Claude Opus 5 im Test: nahezu Spitzenniveau beim Programmieren für die Hälfte des Preises

Was Claude Opus 5 tatsächlich ist

Opus 5 ist Anthropics neues Arbeitspferd. Das Flaggschiff bleibt Fable 5. Opus 5 ist aber das Modell, zu dem Anthropic zuerst greifen lässt: Die Doku empfiehlt, für komplexe agentische Programmierung und Unternehmensarbeit zunächst mit Claude Opus 5 zu starten und erst dann höher zu gehen, wenn man das Leistungsdach wirklich braucht. Bei Claude Max ist es bereits der neue Standard. Bei Claude Pro ist es laut Anthropic das stärkste verfügbare Modell.

Der Launch-Post formuliert es so: Es "kommt der Spitzenintelligenz von Claude Fable 5 zum halben Preis nahe". Das liest sich zunächst wie eine Positionierungsaussage. Ungewöhnlich ist, dass die unabhängigen Daten das für einmal größtenteils bestätigen.

Das Tempo hier verdient Beachtung, besonders wenn man diese Modellfamilie zuletzt vor ein paar Releases angesehen hat. Meine Opus-4.5-Rezension ist erst wenige Monate alt und liest sich schon wie eine ganz andere Modellklasse. Opus 4.6 lag irgendwo dazwischen.

Kurz zu den Eckdaten: Die Modell-ID lautet claude-opus-5. Kontextfenster: 1M Tokens, mit 128k maximaler Ausgabe, laut Modellübersicht. Der Wissensstand liegt bei Mai 2026, später als bei Fable 5 und Sonnet 5. Batch-Anfragen können die Ausgabe mit einem Beta-Header auf 300k Tokens erweitern. Es gibt auch keinen Long-Context-Aufpreis: Laut Preisdokumentation wird eine 900k-Token-Anfrage zum selben Preis pro Token abgerechnet wie eine mit 9k.

Seit drei Jahren baue ich bei eesel KI-Agenten, die auf echten Support-Warteschlangen anderer Unternehmen laufen. Deshalb lese ich Modell-Launches immer mit einer Frage im Kopf: Ändert das, was ich einem Kunden gefahrlos vorsetzen kann? Diese Rezension schaut zuerst auf die Coding-Erfolge. Dann auf die zwei Zahlen, die darüber entscheiden, ob ein Modell überhaupt in die Nähe eines Live-Gesprächs gehört.

Das Benchmark-Bild: echte Erfolge, dünner als die Schlagzeile

Beginnen wir mit der Zahl, mit der Anthropic vorangeht. Frontier-Bench v0.1 ist der Nachfolger von Terminal-Bench, gebaut vom selben Team, und Opus 5 erreichte bei xhigh-Effort einen mittleren Reward von 44,4%. Opus 4.8 schaffte laut System Card 18,7%. Fable 5 lag bei 33,7%, GPT-5.6 Sol bei 37,5%. Kein inkrementeller Sprung, dieser hier.

Wichtiger als der Spitzenwert ist die Form des Charts. Opus 5s Linie liegt oberhalb und links von allem anderen. Genau das ist die gewünschte Position, mehr Score für weniger Geld. Fable 5s gesamte Kurve liegt rechts davon, mit zwei- bis dreifachen Kosten pro Versuch für eine niedrigere Obergrenze.

Die Übersichtstabelle unten stammt direkt aus der System Card, unverändert übernommen.

Liest man die Zeilen einzeln, verbirgt der Durchschnitt zu viel. Opus 5 verliert SWE-bench Pro gegen Fable 5 und DeepSWE gegen GPT-5.6 Sol, und es verliert auch ARC-AGI-2, um zwei Punkte. Wo es aber gewinnt, gewinnt es deutlich: SWE-bench Multimodal springt gegenüber Opus 4.8 um 21 Punkte. ARC-AGI-3 steigt von 1,5 auf 30,2, was die System Card als etwa das Vierfache des zuvor besten gemeldeten Werts bezeichnet.

Auch eine echte Höchstpunktzahl steckt hier drin. Bei der Internationalen Mathematik-Olympiade 2026, ausgetragen am 15. und 16. Juli, erzielte Opus 5 die perfekte Punktzahl 42 von 42, ganz ohne Agenten-Harness und ohne Tools. Die Goldmedaillen-Grenze lag laut System Card bei 29.

Wer die direkten Vergleiche verfolgt: Dieser hier mischt sie neu. Mein Gemini-3-Pro-Vergleich braucht jetzt eine neue Baseline, ebenso der Artikel zu Codex gegen Opus 4.6.

Was die unabhängigen Zahlen sagen

Artificial Analysis platziert Opus 5 bei 61 auf seinem Intelligence Index. Platz eins von 190 Modellen, gegenüber einem Klassenmedian von 32. Platz eins ist real, sicher, aber es ist auch nur ein Ein-Punkte-Vorsprung: Fable 5 liegt laut AAs Analyse bei 60, GPT-5.6 Sol bei 59, Opus 4.8 folgt mit 56. AAs eigene Formulierung dafür ist "knapp" das intelligenteste Modell.

Die großen Vorsprünge liegen in etwas Konkreterem als "Intelligenz". Bei GDPval-AA v2, einem Satz von 220 realen beruflichen Aufgaben, belegt Opus 5 laut System Card die ersten beiden Plätze mit 1861 und 1827 Elo, 114 Punkte vor Fable 5. Bei AA-Briefcase, langfristiger Wissensarbeit über mehrwöchige Projekte, belegt es direkt die ersten drei Plätze. Das sind die Ergebnisse, die den Launch tatsächlich rechtfertigen. Es geht darum, eine lange, unordentliche Arbeit durchzuhalten, eine andere Fähigkeit als das Beantworten einer einzelnen schweren Frage.

Ein Vorbehalt, den fast keine Berichterstattung erwähnt: Anthropic führte seine eigenen Frontier-Bench-Zahlen laut System Card mit Opus 4.8 als Fallback für Ablehnungen durch den Safety-Classifier durch, und dieser Fallback griff bei 5% der API-Aufrufe. Artificial Analysis führte seinen Index genauso durch. Ein kleiner Teil jeder "Opus-5"-Punktzahl wurde also tatsächlich von Opus 4.8 erzeugt.

Es ist zuerst ein Agentenmodell, dann ein Coding-Modell

Was mich am meisten überrascht hat, steht auf keiner Coding-Rangliste. Es ist Zapiers AutomationBench, das einen Agenten in ein simuliertes Unternehmen mit Dutzenden REST-Endpunkten über 47 Apps hinweg setzt und dann bewertet, ob er einen echten Geschäftsworkflow abschließt. Opus 5 erzielte laut System Card 26,0%, gegenüber 17,0 für Opus 4.8, 17,4 für Fable 5 und ebenfalls 18,1 für GPT-5.6 Sol.

Schau, wo die orangefarbene Linie beginnt: Opus 5s günstigste Einstellung übertrifft bereits die beste Einstellung jedes anderen Modells, bei etwa $0,75 pro Aufgabe. Anthropic berichtet bei mittlerem Effort 24% für $0,89 pro Aufgabe und sagt, es übertreffe sowohl Opus 4.8 als auch Fable 5 bei weniger als halben Kosten. Das ist die eigentliche Geschichte dieses Releases: kein schlauerer Chatbot, ein billigerer Agent.

Das dahinterliegende Verhalten zeigt sich in den Anekdoten. Bei einer Frontier-Bench-Aufgabe erhielt Opus 5 die Zeichnung eines Maschinenteils und sollte es in FreeCAD nachbauen, dazu wurde ihm laut Launch-Post absichtlich jede Möglichkeit genommen, die Zeichnung überhaupt zu sehen. Es schrieb eine eigene Computer-Vision-Pipeline, um die Geometrie aus den rohen Pixeln herauszulesen, und kein konkurrierendes Modell löste die Aufgabe in fünf Versuchen. JetBrains beschrieb die Veränderung als Urteilsvermögen: Das Modell erkennt eigene logische Fehler bereits während der Planung, statt erst im Nachhinein.

Auch Early-Access-Zahlen stützen das Muster. Box maß eine Gesamtverbesserung von 8% gegenüber Opus 4.8, bei Due-Diligence-Workflows stieg sie auf 17%. Lovable verzeichnete bei seinen schwierigsten agentischen Coding-Aufgaben ein Plus von 22% gegenüber Opus 4.7, bei deutlich geringerer Schwankung zwischen den Durchläufen. Eine Trading-Firma berichtete laut Launch-Post, dasselbe Ergebnis mit etwa einem Siebtel der Reasoning-Tokens erreicht zu haben.

Effizienzunterschiede dieser Art zählen mehr als rohe Scores, sobald ein Modell echte Arbeit unbeaufsichtigt erledigt. Es ist derselbe Wandel, den ich in meinem Beitrag zu agentischen Coding-CLIs beschrieben habe, und auch in der breiteren KI-Agenten-Übersicht: Die interessante Frage lautet nicht mehr "kann es antworten", sondern "kann es zu Ende bringen".

Die zwei Zahlen, die einen stutzig machen sollten

Das ist der Abschnitt, den ich zuerst lesen wollen würde, also verstecke ich ihn nicht.

Es halluziniert mehr als das Modell, das es ersetzt

Bei AA-Omniscience, einem Closed-Book-Faktenbenchmark, verbesserte Opus 5 laut Artificial Analysis die Genauigkeit gegenüber Opus 4.8 um 7 Punkte, und die Halluzinationsrate stieg ebenfalls um 14 Punkte, auf 50%. Anthropics eigene System Card hält denselben Trade-off in eigenen Worten fest: Die Genauigkeit liegt 11% höher als bei Opus 4.8, die Halluzinationsrate aber auch 6% höher.

Das ist eigentlich kein Widerspruch. Das Modell antwortet einfach häufiger, wenn es unsicher ist. Bei einer Coding-Aufgabe mit Tests ist Raten billig: Der Test schlägt fehl, die Schleife läuft weiter. Bei der Rückerstattungsfrage eines Kunden ist eine selbstbewusste Vermutung der gesamte Fehlerfall, und genau dieser Einwand kommt in fast jedem Evaluierungsgespräch, an dem ich teilnehme.

"The AI will never be able to answer 100% of the questions. I need an AI who is only handling the tickets that it's confident to handle and all the other ones, leave them alone."

Das sagt eine CX-Verantwortliche einer DTC-Nahrungsergänzungsmarke, und der Satz fasst die These der gesamten Kategorie zusammen. Rohe Intelligenz allein löst das nicht, Confidence-Gating schon, weshalb Halluzinationen im Support verhindern ein Produktproblem ist, kein Modellproblem.

Es ist langsam, und langsam an der schlimmsten Stelle

Artificial Analysis maß Opus 5 mit 52,6 Ausgabetokens pro Sekunde, Platz 117 von 190, gegenüber einem Klassenmedian von 76. Für Hintergrundarbeit in Ordnung. Was es für Echtzeitanwendungen wirklich disqualifiziert, ist die Zeit bis zum ersten Token: 68,04 Sekunden bei maximalem Effort, gegenüber einem Klassenmedian von 2,81. Das ist etwa 24-mal langsamer, bevor überhaupt ein einziges Zeichen erscheint.

Ein niedrigerer Effort-Level hilft kaum: 52,8 Tokens pro Sekunde bei xhigh, 56,8 bei high, laut Artificial Analysis. Der Fast-Modus bringt etwa die 2,5-fache Geschwindigkeit, für das Doppelte des Grundpreises. AAs eigenes Fazit ist direkter, als ich es selbst formulieren würde: Opus 5 ist "auffällig langsam und sehr geschwätzig".

Es gibt noch eine dritte Zahl, die man kennen sollte, bevor man effort: "max" einstellt und die Sache vergisst. Bei AA-Briefcase dauerte maximaler Effort im Schnitt 36,2 Minuten und 103 Turns pro Aufgabe, laut Artificial Analysis, gegenüber 24,1 Minuten und 55 Turns bei Opus 4.8. Bei den Kosten pro Index-Aufgabe liegt Opus 5 bei maximalem Effort laut AAs Analyse bei $2,03, gegenüber $1,80 bei Opus 4.8 und $1,53 bei Sonnet 5. Das ist 26% günstiger als Fable 5, aber teurer als sein eigener Vorgänger.

Die Lösung ist einfach: max nicht als Standard verwenden. Der beste Wertpunkt im gesamten Datensatz ist Opus 5 bei hohem Effort, das laut Artificial Analysis Fable 5 um 32 Elo bei $10,41 pro Aufgabe übertrifft, weniger als die Hälfte von Fable 5s $22,30. Anthropic hat sogar seine eigene Empfehlung umgekehrt und rät laut Release Notes jetzt, mit high statt xhigh zu starten.

Was die Leute sagen, die damit gearbeitet haben

Die Launch-Woche auf X spaltete sich auf eine Art, die ich so noch nicht gesehen hatte. Die Debatte drehte sich nicht darum, ob Opus 5 gut ist, die meisten halten es für das beste verfügbare Modell. Die Debatte war, dass es das beste verfügbare Modell und unangenehm in der Zusammenarbeit ist.

Die schärfste Formulierung kam von jemandem, der es auf Platz eins setzte:

"BIG NEWS: Opus 5 is here...and I hate working with it. And yet in a blind taste test, I ranked it above every other model (even Fable and my beloved GPT-5.6)"

claire vo, X

Der blinde Teil macht es aussagekräftig. Modelle zu bewerten, ohne zu wissen, welches welches ist, entfernt Markentreue, weshalb "ich hasse es" rein über die Ergonomie spricht, nicht über die Fähigkeiten. Dan Shipper von Every verbrachte vor dem Release eine Woche mit Tests, quer über Coding und Schreiben sowie den eigenen internen Agenten, und kam zum selben Schluss: "es ist ein Modell, das man schwer lieben kann." Es "widersprach Anweisungen, stoppte, bevor die Arbeit fertig war", und passte nicht gut zu ihren bestehenden Skills und Plugins.

Die operativ nützlichste Beschwerde kommt mit einer gleich mitgelieferten Lösung:

"Opus 5 is out now! And it broke Compound Engineering, but I also like it. Love it and hate it. I have been coding with it without many skills and it's nice at a medium effort level. Just remember to let go of you skills and big mega prompts."

Kieran Klaassen, X

Er beschreibt einen konkreten Fehlerfall: In einem autonomen Ablauf gab das Modell die Kontrolle immer wieder an den Menschen zurück. Anthropics eigener Prompting-Leitfaden sagt aus der anderen Richtung ungefähr dasselbe: Er rät Entwicklern, Anweisungen wie "füge einen abschließenden Verifikationsschritt ein" zu streichen, weil Opus 5 nun von sich aus überprüft. Scaffolding, das für Opus 4.8 gebaut wurde, arbeitet jetzt gegen einen.

Es gibt eine klare mechanische Erklärung, und sie kommt von der Benchmark-Seite:

"Claude Opus 5 averages 103, 91, and 76 turns per task across its top three effort levels, compared to 55 for Opus 4.8 (max)"

Artificial Analysis, X

Etwa die doppelte Agentenschleife. Diese eine Zahl erklärt "neurotisch", "widersprach Anweisungen" und auch "gab die Kontrolle ständig zurück" gleichzeitig. Es ist dasselbe Verhalten, nur von außen betrachtet.

Die einzige harte Drittanbieter-Messung im ganzen Launch-Week-Lärm kam von CodeRabbit, die Opus 5 durch ihren produktiven Code-Review-Benchmark laufen ließen. Die Präzision stieg von 35,2% auf 39,3%. Der Recall sank, von 61,1% auf 55,2%, dazu viermal so viele Kleinigkeiten. Ihr Fazit lautete "ein Präzisionsspezialist, der gut mit einem Recall-Modell harmoniert", und da sie selbst Code-Review verkaufen, sollte man die Ensemble-Empfehlung mit diesem Hintergedanken lesen. Der Trade-off selbst passt zu allem anderen hier: sorgfältiger und gründlicher, und auch geschwätziger.

Sinkender Recall bei steigender Präzision ist der Befund, über den man am längsten nachdenken sollte, wenn ein Modell der eigene Reviewer ist. Das verändert, wofür ein KI-Code-Review-Durchgang eigentlich da ist, und es lohnt sich, die eigenen Zahlen neu zu berechnen, bevor man von einem klaren Upgrade ausgeht.

Dieselbe Vorsicht gilt in Editoren wie Cursor. Sie gilt auch für Windsurf und innerhalb von Claude Cowork ebenso.

Die Effort-Einstellung ist die ganze Debatte

Der Hacker-News-Launch-Thread wuchs auf 1.315 Kommentare an und enthält einen scheinbaren Widerspruch. Die eine Hälfte des Threads sagt, Opus 5 sei bemerkenswert günstig im Betrieb, die andere Hälfte sagt, es fresse ihr Fünf-Stunden-Limit auf. Beides stimmt. Die Variable ist die Effort-Einstellung.

"It overthinks quite a bit above medium effort, try using that."

cbg0, Hacker News

"The chart shows max effort, used mostly by price-insensitive enterprise users. At medium effort it drops to almost half K3's cost, and is probably sufficient for 95% of coding tasks."

ricardobeat, Hacker News

Dann fand der Thread etwas Besseres als Beschwerden. Beim Lesen der System Card fielen mehreren Leuten auf, dass Opus 5s Coding-Score oberhalb von mittlerem Effort tatsächlich sinkt, was wie ein Bug aussieht, oder schlimmer:

"Page 151 of the linked system card - did Opus 5 get nerfed to prevent it being better than Fable? The graph makes no sense. Huge decline in coding performance at effort levels higher than medium."

bottlepalm, Hacker News

Die System Card beantwortet das klar, und die wahre Antwort ist interessanter als eine Abschwächung. Beide FrontierCode-Bestwerte fallen bei mittlerem Effort an, und Anthropic erklärt, dass Opus 5 bei höherem Effort "mehr Änderungen vornimmt, als die Aufgabe erfordert", was der Bewerter dann als außerhalb des Umfangs abstraft. Eine kurze Anweisung, im Rahmen zu bleiben, "stellte die Leistung bei den meisten dieser Aufgaben wieder her". Das Modell wird bei maximalem Effort also überhaupt nicht dümmer. Es wird ehrgeiziger, und Ehrgeiz ist ein Bug, wenn die Aufgabe klein war.

Das ist wahrscheinlich das umsetzbarste Detail dieser gesamten Rezension: Effort zu erhöhen ist kein Gratis-Upgrade und kann bei eng umrissener Arbeit sowohl Geld als auch Score kosten.

Bemerkenswert auch, dass dasselbe Verhalten für ein anderes Publikum als Feature gilt. Beim Rollout von Opus 5 über Copilot lobte GitHubs Ankündigung es dafür, "die eigene Arbeit zu validieren und unnötigen Ausführungs-Overhead bei komplexen Aufgaben zu reduzieren". Derselbe Selbstprüfungs-Loop, unterschiedliche Lesart: Das eine Team nennt es gründlich, das andere neurotisch. Was man davon bekommt, hängt vollständig davon ab, ob ein Mensch auf das Ergebnis wartet.

Die Preise im Detail

Auf Token-Ebene hat sich nichts geändert, was daran ehrlich gesagt am interessantesten ist. Die Opus-Linie hält laut Preisdokumentation seit Opus 4.5 bei $5 und $25, ein Rückgang um das Dreifache gegenüber Opus 4.1s $15 und $75.

Vier Dinge verändern die Rechnung, still und leise:

• Sonnet 5s $2 und $10 sind nur eine Einführungsphase und kehren laut Preisdokumentation am 1. September 2026 zu $3 und $15 zurück. Wer Sonnet heute gegen Opus budgetiert, vergleicht mit einem Preis, der in etwa fünf Wochen ausläuft.
• Der Tokenizer hat sich geändert. Modelle ab 4.7 können laut Migrationsleitfaden für denselben Text bis zu 35% mehr Tokens verwenden. Ein flacher Token-für-Token-Vergleich mit einem Modell der 4.6-Ära unterschätzt die tatsächlichen Kosten.
• Die Cache-Untergrenze sank auf 512 Tokens, die niedrigste in der Produktpalette, achtmal niedriger als bei Opus 4.5. Kurze Systemprompts, die vorher nie gecacht werden konnten, können es jetzt. Prompts unterhalb der Grenze werden trotzdem verarbeitet, nur ohne Fehler und ohne Caching.
• Reine US-Inferenz kostet das 1,1-Fache über alle Token-Kategorien hinweg, was für Opus 5 $5,50 und $27,50 ergibt.

Auf der Consumer-Seite kostet Pro $20 im Monat (oder $17 bei jährlicher Abrechnung). Max kostet $100 oder $200, und Team-Sitze liegen ebenfalls bei $25 oder $125. Nutzungslimits sind sitzungsbasiert, in einem rollierenden Fünf-Stunden-Fenster statt einer Nachrichtenzählung, und Web, Desktop, Mobile sowie Claude Code greifen alle auf denselben Pool zu.

Die vollständigen Zahlen finden sich in meiner Claude-Code-Preisaufschlüsselung, und wer entscheidet, welches Modell für welche Aufgabe eingesetzt wird, findet im Leitfaden zur Modellauswahl und den Notizen zum Kontextfenster die praktischen Begleitstücke zu diesem Abschnitt.

Was bei der Migration bricht

Anthropic bezeichnet Opus 5 als Drop-in für Opus 4.8, und meistens stimmt das auch. Zwei Dinge brechen wirklich:

1. Adaptives Denken ist standardmäßig aktiv. Überprüfe dein max_tokens, denn Thinking-Tokens werden jetzt davon abgezogen, auch bei Anfragen, die vorher gar keine hatten.
2. Das Deaktivieren von Thinking ist eingeschränkt. thinking: {"type": "disabled"} liefert laut Release Notes bei xhigh- oder max-Effort einen 400-Fehler, pro Anfrage durchgesetzt. Opus 4.8 akzeptierte diese Kombination noch.

Auch zwei Features sind komplett verschwunden, statt sich nur zu ändern: Web Fetch ist laut Migrationsleitfaden bei Opus 5 nicht verfügbar, ebenso wenig Priority Tier, das Opus 4.8 noch behält. Wer eine Kapazitätsverpflichtung hat, sollte das einplanen, bevor der Traffic umgeschaltet wird.

Wer von Opus 4.6 oder früher kommt, sieht eine längere Liste. Sampling-Parameter wie temperature und top_p liefern laut Migrationsleitfaden bei jedem Nicht-Standardwert einen 400-Fehler, und die SDK-Typen akzeptieren sie weiterhin, sodass der Code beim Type-Check durchgeht und die API ihn trotzdem ablehnt. Assistant-Prefill ist ebenfalls verschwunden. Thinking-Inhalte werden standardmäßig ausgelassen, was bei allem, was Reasoning live an einen Nutzer streamt, wie eine lange Stille wirkt, bevor überhaupt eine Ausgabe erscheint.

Auf der Zugewinnseite kamen mit dem Modell zwei Betas: Werkzeugwechsel mitten im Gespräch, die verfügbare Tools tauschen, ohne den Prompt-Cache ungültig zu machen, und automatische serverseitige Fallbacks. Wer mehrstufige Agenten baut, für den ist ersteres still, aber bedeutend.

Es verändert auch, wie Agenten zusammengesetzt werden. Tools mitten im Lauf zu tauschen, ohne den Cache zu verfehlen, macht das Subagenten-Muster günstiger. Es steht neben Claude Skills und ebenso neben MCP-Tools, ohne beides zu ersetzen.

Meine Analyse Skills gegen Subagenten behandelt, wann welches der richtige Container ist. Wer auf einem Cloud-Anbieter statt der First-Party-API läuft, sollte beachten, dass der Fast-Modus nur bei First-Party verfügbar ist, was meine Notizen zu Bedrock und Claude Code genauer behandeln.

Sicherheit, und der Fallback, den niemand erwähnt

Anthropics Audit vor der Veröffentlichung nennt Opus 5 sein bisher am besten ausgerichtetes Modell, mit einem Score von 2,3 bei allgemeinem fehlausgerichtetem Verhalten, dem niedrigsten unter seinen aktuellen Modellen. Es läuft unter ASL-3-Schutzmaßnahmen, demselben Level wie Opus 4.8.

Das Ergebnis, das mich am meisten interessiert, ist die Resistenz gegen Prompt Injection, denn genau das bricht Agenten, die mit echten Kundendaten verbunden sind. Die Erfolgsrate von Angreifern bei der indirekten Prompt-Injection-Bewertung fiel von 5,5% auf 2,0%, das beste unter allen getesteten Modellen und deutlich vor GPT-5.6 Sols 20,0%. Die Erfolgsrate bei Browser-Nutzungsangriffen fiel von 31,5% auf 3,70%, und dann bei aktiviertem Auto-Modus komplett auf 0% über 129 Szenarien. Für alle, die einem Agenten Tool-Zugriff geben, zählt das mehr als jeder Coding-Score.

Der Teil, der oft übergangen wird: Opus 5 beantwortet nicht immer die Anfrage.

In Claude.ai und Claude Code, sowie in Claude Cowork, fallen Anfragen, die von den Cyber-Klassifikatoren markiert werden, laut Launch-Post standardmäßig auf Opus 4.8 zurück, dasselbe Verhalten steht auch über die API zur Verfügung. Kein Fehler, kein offensichtliches Signal, einfach ein anderes Modell antwortet still. Laut Anthropic erwartet man, dass diese Klassifikatoren rund 85% seltener eingreifen als bei Fable 5, eine echte Verbesserung, aber wer benchmarkt oder debuggt, sollte wissen, dass ein Teil des eigenen Traffics vielleicht nicht das erwartete Modell ist.

Wo Opus 5 bewusst zurückgehalten wird: Es bleibt laut Launch-Post sowohl bei Cybersicherheit als auch bei Biologieforschung hinter Mythos 5. Bei OSS-Fuzz findet es Schwachstellen etwa so gut wie Mythos 5, liegt aber weit zurück, wenn es darum geht, sie in Exploits zu verwandeln.

Wer upgraden sollte, und wer nicht

Upgraden, wenn du Agenten betreibst: lange Multi-Step-Aufgaben, Coding-Schleifen, Recherche-Pipelines, Computerbedienung, alles, wo das Modell zwanzig Minuten unbeaufsichtigt arbeitet. Die Ergebnisse bei AutomationBench und AA-Briefcase sind nicht knapp, und der Preis hat sich auch nicht bewegt. Wer zwischen Assistenten wählt, findet in meiner Übersicht zu KI-Coding-Tools und der GPT-5.3-Codex-Rezension die Alternativen, mit mehr Kontext in meiner Liste Opus-4.6-Alternativen.

Bleib dabei, wenn deine Workload kurzer, latenzsensibler Chat ist. Ein 68-Sekunden-Erstes-Token lässt sich nicht wegkonfigurieren. Dort ist Sonnet 5 die richtige Wahl, ebenso Haiku, und bei maximalem Effort kostet Opus 5 pro fertiger Aufgabe mehr als beide.

Schau dich anderweitig um, wenn du aktuelles Faktenwissen ohne Retrieval-Schicht brauchst. Opus 5 hat laut Artificial Analysis geringeres Faktenwissen als Fable 5, und die Halluzinationszahl sagt den Rest.

Vergleiche es mit Gemini 3. Schau dir auch Kimi K3 an. Oder erwäge Mistral, bevor du dich festlegst.

Eine ehrliche Lücke: Es gibt bislang überhaupt keine Daten zu menschlichen Präferenzen. Opus 5 erscheint nicht im LMArena-Text-Leaderboard, dessen aktueller Snapshot dem Launch vorausgeht. Bemerkenswert ist, dass Opus 4.8 dort Rang 13 belegt, obwohl es im Index ein Top-5-Modell ist, sodass Benchmark-Intelligenz und das, was Menschen tatsächlich bevorzugen, offensichtlich nicht dasselbe sind.

Was das bedeutet, wenn du Support-KI baust

Jeder Spitzenmodell-Launch löst in den Calls meines Teams dasselbe Gespräch aus. Jemand Technisches schaut auf ein Modell für $5 pro Million Tokens, das bei Business-Workflow-Automatisierung 26% erzielt, und stellt die naheliegende Frage: Warum zahlen wir für ein Support-Produkt, wenn wir das selbst verdrahten könnten?

Ich nehme das ernst, weil ich gesehen habe, wie das tatsächlich passiert. Ein paar technikaffine Accounts, darunter eine DTC-Beauty-Marke, verließen eesel, um direkt auf der Claude API aufzubauen. Es ist die häufigste konkurrierende Alternative, auf die ich stoße, und es ist auch kein alberner Plan.

Was dann meist passiert: Das Modell war nie der schwierige Teil. Der schwierige Teil ist alles rechts von diesem Pfeil: sich beim Helpdesk authentifizieren und Tickets synchron halten, auf der eigenen Wissensdatenbank trainieren, das Ganze gegen vergangene Tickets laufen lassen, bevor es je ein Live-Ticket berührt, nach Confidence routen, damit es bei Unsicherheit ruhig bleibt, an einen Menschen übergeben, ohne den Kontext zu verlieren, und die Kosten pro Ticket vorher zu kennen, statt hinterher eine Token-Rechnung abzugleichen.

Addiert man die zwei Zahlen aus dieser Rezension, hören die Schutzmaßnahmen auf, ein nettes Extra zu sein. Eine 50%-Halluzinationsrate ist genau das, woran jeder KI-Kundenservice-Chatbot gemessen wird, und ein 68-Sekunden-Erstes-Token ist länger, als die meisten Menschen in einem Chat-Fenster warten werden. Es gibt einen Grund, warum die Lösungsrate an Ergebnissen statt an Benchmark-Scores gemessen wird, und warum die Helpdesk-Tools, die funktionieren, diejenigen sind, mit denen man sieht, was die KI gesagt hätte, bevor sie es tatsächlich sagt.

Ein Kunde hat die Build-versus-Buy-Entscheidung besser formuliert, als ich es könnte.

"We could try to write our own LLM application but we didn't want to invest our time into that. We wanted something that we would not have to maintain."

Karel, GENERAL BYTES, from their case study

Das ist im Grunde der Tausch. Opus 5 macht die Engine dramatisch besser und billiger, tut aber nichts gegen die zwölf Monate Wartung drumherum. Wer diese Art von Arbeit mag, sollte selbst bauen. Wer nur das Ergebnis will, sollte es lassen.

Wo eesel hineinpasst

Wer wirklich Opus-Klasse-Reasoning für die eigenen Tickets möchte, morgen und nicht erst nächstes Quartal, für den ist eesel genau das. An den bereits genutzten Helpdesk anschließen, es trainiert auf den bestehenden Makros und Dokumenten, sowie den vergangenen Tickets, und beginnt vom ersten Tag an mit Entwürfen oder Lösungen. Keine Token-Buchhaltung, keine Härtung gegen Prompt Injection, keine Fallback-Logik, die geschrieben werden muss.

Das Erste, was ich einem skeptischen Ingenieur zeigen würde, ist die Simulation. Bevor eesel auch nur ein einziges Live-Ticket beantwortet, kann man es über die eigenen historischen Tickets laufen lassen und genau sehen, was es gesagt hätte, der einzige ehrliche Weg, um herauszufinden, ob die Confidence eines Modells auf den eigenen Daten verdient ist, statt auf einem Benchmark. Danach entscheidet Confidence-basiertes Routing, was beantwortet wird und was liegen bleibt, und die Preise laufen pro Aufgabe statt pro Token, sodass ein geschwätziges Modell einen am Monatsende nie überrascht.

Es ist nicht für jeden geeignet, das sei klar gesagt. Wer Code als Anwendungsfall hat, sollte direkt Claude Code nutzen. Aber wenn es eine Support-Warteschlange ist und der Plan darin bestand, ein Quartal lang Ticket-Deflection plus Eskalation obendrauf auf einen frischen API-Key neu zu bauen, dann probiere zuerst eesel aus. Der Einstieg ist kostenlos.