Claude Opus 5 bringt Agentenleistung zum Opus-Preis

Ein Modellwechsel lohnt sich nicht, weil ein Benchmarkbalken länger geworden ist. Er lohnt sich, wenn mehr Läufe die Abnahme bestehen und die Summe aus Tokenkosten, Wiederholungen und Reparaturzeit sinkt. Genau an diesem Punkt setzt Claude Opus 5 an.

Anthropic hat das Modell am 24. Juli 2026 veröffentlicht. Es kostet so viel wie Opus 4.8, wird zum Standard in Claude Max und ist die leistungsstärkste Option im Claude-Pro-Abo. Für Entwicklerteams wird damit ein direkter Vergleich möglich: Erledigt Opus 5 genügend Aufgaben zuverlässiger, um die Kosten pro akzeptiertem Ergebnis zu senken?

Der Preis macht den Vergleich interessant

Der Preis bleibt gegenüber Opus 4.8 unverändert. Zugleich soll Opus 5 anspruchsvolle Coding- und Wissensarbeit effizienter erledigen und sich für den täglichen Einsatz eignen.

Damit verschiebt sich die Auswahlfrage. Teams müssen nicht sofort zum teuersten verfügbaren Modell greifen, wenn schwierige Agentenläufe mehr Leistung benötigen. Bei bestimmten Aufgaben soll Opus 5 an Fable 5 heranreichen, während die Kosten pro Aufgabe niedriger ausfallen. Wie groß der Abstand tatsächlich ist, hängt von Aufgabe und Rechenaufwand ab.

In Claude Max landen normale Anfragen künftig standardmäßig bei Opus 5. Im Pro-Abo bleibt es die stärkste verfügbare Option, ohne zum alleinigen Standard zu werden.

Was die Coding-Benchmarks tatsächlich zeigen

Auf Frontier-Bench v0.1, einem Benchmark für vollständige Softwareaufgaben, erreicht Opus 5 laut den veröffentlichten Ergebnissen einen Spitzenwert. Das ist ein starkes Resultat, aber kein Beleg für verlässliche Vollautomatisierung.

Für produktive Coding-Agenten bleiben Tests, Code-Review und begrenzte Berechtigungen Pflicht. Ein Modell kann die Trefferquote verbessern, nimmt dem Team aber weder die Abnahme noch die Verantwortung für ausgeführten Code ab.

Auf CursorBench 3.2 liegt Opus 5 bei maximalem Rechenaufwand innerhalb von 0,5 Prozentpunkten des Ergebnisses von Fable 5. Zugleich sollen die Kosten pro Aufgabe etwa halb so hoch sein. Für Agentensysteme ist dieser Vergleich aussagekräftiger als ein isolierter Spitzenwert: Lange Aufgabenketten verbrauchen viele Tokens, und jeder fehlgeschlagene Lauf erzeugt zusätzliche Kosten für Wiederholung und manuelle Nacharbeit.

Benchmarks erfassen nur einen kontrollierten Ausschnitt. Im Alltag beeinflussen der Zustand des Repositorys, die Tool-Anbindung, verfügbare Tests und die Aufgabenbeschreibung das Ergebnis. Opus 5 beseitigt diese Betriebsrisiken nicht. Es könnte aber die Schwelle senken, ab der sich ein leistungsfähigeres Modell wirtschaftlich testen lässt.

Ein Agentenlauf ist mehr als eine richtige Antwort

Auch bei mehrstufigen Geschäftsabläufen werden deutliche Fortschritte gemeldet. Solche Tests treffen einen bekannten Schwachpunkt von Agenten: Einzelne Schritte funktionieren, während über längere Abläufe Zustand, Ziel oder Werkzeugkontext verloren gehen.

Ein erfolgreicher Benchmarkdurchlauf belegt noch keine allgemeine Zuverlässigkeit. In einer echten Umgebung kommen schwankende Eingaben, Berechtigungsfehler, Tool-Ausfälle und unvollständige Zwischenergebnisse hinzu. Genau dort zeigt sich, ob ein Modell einen Workflow tatsächlich stabiler abschließt.

Der sinnvolle Praxistest ist deshalb ein bestehender, gut protokollierter Ablauf. Ein Team kann denselben Coding- oder Automationslauf mehrfach mit Opus 5 und Opus 4.8 ausführen und anschließend drei Werte vergleichen: Erfolgsquote, Gesamtkosten und manuelle Nacharbeit. Als Erfolg zählt nur ein Lauf, dessen Ergebnis die vorhandenen Tests und die menschliche Abnahme besteht.

Fehlschläge sollten zusätzlich nach Ursache getrennt werden: falscher Code, verlorener Werkzeugkontext, abgebrochener Lauf oder ungeeignete Aufgabenbeschreibung. Sonst bleibt unklar, ob das Modell besser arbeitet oder lediglich mehr Rechenaufwand verbraucht.

So fällt die Wechselentscheidung

Anthropics stärkstes Argument ist die Verbindung aus Erfolgsquote und Kosten. Ein günstiger Agentenlauf, der regelmäßig abbricht oder menschliche Reparatur benötigt, kann teurer sein als ein rechenintensiverer Lauf mit besserer Abschlussquote.

Die veröffentlichten Zahlen rechtfertigen einen kontrollierten Vergleich mit Opus 4.8, aber keinen blinden Austausch in produktiven Systemen. Ich würde Opus 5 zuerst dort einsetzen, wo Fehlversuche heute bereits messbar Geld oder Zeit kosten. Abbrüche gehören separat erfasst, und nur geprüfte Ergebnisse dürfen als Erfolg zählen.

Nach mehreren vergleichbaren Läufen liegt die Entscheidung nicht mehr im Benchmark, sondern in der eigenen Tabelle. Steigt die Zahl abgenommener Ergebnisse und sinken zugleich Gesamtkosten oder Reparaturzeit, hat Opus 5 seinen Platz gefunden. Bleibt dieser Effekt aus, ist der Modellwechsel trotz Spitzenwerten nur teurer Aktionismus.