej 100 × 12 = 1200 $ rocznie, a ChatGPT Pro 200 × 12 = 2400 $. To nie są produkty do porównywania z planem $20, tylko zupełnie inna kategoria zakupowa.

Przy wdrożeniu programistycznym liczy się inaczej, bo płaci się za tokeny, nie za dostęp. Anthropic podaje cennik za milion tokenów: Fable 5.1 to $10 za wejście i $50 za wyjście, Opus 5.5 to $4 i $20. Przy przetwarzaniu wsadowym firma obniża stawki o połowę, co przy dużym wolumenie robi różnicę. Jeśli porównujesz koszt wdrożenia z API, zajrzyj do mojego realnego kosztu AI w firmie przy 10 stanowiskach, bo tam liczone są liczby w złotówkach, a nie dolarach.

Limity, które decydują wcześniej niż jakość

Tutaj mam konkretne liczby z jednego źródła, ZDNET, i warto na nie patrzeć przed ceną. Okno kontekstowe u ChatGPT to od 128 tys. do miliona tokenów, zależnie od wybranego modelu. U Gemini to od miliona do dwóch milionów. Jeśli wrzucasz do modelu cały projekt albo księgowość za kwartał, to jest różnica, która zostaje w Twoim budżecie.

Limity wiadomości są mniej wygodne, bo zmieniają się wraz z obciążeniem serwerów producenta. ZDNET podaje dla ChatGPT Plus: „Up to 160 messages every 3 hours; manual ‘Thinking’ mode capped at 3,000 messages/week”. Dla Gemini AI Pro: „Up to 100 messages on Pro and 300 on Thinking (limits fluctuate based on demand)”. Zauważ, że uczciwie napisali o tym, że limity się wahają. W praktyce planuję po limicie, nie po maksimum z opisu.

Tu jest też różnica, o której mało kto pisze. Deep Research w ChatGPT Plus to 25 uruchomień miesięcznie, a w Gemini AI Pro to 20 uruchomień dziennie. Liczby nie są porównywalne, bo okno czasowe jest inne, ale efekt jest odwrotny do intuicji: droższy plan Gemini daje w tej funkcji dużo więcej, jeśli naprawdę jej używasz.

Dwa różne rankingi, których nie wolno mieszać

Wyniki podzieliły się na dwie grupy, które wyglądają podobnie, a mierzą zupełnie inne rzeczy. Pierwsza to Artificial Analysis, który mierzy modele przez API w benchmarkach. Z jego komunikatów: „Claude Opus 5.5 takes the top spot on the Artificial Analysis Intelligence Index” z 22 września oraz „Claude Sonnet 5.5 reaches #2” z 28 września.

Druga to testy subskrypcji prowadzone przez redakcje, gdzie oceniane są produkty dla zwykłego użytkownika. W nich wygrywa najczęściej ChatGPT. Te dwie tabele nie powinny trafić do jednego wykresu. Możesz mieć model najlepszy w benchmarku i subskrypcję, w której narzędziem codziennym będziesz po prostu nie korzystał.

Osobno o halucynacjach, bo to liczba, która powinna studzić entuzjazm. Search Engine Journal powołuje się na badanie z lutego 2025: „One study from February 2025 shows that 91% of chatbot news responses show problems”. Chodzi o odpowiedzi dotyczące wiadomości, czyli materiał, w którym modele najczęściej się mylą. Przy treściach faktycznych sprawdzaj źródła, bo żaden z trzech producentów tego nie gwarantuje.

Spór o kodowanie, którego źródła nie rozstrzygają

Warto to wydzielić, bo to najczęstsza przyczyna źle podjętej decyzji. Search Engine Journal pisze jedno zdanie: „Claude is best for writing and coding”. Aimojo pisze coś innego: „Nejlepší AI pro kódování: ChatGPT”, a Claude zostawia przy pisaniu. Aimojo przyznaje też, że ChatGPT „Vede nebo se vyrovná ve všech hlavních benchmarkových kategoriích LLM”, czyli prowadzi lub dorównuje we wszystkich głównych kategoriach.

Nie rozstrzygnę tego za Ciebie, bo oba źródła są od siebie niezależne i żadne nie publikuje pełnej metodologii w formie, którą dałoby się powtórzyć. Jeśli kod jest Twoją główną pracą, to jedno z dwóch zdań, które przeczytałeś w pierwszym akapicie, będzie złe. W Twoim przypadku jedynym rozsądnym wyjściem jest własny test na Twoim kodzie, nie na kodem przykładowym z dokumentacji.

To samo dotyczy promptów, bo sposób pisania zmienia wynik bardziej niż wybór modelu. Opisałem to osobno przy dlaczego prompt engineering sam w sobie już nie wystarcza.

Po polsku: tu jest dziura w testach

Uczciwa odpowiedź brzmi: nikt tego nie zmierzył w sposób, któremu da się zaufać. Przeszukałem materiały angielskie, czeskie i polskie i nie znalazłem porównania, które oceniałoby te trzy modele na polskich zadaniach. Nie ma benchmarku polskiego tekstu z wynikami obok siebie, nie ma zestawu polskich promptów z oceną.

To nie znaczy, że modele nie radzą sobie po polsku. Znaczy, że nikt nie opublikował danych, na których oprę twierdzenie, który jest lepszy. Różnica między tymi zdaniami jest istotna, a w praktyce oznacza jedno: polski wynik sprawdzasz sam, na swoich zadaniach, zanim zapiszesz się do płatnego planu.

Druga dziura jest mniejsza, ale konkretna i dotyczy Ciebie, jeśli pracujesz w Polsce. Strona Google One w wersji, którą udało się pobrać, zawierała zapisy o dostępności regionalnej: „Saatavilla Google AI Pro- ja Ultra -käyttäjille Yhdysvalloissa” dla funkcji takich jak Deep Search, czyli tylko Stany Zjednoczone i Indie. Przy innych funkcjach widnieje adnotacja „Saatavuus vaihtelee maittain”, czyli dostępność zależy od kraju. Ceny, które podaję wyżej, to ceny globalne. Twoja faktura w złotówkach może wyglądać inaczej.

Do tego dochodzi temat danych, o którym pisałem osobno przy samodzielnym AI i prywatności w erze chmury. Na stronie Anthropic przy wszystkich planach jest jedno pole, które warto sprawdzić przed podpisaniem umowy: „None by default”, czyli Twoje dane nie trafiają do treningu. Przy wersjach firmowych warunki bywają inne i warto je przeczytać, zanim wpuścisz tam dokumentację klienta.

Jak wybrać, mając na myśli konkretną pracę

Używam własnego zestawu asystentów AI dla firm, gdzie są ceny w złotówkach i tabela decyzyjna. Przy wyborze między tymi trzema narzędziami wychodzę z czterech sytuacji.

Jeśli piszesz dużo po polsku i zależy Ci na głębi wyjaśnień, wybierasz Claude. Dwa niezależne źródła wskazują na niego przy pisaniu, a przy płatności rocznej wychodzi najtaniej ze trzech planów płatnych: 204 $ rok. Jeśli siedzisz w Google Workspace i potrzebujesz obok modelu dostępu do poczty, Dysku i dokumentów, wychodzi Gemini AI Pro, bo 5 TB przestrzeni w cenie realnie przesuwa rachunek przy większych plikach.

Jeśli chcesz jeden produkt do wszystkiego, w tym multimodalne generowanie, to wychodzi ChatGPT Plus za $20 miesięcznie: oba porównania wskazują go jako najbardziej uniwersalny, a lista narzędzi w cenie jest najszersza z trzech. W praktyce najczęściej spotykam ludzi, którzy płacą za dwa plany po $20 i korzystają z obu, bo każdy lepiej radzi sobie z czym innym. To prawdopodobnie najuczciwsza odpowiedź na to pytanie: to nie jest wybór między trzema narzędziami, tylko podział zadań między nie.

Do decyzji o koszcie w firmie podchodzę tak samo, jak przy prostym rachunku ROI automatyzacji. Jedna liczba: $20 × 12 = 240 $ rocznie. Przy stawce, którą faktycznie bierzesz za swoją godzinę, wychodzi, po ilu miesiącach zwraca się jeden plan, a po ilu dwa.

Jak powtórzyć ten test u siebie w 25 zadaniach

Kolejność, która działa. Najpierw zbierz 25 realnych zadań ze swojego tygodnia, a nie z przykładów producenta. Zapisz je w jednym pliku. Potem przejdź przez nie dwukrotnie: raz na planach bezpłatnych, raz na płatnym. Bezpłatny etap pokazuje, czy w ogóle warto dopłacać, a nie odwrotnie.

Przy każdym zadaniu zapisuj cztery rzeczy: wynik poprawny albo nie, liczbę poprawek, czas, oraz czy model przyznał się do niepewności. Zapisujesz to w tabeli, nie w głowie. Po pięciu zadaniach z każdej kategorii masz wynik, a nie wrażenie.

Najczęstszy błąd to testowanie jednego promptu kilka razy. To nie jest pomiar, to noise. Powtórz to samo zadanie trzy razy, zapisz rozrzut i policz średnią z trzech.

Wynik trzymaj przy sobie i aktualizuj co kwartał. Modele zmieniają się częściej niż cenniki, a to, co wygrało w marcu, nie musi wygrać we wrześniu. Mam na ten temat osobny wpis o agenciach AI i teście 10 zadań biznesowych, gdzie ten sam mechanizm działa na szerszym zbiorze zadań.

Jeśli chcesz, mogę zrobić ten test za Ciebie na Twoich zadaniach i pokazać wynik w liczbach, a nie w opinii. Napisz, czym się zajmujesz i jakie dwie rzeczy w firmie zjadają Ci najwięcej czasu. Odpowiadam zwykle tego samego dnia.