Claude Opus 5 im Vergleich: Besser als Fable 5, GPT‑5.6 Sol, Kimi K3 und Sonnet 5?

Veröffentlicht am 25. Juli 2026 · Stand: 25. Juli 2026. Claude Opus 5 ist erst seit dem 24. Juli verfügbar. Entsprechend dünn ist die unabhängige Datenlage noch. Dieser Vergleich trennt deshalb Herstellerangaben von externen Tests und nennt bei jedem wichtigen Ergebnis Denkstufe, Agent und Testaufbau.

Die kurze Antwort: Claude Opus 5 ist derzeit eine der interessantesten Optionen für anspruchsvolle Wissensarbeit, Coding und lange agentische Aufgaben. Im unabhängigen Intelligence Index von Artificial Analysis liegt es mit maximaler Denkstufe knapp vorn und praktisch gleichauf mit Claude Fable 5. In Tests für realistische Büro- und Wissensarbeit setzt es sich deutlicher ab. Das macht Opus 5 aber nicht automatisch zum besten Modell für jeden Zweck: GPT‑5.6 Sol bleibt bei Terminal-Aufgaben und wissenschaftlichem Denken stark, Kimi K3 bietet viel Leistung zu niedrigeren Tokenpreisen, Sonnet 5 ist für viele Alltagsaufgaben wirtschaftlicher und Fable 5 behält Vorteile bei besonders schwierigen Langläufern und Faktenwissen.

Für Unternehmen ist genau diese Differenzierung wichtiger als ein Siegerpokal. Wer KI in Recherche, Dokumentation, Softwareentwicklung oder Automatisierung einsetzt, kauft kein abstraktes Benchmark-Ergebnis. Entscheidend sind Ergebnisqualität, Laufzeit, Gesamtkosten, Datenschutz, Integrationsaufwand und die Frage, wie viel menschliche Kontrolle ein Prozess braucht.

Was ist Claude Opus 5?

Claude Opus 5 ist Anthropics neues Premium-Arbeitsmodell unterhalb der Fable-Klasse. Es folgt auf Opus 4.8 und richtet sich an komplexes Coding, Computersteuerung und professionelle Wissensarbeit. Anthropic bietet es in Claude, Claude Code und über die API unter der festen Modell-ID claude-opus-5 an.

Neu ist vor allem die große Spannweite der fünf Denkstufen. Bei GDPval-AA v2 lagen zwischen low und max 407 Elo-Punkte; der Output unterschied sich ungefähr um den Faktor acht. Ein Modellname ohne Effort-Stufe ist deshalb nur die halbe Information. Anthropics Bestwerte bei Frontier-Bench, CursorBench, ARC-AGI 3, AutomationBench und OSWorld 2.0 bleiben zudem Hersteller- oder Partnerangaben, bis mehrere unabhängige Replikationen vorliegen.

Die wichtigsten Benchmarkergebnisse – sauber getrennt

Artificial Analysis und Vals haben Opus 5 extern geprüft. Die Tabelle nennt nicht nur den Score, sondern auch Denkstufe und Agenten- beziehungsweise Laufzeitumgebung. Genau dort entstehen sonst irreführende Vergleiche.

Am aussagekräftigsten für Unternehmen ist AA-Briefcase: Statt Multiple Choice verarbeitet der Agent Tausende Eingabedateien und erstellt verwertbare Berichte, Tabellen oder Präsentationen. Opus 5 führte bei Aufgabenerfüllung und analytischer Qualität. Bei der Präsentationsqualität lag GPT‑5.6 Sol max mit 1.666 Elo vor Opus 5 max mit 1.628 Elo. Schon innerhalb eines Benchmarks wechselt also der Sieger je nach Qualitätskriterium.

Der Vals-Wert von 97 Prozent in SWE-bench Verified sieht spektakulär aus, sollte aber nicht übergewichtet werden: Die Spitzengruppe liegt eng beieinander, die Unsicherheitsbereiche überlappen sich und der Benchmark gilt inzwischen als stark gesättigt. Aussagekräftiger für den eigenen Betrieb ist ein identisches Repository- und Agenten-Setup mit echten Fehlern aus dem eigenen Alltag.

Auch der Preisvergleich hat zwei Ebenen. Pro Token kostet Opus 5 exakt halb so viel wie Fable 5. Im Intelligence Index kostete eine Opus-Aufgabe mit max im Mittel 2,03 US-Dollar gegenüber 2,75 US-Dollar für Fable mit möglichem Opus-4.8-Fallback – 26 Prozent weniger, nicht 50 Prozent. In AA-Briefcase übertraf Opus 5 high Fable knapp und kostete 10,41 statt 22,30 US-Dollar. Dafür brauchten hohe Opus-Stufen 26 bis 36 Minuten pro Aufgabe.

Sechs Modelle im direkten Vergleich

Preise und Kontextfenster im Überblick

Die Tabelle enthält keine Steuern, Regionalaufschläge, Werkzeuge oder Agenten-Infrastruktur. Für die Kalkulation zählt ohnehin der Preis pro akzeptiertem Ergebnis. Ein Modell mit günstigem Tokenpreis kann durch lange Denkphasen, umfangreiche Ausgabe und Korrekturschleifen am Ende teurer sein.

Auch das Kontextfenster ist keine Qualitätsgarantie. Eine Million Tokens bedeutet zunächst nur, dass sehr viel Text in eine Anfrage passt. Ob das Modell eine relevante Information in diesem Umfang zuverlässig findet, Zusammenhänge über viele Dokumente hält und dabei wirtschaftlich bleibt, ist eine andere Frage. Für die meisten KMU-Prozesse ist eine gute Dokumentauswahl mit sauberer Suche sinnvoller, als jedes verfügbare Dokument ungefiltert in den Kontext zu laden.

Was ändert sich gegenüber Opus 4.8 in der Praxis?

Ein Upgrade ist deshalb kein reiner Modellschalter. Wer produktiv migriert, sollte Qualität, Latenz, Input, Output, Kosten, Werkzeugaufrufe und menschliche Nacharbeit je erfolgreicher Aufgabe messen. Besonders bei regulierten oder reproduzierbaren Abläufen gehört die tatsächlich verwendete Modellversion ins Protokoll.

Welches Modell eignet sich wofür?

Unsere Empfehlung für Unternehmen lautet daher nicht „ein Modell für alles“, sondern eine kleine, kontrollierte Modellstrategie. Ein schnelleres und günstigeres Modell übernimmt häufige Standardfälle. Ein stärkeres Modell wird nur zugeschaltet, wenn Komplexität, Risiko oder erwarteter Wert es rechtfertigen. Für besonders wichtige Ergebnisse folgt eine menschliche Freigabe. In einer Automatisierung lässt sich diese Staffelung beispielsweise über klare Regeln und Qualitätsprüfungen abbilden.

Das passt auch zur digitalen Souveränität: Nicht der Name des Modells entscheidet, sondern der beherrschbare Gesamtprozess. Vor einem produktiven Einsatz gehören Datenarten, Anbieterrolle, Speicherfristen, Region, Unterauftragnehmer, Zugriffsrechte und Löschwege auf den Tisch. Kundendaten oder vertrauliche Dokumente sollten nicht allein wegen eines guten Benchmarks ungeprüft an eine externe API gesendet werden.

Grenzen von Benchmarkvergleichen

Erstens messen Benchmarks immer ein System, nicht nur ein nacktes Modell. Opus 5 wurde beim Coding mit Claude Code, bei Wissensarbeit mit dem offenen Stirrup-Agenten und in einigen Tests mit Opus 4.8 als Sicherheits-Fallback ausgeführt. GPT‑5.6 Sol läuft in einer anderen Agenten- und Werkzeugumgebung. Ein besserer Wert kann daher aus Modell, Prompt, Denkstufe, Agent, Werkzeugen oder deren Zusammenspiel entstehen.

Zweitens stammen viele Werte zum Veröffentlichungszeitpunkt vom Hersteller oder aus Tests, die gemeinsam mit dem Hersteller vor dem Start durchgeführt wurden. Artificial Analysis arbeitet unabhängig und veröffentlicht seine Methodik, hat Anthropic bei der Vorab-Evaluation aber unterstützt. Das ist belastbarer als eine reine Marketinggrafik, ersetzt jedoch keine breite Replikation durch mehrere unabhängige Labore.

Drittens sind Modellversionen, Fallbacks und Denkbudgets bewegliche Ziele. Ein Dienst kann Anfragen auf ein anderes Modell umleiten, Sicherheitsfilter verändern oder ein Modell hinter derselben Bezeichnung aktualisieren. Gerade bei Fable 5 beeinflusst der mögliche Opus-4.8-Fallback, was tatsächlich getestet wird.

Viertens bleiben Halluzinationen ein praktisches Risiko. Opus 5 führt mehrere anspruchsvolle Ranglisten an und zeigte im Faktenwissen-Test dennoch eine Halluzinationsquote von 50 Prozent. Ein starkes Modell kann sehr überzeugend falsch liegen. Quellen, Rechenwege und wichtige Entscheidungen müssen weiterhin überprüft werden.

Der beste Test ist deshalb ein kleines eigenes Prüfset aus echten, anonymisierten Aufgaben: typische Dokumente, gewünschte Ausgabe, klare Bewertungskriterien und mindestens mehrere Wiederholungen. Gemessen werden sollten nicht nur Trefferquote, sondern auch Nacharbeit, Laufzeit, Tokenverbrauch, Fehlerrisiko und die Qualität der Quellen.

Fazit: Opus 5 ist der neue Allround-Favorit – mit Vorbehalten

Claude Opus 5 erreicht tatsächlich nahezu Fable-5-Leistung zum halben Tokenpreis und übernimmt in mehreren agentischen Benchmarks die Führung. Besonders bei komplexer Wissensarbeit ist der Vorsprung derzeit überzeugend. Die sinnvollste Einstellung dürfte für viele Unternehmen high oder xhigh sein, weil max viel Zeit und zusätzliche Tokens verbraucht.

Eine allgemeine Krone bekommt Opus 5 trotzdem nicht. GPT‑5.6 Sol bleibt bei Terminal-Arbeit, Wissenschaft und präsentationsreifen Ergebnissen stark. Kimi K3 bietet hohe Leistung zu niedrigeren Listenpreisen, verlangt aber eine genaue Prüfung von Latenz, realem Tokenverbrauch und Datenwegen. Sonnet 5 ist für häufige Alltagsaufgaben oft wirtschaftlicher. Fable 5 lohnt sich vor allem dort, wo sein letzter Qualitätsvorsprung bei extrem schwierigen Langläufern den doppelten Tokenpreis rechtfertigt.

Praktisch heißt das: Opus 5 auf die Auswahlliste setzen, aber nicht anhand der Rangliste einkaufen. Zwei oder drei passende Modelle mit eigenen Aufgaben testen, den gesamten Prozess kalkulieren und sensible Datenflüsse bewusst gestalten. Das ist weniger spektakulär als „bestes KI-Modell der Welt“ – und deutlich näher an einer tragfähigen Digitalisierung.