Claude vs. ChatGPT na dlouhé dokumenty: kdo si pamatuje líp?

Ve složce Stažené máte padesátistránkovou smlouvu. Nebo třeba štos vědeckých článků, ze kterých máte sepsat report. Vrazíte to celé do AI chatu, zeptáte se na něco z 37. strany — a dostanete odpověď, která zní sebejistě, ale očividně mine pointu.

Claude i ChatGPT se chlubí obřími kontextovými okny — stovkami tisíc tokenů. Jenže je rozdíl mezi tím, kolik textu AI přijme, a tím, kolik si z něj při odpovídání skutečně pamatuje. A u dlouhých dokumentů ten rozdíl bolí.

Tenhle průvodce rozebírá, jak si oba nástroje vedou v reálné práci s dlouhými dokumenty: u smluv, vědeckých článků, kódových bází i jinde. Žádný marketing — jen to, co opravdu funguje.

Kontextové okno je celkové množství textu, které model dokáže zpracovat v jedné konverzaci. Měří se v tokenech — zhruba 0,75 slova na token. Okno o velikosti 200 000 tokenů teoreticky pojme asi 150 000 slov, tedy kolem 500 stran textu. (V češtině s diakritikou počítejte spíš s polovinou — tokenizace nás trestá.)

Co vám marketing neřekne: kapacita kontextu a schopnost si v něm něco zapamatovat jsou dvě různé věci. Model klidně přijme celý dvousetstránkový dokument, ale to ještě neznamená, že si konkrétní detail ze strany 47 vybaví se stejnou přesností jako něco z první strany.

Představte si, že přečtete román na jeden zátah. Začátek a konec si pamatujete dobře, prostředek se rozpíjí. AI modely to mají podobně — a každý si s tím poradí jinak.

Začněme suchými parametry. Tahle čísla platí na začátku roku 2026:

Prakticky: na placeném plánu Claude vrazíte do okna asi 500 stran textu. S ChatGPT Plus se vejdete tak na 40 stran. ChatGPT Pro vás dostane někam ke 160 stranám.

Ten rozdíl je výrazný. Ale samotná kapacita je jen půlka příběhu.

Výzkumníci na to mají benchmark zvaný „Needle in a Haystack“ — jehla v kupce sena. Měří, jak dobře si modely drží informace v dlouhém kontextu. Postup je prostý: schovají náhodný fakt („jehlu“) někam do obřího dokumentu („kupky sena“) a pak chtějí, ať ho model najde.

Původní test pracoval s větou typu „Nejlepší věc, co se dá v San Francisku dělat, je dát si sendvič a sednout si v Dolores Parku za slunečného dne“ schovanou ve stovkách stran nesouvisejících esejí. Pak se modelu položí otázka: „Co je v San Francisku nejlepší?“

Claude 3 dopadl skvěle. V testech Anthropicu měl Claude 3 Opus přes 99 % úspěšnost — jehlu si vybavil prakticky bezchybně, ať ji výzkumníci schovali kamkoli. V jednom slavném případě dokonce sám poznal, že testovací věta působí uměle vsazená — v podstatě usvědčil výzkumníky, že ho zkoušejí.

Starší modely měly typický vzorec: informace ze začátku a konce dokumentu si pamatovaly přesně, ale obsah uprostřed (hlavně kolem 50–70 % délky) jim často propadl mezi prsty. Claude 3 a novější verze tenhle problém z velké části vyřešily.

ChatGPT to má proměnlivější — záleží na verzi modelu i délce dokumentu. GPT-4 měl v raných testech podobné problémy s prostředkem dokumentu, ale GPT-5 se výrazně zlepšil. Menší kontextová okna v rozhraní ChatGPT (32K u Plus, 128K u Pro) zase znamenají, že prostor pro propad paměti je menší — prostě se tam tolik textu nevejde.

Abstraktní benchmarky jsou hezká věc, ale rozhodující je, jak nástroje obstojí v reálné práci. Podívejme se na revizi smluv — typický příklad práce s dlouhým dokumentem.

Úkol: Projít 45stránkovou komerční nájemní smlouvu. Najít všechny zmínky o předčasném ukončení, identifikovat protichůdná ustanovení a shrnout povinnosti pronajímatele.

S Claudem: Celou smlouvu vrazíte do okna naráz. Claude umí dobře pracovat s odkazy uvnitř textu — když narazí na „jak je definováno v článku 4.2“, dokáže se na obsah článku 4.2 skutečně podívat. V testu odhalil rozpor mezi povinnostmi v článku 7 o údržbě a výjimkou zahrabanou v příloze. Analýza byla strukturovaná a kompletní.

S ChatGPT Plus: Při 32K tokenech se 45stránková smlouva nevejde celá. Musíte ji rozkouskovat — a tím AI ztratí možnost propojovat odkazy mezi sekcemi. ChatGPT Pro se 128K to zvládne, ale v testu spíš sklouzával k obecným shrnutím a konkrétní rozpory v ustanoveních zachytával hůř.

Vítěz pro právní práci: Claude. Větší kontextové okno a lepší paměť napříč dokumentem z něj dělají výrazně užitečnější nástroj na revize smluv, právní rešerše i kontroly compliance.

Úkol: Sloučit zjištění z pěti odborných článků (dohromady asi 80 stran) o vlivu práce z domova na produktivitu. Najít body shody, rozpory a mezery ve výzkumu.

S Claudem: Všech pět článků se do okna pohodlně vejde. Claude vyrobil strukturovanou syntézu, ve které sledoval, které tvrzení pochází ze kterého článku, upozornil, kde si studie A protiřečí se studií C, a poukázal na rozdíly v metodologii, které ty rozpory vysvětlují. Soudržnost si udržel napříč celým souborem.

S ChatGPT: I s ChatGPT Pro je vejít se s pěti články dost těsné. Syntéza vyšla obecnější a občas slévala závěry z různých článků dohromady. Na druhou stranu, integrované webové vyhledávání ChatGPT umí přihodit kontext a novější studie, které v původních článcích nejsou — a to je u rešerše, která musí být aktuální, opravdová výhoda.

Vítěz: Claude pro čistou syntézu, ChatGPT pro rešerše s webovými zdroji. Praktický postup: aktuální zdroje si nasbíráte přes webové vyhledávání ChatGPT a celou složku potom pošlete Claudovi na hloubkovou analýzu.

Úkol: Projít středně velkou kódovou bázi (asi 15 000 řádků v 50 souborech), pochopit autentizační flow a najít potenciální bezpečnostní problémy.

S Claudem: Celá kódová báze se vejde. Claude prošel autentizační flow napříč soubory, identifikoval, kde se generují, ukládají a ověřují session tokeny, a označil potenciální problém — chybové hlášky byly příliš upovídané a mohly útočníkům prozradit citlivé informace. Pochopil, jak by změny v jednom souboru ovlivnily ostatní.

S ChatGPT: Museli byste vybírat, které soubory nebo shrnutí nasdílíte. ChatGPT zvládne analyzovat jednotlivé soubory dobře, ale ztrácí přehled o závislostech napříč celou kódovou bází. Na cílené dotazy ke konkrétním funkcím stačí, na celkovou architektonickou analýzu drhne.

Vítěz: jednoznačně Claude. Pro code review ve větším měřítku je velikost kontextového okna obrovská praktická výhoda. Mimo jiné proto si Claude oblíbili vývojáři, co pracují na velkých projektech.

Ať použijete kterýkoli nástroj, pár promptovacích triků vám pomůže dostat z dlouhých dokumentů lepší výsledky.

1. Klíčové informace dejte na začátek a na konec. Oba modely si líp pamatují obsah ze začátku a konce kontextu. Pokud zadáváte instrukce, dejte je úplně na začátek a ty nejdůležitější zopakujte na konci, těsně před otázkou.

2. Vyžadujte explicitní vyhledávání. Místo „Co smlouva říká o ukončení?“ zkuste: „Projdi celý dokument a vypiš každou zmínku o ukončení, předčasném ukončení nebo zániku smlouvy včetně čísel článků, kde se objevuje.“

3. Žádejte strukturovaný výstup. Chtějte odpověď v konkrétním formátu — odrážky s odkazy na články, tabulku porovnávající jednotlivá ustanovení nebo číslovaný seznam. Donutí to model být systematičtější.

4. Složité otázky rozdělte na kroky. Místo zadání všeho najednou nechte model nejdřív označit relevantní pasáže a teprve pak se ptejte na analýzu konkrétních sekcí.

Tady je šablona promptu, která se na analýzu dokumentů osvědčila:

Pokud takové prompty používáte opakovaně pro různé dokumenty — měníte typy dokumentů, úkoly i otázky — pomůže vám správce promptů jako PromptNest. Šablonu si jednou uložíte s proměnnými typu {{document_type}} a {{specific_task}} a při dalším použití jen doplníte mezery. Rychlejší než pokaždé psát znovu — a nezapomenete na strukturu, která funguje.

Na zpracování a analýzu dlouhých dokumentů má Claude jasné výhody: větší kontextové okno ve standardním placeném plánu (200K oproti 32K u ChatGPT Plus), prokazatelně lepší paměť v benchmarcích a silnější výkon na praktických úkolech typu revize smluv nebo analýzy kódu.

Rozdíl je obzvlášť výrazný, když srovnáte placené plány. 200K tokenů u Claude Pro proti 32K u ChatGPT Plus je šestinásobek praktické kapacity. Aby ChatGPT Claudovi standardní nabídku dorovnal, museli byste sáhnout po Enterprise verzi.

ChatGPT má samozřejmě svoje silné stránky. Ekosystém je dospělejší — vlastní GPT, pluginy, prohlížení webu, generování obrázků i hlas spolu hladce zapadají. Pokud váš workflow stojí na kratších dokumentech v kombinaci s webovou rešerší nebo multimodálními úlohami, ChatGPT pořád může být lepší volba.

Praktické shrnutí: pokud je práce s dlouhými dokumenty pravidelnou součástí vaší práce — právní revize, syntéza rešerší, analýza kódu, příprava směrnic — Claude pravděpodobně stojí za zkoušku. Výhoda většího kontextového okna je reálná a na kvalitě výstupu je ji znát.

Až najdete prompty, které vám na analýzu dokumentů sednou, nenechte je zmizet v historii chatu. Ať zůstanete u jednoho nástroje, nebo budete používat oba, držet si nejlepší prompty pohromadě a po ruce vám ušetří čas u každého dalšího projektu. PromptNest je nativní mac aplikace, jednorázově $19.99 na Mac App Store — žádné předplatné, žádný účet, běží lokálně. Vašim promptům dá stálý domov — uspořádané podle projektů, prohledatelné a dostupné klávesovou zkratkou z jakékoli aplikace.