Claude Haiku 5.5 im Benchmark-Check: Was das kleine Modell kann und wo es aufhört

Im agentischen Coding-Benchmark Terminal-Bench 4.0 kam Haiku 4.5 auf genau 0,0 Prozent. Null. Der Nachfolger Claude Haiku 5.5 schafft 39,2 Prozent und kostet laut Anthropic im Betrieb im Schnitt rund 75 Prozent weniger. Wer schon einmal ein Agenten-Setup budgetiert hat, horcht bei dieser Kombination auf.

Muss man die Arbeitsteilung zwischen kleinen und grossen Modellen also neu denken? Ja, aber nicht so, wie manche hoffen. Haiku 5.5 ersetzt weder Sonnet noch Opus. Es ist ein günstiges, schnelles Arbeitspferd für eng umrissene Aufgaben in grosser Menge, und die Benchmarks zeigen ziemlich genau, wo sich der Einsatz lohnt und wo das Modell an seine Grenzen kommt.

Anthropic positioniert Haiku 5.5 als das günstigste, schnellste und stärkste kleine Modell, das das Unternehmen bisher veröffentlicht hat. Das klingt nach Marketing, ist aber vor allem eine klare Ansage zum Einsatzgebiet. Es geht nicht um den einen brillanten Lösungsweg, sondern um Tausende kleiner, sich wiederholender Aufgaben, bei denen jeder Rappen pro Aufruf zählt. Anthropic nennt als typische Beispiele:

Claude Haiku 5.5 is designed for high-volume, cost-sensitive tasks.

Dazu kommt das Tempo. Anthropic nennt Haiku 5.5 «our fastest model to date», also das bisher schnellste Claude-Modell überhaupt. Das macht es interessant für alles, wo Nutzende auf eine Antwort warten: Live-Kundensupport zum Beispiel oder die Steuerung eines Browsers, bei der jeder Schritt auf den vorherigen folgt und sich Latenzen aufsummieren.

Anthropic vergleicht Haiku 5.5 mit drei Modellen. Haiku 4.5 ist der direkte Vorgänger, GPT-6 Luna von OpenAI das Konkurrenzmodell. Sonnet 5.5 läuft ausdrücklich nur als Referenz mit: Es zeigt, wie viel Abstand zum nächstgrösseren Claude-Modell noch bleibt. Die folgende Grafik fasst die Werte zusammen.

Haiku 5.5 im Vergleich mit Vorgänger, Konkurrenz und Sonnet 5.5 als Referenz. Quelle: Anthropic

In der Wissensarbeit legt Haiku 5.5 gegenüber dem Vorgänger deutlich zu, liegt vor GPT-6 Luna und bleibt hinter Sonnet 5.5. Die grössten Sprünge zeigen sich aber anderswo. OSWorld misst, wie gut ein Agent einen echten Computer bedient und lange, mehrstufige Aufgaben zu Ende bringt: Hier geht es von 15,7 auf 72,4 Prozent. Beim visuellen Reasoning mit Chartography steigt der Wert von 6,4 auf 46,4 Prozent. Terminal-Bench schliesslich prüft komplexe, mehrstufige Aufgaben auf der Kommandozeile, und dort wird es spannend.

39,2 Prozent bei Terminal-Bench sind ein enormer Fortschritt gegenüber null. Neben den 70,6 Prozent von Sonnet 5.5 wirken sie aber bescheiden. Bei komplexem agentischem Coding, wo ein Modell selbständig über viele Schritte plant, Fehler erkennt und korrigiert, bleibt der Abstand gross. Anthropic sagt das selbst und ohne Umschweife.

Sonnet 5.5 and Opus 5.5 remain better choices for complex agentic coding tasks like those measured by Terminal-Bench 4.0. By contrast, Haiku 5.5 is best suited to more narrowly scoped tasks that might otherwise have been cost-prohibitive with previous versions of Claude—like compaction, summarization, or subagent work.

Neu ist bei Haiku 5.5 eine einstellbare Effort-Stufe. Es ist das erste Modell der Haiku-Klasse, bei dem Sie wie bei den grösseren Modellen entscheiden können, ob Sie eher auf Kosten oder auf Intelligenz optimieren. Anthropic zeigt das an drei Benchmarks, darunter OSWorld 2.1, wo die Genauigkeit den Kosten pro Versuch gegenübergestellt wird. Für die Praxis heisst das: Dasselbe Modell kann einfache Klassifizierungen billig erledigen und bei kniffligeren Teilaufgaben mehr Rechenaufwand bekommen.

Wie könnte eine sinnvolle Arbeitsteilung konkret aussehen? Ein denkbares Muster für ein Multi-Agent-System:

Benchmarks sind das eine. Aufschlussreicher ist, was Firmen in frühen Tests berichten. Asana hat Haiku 5.5 durch die eigene Eval-Suite für AI Teammates geschickt, das KI-Agenten-Produkt des Unternehmens. Getestet wurden Anwendungsfälle wie Bug-Triage, das Aufsetzen von Projekten und die Suche in grossen Portfolios nach riskanten oder überfälligen Arbeiten.

Compared with the model we use today, we saw over a 30% reduction in latency for task completions and up to 2.5x faster inference per agent turn. It's a noticeably snappier experience.

Diese Latenz spürt man direkt. Denken Sie an den Kundendienst einer Schweizer Versicherung oder eines Onlineshops, bei dem täglich Anfragen zu Schadenmeldungen, Rücksendungen oder Adressänderungen eintreffen. Ein schnelles Modell kann diese Anfragen vorsortieren, in die richtige Queue legen und Standardfälle gleich selbst beantworten, während die komplizierten Fälle bei Menschen landen. Passend dazu erhalten die Python- und TypeScript-SDKs von Claude Unterstützung für Computer Use und Browser Use als Beta. Laut Anthropic eignet sich Haiku 5.5 dank der Kombination aus Tempo, Fähigkeiten und Preis besonders dafür.

Vorsortieren statt abarbeiten: Ein schnelles kleines Modell kann den Kundendienst bei Standardanfragen entlasten.

Bei den API-Preisen ist Haiku 5.5 laut Anthropic vor allem bei Prompts bis 100'000 Tokens attraktiv. Das klingt nach einer Einschränkung, betrifft aber rund 90 Prozent aller Anfragen an das Vorgängermodell. Gleichzeitig hat Anthropic an weiteren Stellschrauben gedreht, die man bei der Kalkulation kennen sollte:

Haiku 5.5 ist ab sofort auf allen Plattformen verfügbar, auch bei Amazon Web Services, Google Cloud und Microsoft Azure. Für Schweizer Firmen, die ihre Cloud-Strategie bereits auf einen dieser Anbieter ausgerichtet haben, ist das praktisch. Auf der Claude Platform lautet die Modell-ID claude-haiku-5-5, ein Migrationsleitfaden ist vorhanden. Ein minimaler Aufruf mit dem Python-SDK könnte so aussehen:

python
import anthropic
​
client = anthropic.Anthropic()
​
response = client.messages.create(
    model="claude-haiku-5-5",
    max_tokens=300,
    messages=[{
        "role": "user",
        "content": "Klassifiziere dieses Ticket als 'Schaden', 'Vertrag' oder 'Sonstiges': ..."
    }]
)
​
print(response.content[0].text)

Laut Anthropic zeigt Haiku 5.5 gegenüber Haiku 4.5 deutliche Verbesserungen in fast allen Alignment-Evaluationen. Man habe «far fewer instances of misaligned behavior, and a lower willingness to cooperate with misuse» festgestellt. Details stehen in der System Card zu Haiku 5.5, ein Blick hinein lohnt sich besonders für Teams in regulierten Branchen wie Banken oder Versicherungen. Für Security-Fachleute sind vor allem die Safeguards relevant:

Mit Modellen wie Haiku 5.5 verschiebt sich die Frage: nicht mehr, ob man ein Sprachmodell einsetzt, sondern welches für welchen Schritt. Wer Multi-Agent-Systeme entwirft, muss jede Aufgabe dem passenden Modell zuweisen, statt alles über das grösste und teuerste laufen zu lassen. Gerade bei Agenten-Projekten mit hohem Anfragevolumen entscheidet diese Wahl massgeblich über die Betriebskosten. Konkret heisst das:

Haiku 5.5 zeigt, wohin die Reise geht. Kleine Modelle werden für Aufgaben einsetzbar, die bisher schlicht zu teuer waren: jedes Ticket zusammenfassen, jeden Log klassifizieren, jede Browser-Session automatisieren. Das grosse Modell denkt, das kleine arbeitet. Wer diese Arbeitsteilung früh versteht und sauber umsetzt, baut günstigere und schnellere Systeme und verschafft sich damit einen Vorsprung.