Opus 5 ist ein starker Mitarbeiter und ein schwieriger Chef

Anthropic hat Opus 5 am 24. Juli 2026 veröffentlicht [1]. Fünf Tage später ist die Reaktion in zwei Lager zerfallen, die kaum dasselbe Modell zu beschreiben scheinen. Artificial Analysis misst es einen Punkt über Fable 5 auf dem eigenen Intelligenzindex, zum halben Tokenpreis [2]. Gleichzeitig will ein lauter Teil von Reddit sein altes Modell zurück.

Ich bin mit einer Arbeitsthese in die Launch-Woche gegangen: Opus 5 ist ein starker Mitarbeiter und ein schwieriger Chef. Nach fünf Tagen Lektüre von allem, was ich finden konnte (Herstellerdokumentation, unabhängige Evals und deutlich zu viele Reddit-Threads), hält die These, mit einer Korrektur. Opus 5 ist nicht das dumme Modell aus den wütendsten Posts. Es arbeitet auf Fable-Niveau. Was ihm fehlt, ist Richtung: Absicht lesen, den Scope halten und erkennen, wann es wirklich fertig ist.

Die Zahlen liegen eng beieinander, und sie sind echt

Auf dem Intelligenzindex von Artificial Analysis erreicht Opus 5 bei maximalem Effort 61 Punkte, Fable 5 kommt auf 60. Einen Punkt Abstand sollte niemand als Beweis für irgendetwas lesen, außer dafür, dass beide Modelle in derselben Leistungsklasse spielen [2].

Unterhalb des großen Index führt Opus 5 mehrere der enger geschnittenen Evals an. Es holte 1.861 Elo auf GDPval-AA v2 (professionelle Wissensarbeit) und 1.720 auf AA-Briefcase (agentische Arbeitsergebnisse), 114 beziehungsweise 146 Elo vor Fable. Auf dem Coding Agent Index teilte es sich bei xhigh-Effort den ersten Platz und erreichte 89 % auf Terminal-Bench 2.1 bei Maximum [2].

Metrik	Opus 5	Fable 5
AA-Intelligenzindex	61	60
GDPval-AA v2, Elo	1.861 (Bester Wert der Zeile)	1.747
AA-Briefcase, Elo	1.720 (Bester Wert der Zeile)	1.574
Gemessene Kosten pro Eval-Aufgabe, $	2,03 (Bester Wert der Zeile)	2,75

Die Lehre aus der Tabelle ist nicht, dass Opus klüger wäre. Sondern dass das günstigere Modell bei begrenzter, ergebnisförmiger Arbeit inzwischen mit dem Flaggschiff auf Augenhöhe tauscht. Anthropics eigene Zahlen zeigen in dieselbe Richtung: auf CursorBench 3.2 bei maximalem Effort einen halben Punkt hinter Fable, auf OSWorld über Fables Bestwert bei rund einem Drittel der Kosten. Das sind Herstellermessungen, also behandle sie als Marketing mit Belegen [1].

Was der Gegenwind tatsächlich beschreibt

Die nützlichste Kritik der Woche kam von jemandem, der das Modell mag. Er ließ sein eigenes Set echter Coding-Aufgaben laufen, und Opus 5 war das einzige Modell mit 100 %, mit der besten Implementierung und Testdisziplin, die er je gesehen hatte. Trotzdem nennt der Post es “an incredible coder and really painful to work with” [4]. Diese Spannung ist die ganze Debatte in einem Satz.

Liest man die negativen Threads jenseits der Wut, kehren dieselben fünf Fehlermuster immer wieder zurück.

Es verliert das große Ganze. Starker lokaler Code, schwächere Entscheidungen über Architektur, über die Absicht des bestehenden Systems und darüber, welche Komponenten überhaupt angefasst gehören. Ein Entwickler beschrieb, wie es neue Mechanismen erfand und eigene Muster über die des Repos stellte, und wechselte für die tägliche Arbeit zu Fable 5 plus einem älteren Opus [5].

Es läuft auf Annahmen statt nachzufragen. Fehlen Grundlagen, macht es weiter und baut etwas in sich Stimmiges auf einer falschen Prämisse. Es fühlt sich an wie “das Modell hört nicht zu”. Der Mechanismus sieht eher aus wie ein agentischer Prior: lieber weitermachen als an einer Frage blockieren [5].

Es erklärt sich zu früh für fertig. Die klassische Schleife: Opus meldet gefixt, der Nutzer findet denselben Bug plus eine Regression, Opus entschuldigt sich ausführlich, von vorn. In einer Audit-Session hatte das Modell 46 Fehler übersehen, weil sein eigenes Skript sie stillschweigend verdeckte; andere berichten von Verifikationen, die nie stattgefunden haben [6]. Bei Migrationen und Deploy-Konfiguration kostet ein falsches “fertig” mehr als ein gewöhnlicher Bug.

Es redet zu viel. Dauernarration, lange Statusmeldungen, Kleinigkeiten als Grundsatzentscheidungen inszeniert. Derselbe Tester, bei dem es 100 % holte, beschrieb den Kommunikationsstil als nervös und pedantisch, und als ermüdend zu beaufsichtigen [4].

Alte Anweisungen vergiften es. Mindestens ein Nutzer hat seine Probleme gelöst, indem er Projektanweisungen und Memories neu schrieb, die ursprünglich für Opus 4.x verfasst waren [7]. Diese Dateien stecken voller Kompensationen (“immer doppelt prüfen”, “erst einen detaillierten Plan”, “Subagenten nutzen”), die ein Modell mit eingebauter Initiative in Übersteuerung verwandelt.

Und jetzt der seltsame Teil: Anthropics eigener Prompting-Guide liest sich wie die offizielle Spezifikation dieser Beschwerdeliste. Er hält fest, dass Opus 5 mehr erzählt, sich selbst verifiziert, bereitwilliger an Subagenten delegiert, den Scope ausweiten kann, ungefragte Schritte ergänzen kann und sein eigenes Urteil darüber anlegen kann, was die Aufgabe “sein sollte”. Die empfohlenen Gegenmittel: explizite Scope-Grenzen, Obergrenzen für Subagenten und ein eigener Prompt für kürzere Statusmeldungen [8].

Der Fairness halber: Das positive Lager ist genauso real. Ein Tester mit vor allem Wissens- und Business-Aufgaben fand niedrigen und mittleren Effort besser als Sonnet 5 und Opus 4.8, mit Fable als einzigem Modell, das durchgehend vorne lag, und nur bei den härtesten Problemen [9].

Benchmarks benoten die Ziellinie, nicht die Fahrt

Beide Lager können gleichzeitig recht haben, weil ein Benchmark und ein lebendes Projekt Verschiedenes benoten.

Ein Benchmark prüft, ob der Endzustand besteht. Ein Projekt fragt auch, ob das Modell am richtigen Problem gearbeitet hat, wie oft du ins Lenkrad greifen musstest und ob du ihm nach drei Stunden noch vertraut hast. Anthropics Frontier-Bench-Schlagzeile (mehr als das Doppelte von Opus 4.8) stammt aus einem internen Lauf mit einem bestimmten mini-SWE-agent-Harness, gemittelt über fünf Versuche pro Aufgabe [1]. Das ist eine saubere Methodik, und sie glättet zugleich genau das, was Praktiker spüren: die Varianz zwischen einzelnen Sessions.

Ein unabhängiger Datenpunkt passt unangenehm gut zu den Klagen. Auf AA-Omniscience fand Artificial Analysis Opus 5 faktisch genauer als Opus 4.8, aber auch eher bereit, unter Unsicherheit zu antworten. Nach der Zählweise dieses Tests landete die Halluzinationsrate bei rund 50 % [2]. Das heißt nicht, dass die Hälfte der Opus-Antworten erfunden wäre; der Test treibt Modelle gezielt in Halbwissen. Aber er benennt einen Mechanismus: Ein Modell, das auf Weitermachen getrimmt ist, löst mehr Aufgaben und trifft mehr selbstbewusste Fehlentscheidungen, am selben Regler.

Der halbe Tokenpreis ist nicht der halbe Aufgabenpreis

Laut Listenpreis kostet Opus 5 die Hälfte von Fable 5: 5 $ rein und 25 $ raus pro Million Tokens, gegenüber 10 $ und 50 $ [10].

• Opus 5
• Fable 5

Daten als Tabelle anzeigen

Richtung	Opus 5	Fable 5
Eingabe	5 $/MTok	10 $/MTok
Ausgabe	25 $/MTok	50 $/MTok

End-to-end gemessen schrumpft der Abstand. Artificial Analysis zahlte über die eigene Eval-Suite 2,03 $ pro Opus-5-Aufgabe gegenüber 2,75 $ bei Fable, eine Ersparnis von 26 % statt 50 % [2]. Und ein Reddit-Nutzer, der beide Modelle durch zwei größere echte Coding-Aufgaben schickte, landete bei 106,69 $ für Opus gegen 118,46 $ für Fable, rund 10 % Unterschied, und hielt Fables Ergebnis dabei für klar besser. Bei der zweiten Aufgabe war Opus sogar teurer [11].

Das ist der Test einer einzelnen Person, keine Studie. Aber der Mechanismus leuchtet jedem ein, der einem Agenten je beim Umweg zugesehen hat: mehr Abzweigungen, mehr Tool-Calls, mehr Code, mehr Korrekturrunden, und am Ende ohnehin ein Review-Durchgang mit dem teuren Modell. Der Listenpreis gilt pro Token. Der echte Preis gilt pro abgenommenem Ergebnis.

Ein Jahr, vier Opus-Persönlichkeiten

Ein Teil der Wut ist schlicht das Schleudertrauma. Wenn du das Gefühl hast, dass Opus mit jedem Release den Charakter wechselt, gibt dir Anthropics eigenes Material recht.

Die Zeitleiste zeichnet ein Pendel, keine Gerade. Die Daten stammen aus den Release-Posts [12] [13] [14] [1]; die Charakterlesarten aus Anthropics eigener Forschung zu Modellwerten, die 4.6 Richtung Ergebenheit, Kürze und Ausführung verortete, und 4.7 Richtung Vorsicht, Tiefe und Offenheit [15]. Die Migrationshinweise zu 4.7 sagten es unverblümt: wörtlichere Instruktionsbefolgung, mehr Widerspruchsbereitschaft, weniger Tool-Calls bei niedrigem Effort, und alte Prompts, die sich seltsam verhalten konnten [13]. 4.8 wurde großteils als Korrektur von 4.7s Überkommentieren und Übererklären verkauft [14]. Opus 5 schwingt zurück Richtung Initiative, weiter als alle davor [8].

Jeder Schwenk entwertet die Prompt-Folklore des Vorgängermodells. Die Kompensationen, die 4.6 zuverlässig machten, werden zur Übersteuerung, die 5 anstrengend macht. Das, und keine Verschwörung, erklärt, warum das Neuschreiben alter Anweisungen so viel repariert [7].

Es erklärt auch das kurze Gedächtnis. Die Launch-Woche von Opus 4.8 produzierte dasselbe Thread-Genre, das jetzt auf Opus 5 zielt [16]. Neun Wochen später beschreiben Posts 4.8 als das stabile alte Modell, das die Leute zurückwollen [17]. Fünf Tage Reaktionen sind eine Liste von Fehlermodi, kein Urteil.

Die Nerf-Theorie, Schicht für Schicht zerlegt

Jedes Opus-Release sammelt irgendwann den Vorwurf ein, Anthropic habe es heimlich verschlechtert. Es lohnt sich, das in Schichten zu trennen, denn die Beweislage unterscheidet sich pro Schicht.

Die Gewichte. Für Claude 4.6 und neuer erklärt Anthropic, dass datumslose API-Modell-IDs fixierte Snapshots sind; Gewichte werden unter derselben ID nicht getauscht [18]. Ich habe keine öffentlichen Belege gefunden, die dem widersprechen. Die starke Version der Theorie (“sie haben das gute 4.8 heimlich ersetzt”) hat nichts hinter sich.

Die Serving-Schicht. Routing, Sicherheitsklassifikatoren und Fallbacks ändern sich sehr wohl. Für Opus 5 ist dokumentiert, dass bestimmte als cyber-sensibel markierte Anfragen über einen Opus-4.8-Fallback bedient werden können, auch in manchen veröffentlichten Evals [1]. Zwei Nutzer können dieselbe Modell-ID treffen und unterschiedlich behandelt werden.

Das Produkt-Harness. Hier liegen die Leichen. Anthropics eigenes Postmortem vom April 2026 dokumentiert drei echte Regressionen in Claude Code, während die API weitgehend unberührt blieb: Der Standard-Effort fiel still von high auf medium (4. März bis 7. April), ein Kontextfehler löschte nach Inaktivität wiederholt älteres Thinking (26. März bis 10. April), und ein System-Prompt, der die Antwortlänge deckelte, kostete messbar rund 3 % in Coding-Evals (16. bis 20. April) [19].

Dein eigener Kontext. Verstaubte CLAUDE.md-Dateien, alte Memories, eine verunreinigte Session. Gleicher Snapshot, andere Erfahrung.

Das ehrliche Urteil über den “Nerf”: Die Erfahrung ist oft real und manchmal sogar reproduzierbar. Die Diagnose zeigt fast immer auf die falsche Schicht.

Anthropics eigene Produkte setzen die Arbeitsteilung voraus

Der stärkste Beleg für das Bild vom Mitarbeiter und Chef ist, dass Anthropic es zum Produkt gemacht hat.

Das neue Advisor-Tool verdrahtet ein günstigeres Executor-Modell mit einem stärkeren Berater, der die Arbeitssession lesen, einen Plan vorschlagen oder mitten in der Aufgabe den Kurs korrigieren kann. Die Dokumentation empfiehlt es ausdrücklich für Design, Architektur und Risikobewertung, und sie führt Opus 5 als Executor mit Fable 5 als Advisor als unterstützte Kombination auf. Der Advisor muss mindestens so fähig sein wie der Executor. Gewarnt wird auch vor dem umgekehrten Fehlermodus: Zu viele Advisor-Aufrufe machen alles langsamer und teurer, ohne Nettogewinn [20].

Owner

• Du Ziel, Grenzen, Geschmack

gibt Richtung vor

Richtung

• Fable 5 Architektur, Task-Pakete

Task-Pakete

Ausführung

• Opus 5 Code, Tests, Verifikation

Diff und Belege

Review

• Fable 5 Meilenstein-Audit

Das Diagramm ist die praktische Essenz der ganzen Woche: Das Ziel bleibt beim Menschen, Fable setzt und prüft die Richtung, und Opus mahlt sich zum halben Tokenpreis durch die Mitte.

Zwei Feinheiten halten das Bild ehrlich. Erstens hält Anthropic Opus offenkundig nicht für planungsunfähig: Claude Code liefert weiterhin einen offiziellen opusplan-Modus aus, in dem Opus plant und Sonnet ausführt [21]. Zweitens ist Fable kein unfehlbarer Chef. Der eigene Guide warnt, dass Fable überplanen, ungefragt refaktorieren und Aufgaben aufblähen kann, und dass es besser arbeitet, wenn du erklärst, warum du etwas willst [23].

Die Positionierung ist aber überall dieselbe: Fable 5 bleibt das fähigste breit verfügbare Modell, empfohlen, wenn Leistung am meisten zählt, während Opus 5 wegen des Preis-Leistungs-Verhältnisses der Standard für komplexes agentisches Coding ist [10]. Zum Fable-Launch formulierte Anthropic es direkt: Je länger und komplexer die Aufgabe, desto größer Fables Vorsprung [22].

Eine Studie gehört noch hierher. Anthropic analysierte rund 400.000 Claude-Code-Sessions von etwa 235.000 Nutzern: Menschen trafen weiterhin rund 70 % der Planungsentscheidungen, Agenten dagegen etwa 80 % der Ausführungsentscheidungen. Prompts erfahrener Nutzer lösten im Schnitt rund 12 Agentenaktionen und 3.200 Wörter aus, gegenüber 5 und 600 bei Einsteigern, und die verifizierte Erfolgsquote lag bei etwa 15 % für Einsteiger gegen 28 bis 33 % ab mittlerer Erfahrung [24]. Ein derart forsches Modell senkt die Anforderungen an Führung nicht. Es erhöht sie.

Wie ich Opus 5 diese Woche einsetzen würde

Mein Routing nach einer Woche Lektüre, unter Vorbehalt, bis ich mehr eigene Kilometer habe:

Aufgabe	Modell
Klarer Bug mit Repro und Test	Opus 5
Begrenztes Feature mit Abnahmekriterien	Opus 5
Refactoring auf eine bekannte Zielarchitektur	Opus 5, danach Fable-Review
Unklare Root Cause über Systemgrenzen	Fable-5-Plan, dann Opus 5
Neue Architektur mit langer Lebensdauer	Zuerst Fable 5
Lange agentische Läufe mit mehreren Strängen	Fable 5 als Orchestrator
Hochrisiko-Migration	Fable-Design, Opus-Bau, Fable-Audit

Konfiguration, direkt aus der Dokumentation plus eine Meinung. Lass Thinking an: Es ist der Standard, niedriger Effort mit Thinking schlägt das Abschalten bei ähnlichen Kosten, und Abschalten kann seltsames Tool-Call-Verhalten auslösen [8]. Steig die Effort-Leiter hoch, statt standardmäßig xhigh zu fahren; die Einstellung verändert das Modell so stark, dass niedrig und maximal praktisch verschiedene Produkte sind [2]. Pinne volle Modell-IDs, wenn du irgendetwas vergleichst, denn Aliasse wandern [21]. Und lösch jede Kompensation aus der 4.x-Ära aus deinen Anweisungen, bevor du das Modell beurteilst [8].

Der System-Prompt, mit dem ich starten würde, anstelle des alten “sei gründlich und proaktiv”-Textbausteins:

Implement only the requested task.
Follow the existing architecture and conventions in the repository.
Do not redesign surrounding systems or refactor unrelated code
unless the acceptance criteria require it.

Before editing, state the concrete acceptance criteria.
Do not report the task as complete unless each criterion has been
verified against actual build, test, or tool output.

Do not create subagents for work you can do directly.
If you notice an unrelated problem, mention it at the end
without changing it. Keep progress updates short.

Der Mitarbeiter und der Chef

Opus 5 ist kein Fable vom Wühltisch, und auch kein Rückschritt mit neuem Namen. Bei begrenzter Arbeit mit klarer Ziellinie ist es so stark wie alles, was man derzeit mieten kann, und günstiger als sein Geschwistermodell. Der Gegenwind bildet sich das aber auch nicht ein: Dieselbe Initiative, die Benchmarks gewinnt, wird zu Scope-Wildwuchs, selbstbewussten Vermutungen und verfrühten Siegesrunden, sobald das Ziel unscharf wird.

Also gib ihm, was jeder brillante, übermütige Senior braucht. Einen Chef. Der beste derzeit verfügbare heißt Fable 5, und das Ziel gehört weiterhin dir.