Claude Opus 5.5 im Benchmark-Check: Was das neue Modell für Schweizer IT-Teams bedeutet

Eine Code-Migration mit 680'000 Zeilen in weniger als einem Tag, für die ein Engineering-Team sonst Wochen gebraucht hätte: So beschreibt Anthropic die Erfahrung eines frühen Testers mit Claude Opus 5.5. Solche Geschichten gehören inzwischen zu jedem Modell-Launch. Für IT-Teams zwischen Zürich und Lausanne ist eine andere Frage wichtiger: Was ist an solchen Zahlen dran, und was ändert sich dadurch am eigenen Arbeitsplatz?

Ich habe mir die Benchmarks, das Kleingedruckte und die Aussagen der Early-Access-Firmen genauer angeschaut. Mein Eindruck vorweg: Die Ranglisten sind weniger interessant als das, was daneben steht. Der eigentliche Fortschritt von Opus 5.5 liegt bei den Kosten pro Aufgabe und bei der Verlässlichkeit, und genau das zählt im Arbeitsalltag.

Claude Opus 5.5 ist das erste Modell der neuen Claude-5.5-Familie. Sonnet 5.5 und Haiku 5.5 sollen in den kommenden Wochen folgen, mit vielen der gleichen Verbesserungen. Laut Anthropic arbeitet Opus 5.5 bei den meisten Aufgaben auf dem Niveau von Claude Fable 5.1, ist im Betrieb aber deutlich günstiger. Bemerkenswert ist der Kontext: Es ist das erste Release, seit Anthropic gefordert hat, den Fortschritt an der KI-Spitze so zu takten, dass die Sicherheitspraxis mithalten kann («pacing the frontier»).

Anthropic vergleicht Opus 5.5 mit Fable 5.1, dem Vorgänger Opus 5 sowie mit GPT-6 Astra und GPT-5.6 Sol von OpenAI. Getestet wurden Agentic Coding, Wissensarbeit, Business-Workflows, multidisziplinäres Reasoning und Computer Use. Die Grafik zeigt die wichtigsten Werte auf einen Blick.

Benchmark-Vergleich laut Anthropic. Die GPT-Werte stammen von OpenAI, bei AutomationBench von Zapier. Quelle: anthropic.com

Ganz so eindeutig ist das Bild aber nicht. Bei AutomationBench liegt GPT-6 Astra mit 41,4% knapp vor Opus 5.5 mit 40,0%, bei Terminal-Bench-Science 0.1 sogar klar mit 64,6% gegenüber 58,7%. Zudem gelten die Claude-Werte für maximalen Aufwand, bei Terminal-Bench 4.0 für die Stufe xhigh, mit einem Standardfehler von ±2,6 Punkten. Die GPT-Zahlen sind Angaben von OpenAI selbst.

Umgekehrt drücken die Safeguards einige Claude-Werte nach unten. Griffen sie ein, übernahmen andere Modelle die Aufgabe: Opus 4.8 bei Cybersecurity, Opus 5 bei Biologie und LLM-Entwicklung. Bei AutomationBench, das Zapier durchgeführt hat, zählten solche Eingriffe schlicht als Fehler.

At these levels of capability we've found that benchmark margins have become a less reliable guide to real-world differences.

Diesen Satz liest man selten in einer Launch-Mitteilung. Anthropic schreibt sogar, der Abstand zu Fable 5.1 sei im eigenen Gebrauch kleiner, als die Zahlen vermuten lassen. Für Sie heisst das: Benchmarks taugen als Orientierung, ersetzen aber keinen Test mit den eigenen Repositories und Aufgaben.

Bei der Effizienz liegt Opus 5.5 klar vorne. Das Modell kostet weniger pro Token und braucht gleichzeitig weniger Tokens pro Aufgabe, zusammen ergibt das die rund 40% tieferen Kosten gegenüber Opus 5. Bei Agenten- und Coding-Arbeit machen laut Anthropic nicht Input und Output den grössten Kostenblock aus, sondern Cache-Reads. Genau dort fällt der Preisnachlass am höchsten aus.

Im Vergleich mit GPT wird es interessant. Bei FrontierCode schlägt Opus 5.5 auf Default-Effort GPT-6 Astra zu rund 20% der Kosten pro Aufgabe. Bei Terminal-Bench 4.0 liegt es zu etwa 40% der Kosten gleichauf, und bei CursorBench überholt es GPT-5.6 Sol um 11 Punkte für rund ein Drittel der Kosten. Auch gegenüber dem eigenen Vorgänger ist der Abstand gross: Auf Default-Effort schlägt Opus 5.5 bei Terminal-Bench 4.0 den Vorgänger Opus 5 auf Max-Effort, für etwa ein Fünftel der Kosten.

Ein hypothetisches Beispiel: Eine Software-Agentur in Bern mit zwölf Leuten lässt Coding-Agenten täglich Pull Requests vorbereiten und Tests schreiben. Der grösste Teil der Rechnung entsteht durch Cache-Reads, weil der Agent immer wieder dieselbe Codebasis liest. Sinkt genau dieser Posten um 60% und braucht das Modell weniger Schritte, wird die monatliche API-Rechnung spürbar kleiner, obwohl gleich viel damit gearbeitet wird. Für ein KMU, das jede Ausgabe in CHF budgetiert, kann das entscheiden, ob ein Pilotprojekt in den Regelbetrieb geht.

Als Coding-Agent ist Opus 5.5 vor allem bei langen, weitläufigen Jobs stark. Ein früher Tester liess eine Codebasis mit 200'000 Zeilen in unter drei Stunden auditieren und korrigieren, Opus 5 brauchte dafür über 20 Stunden und 2,5-mal so viele Tokens. Intern liess Anthropic Opus 5.5 und Fable 5.1 HAProxy, den verbreiteten Load Balancer für Webtraffic, von C nach Rust übersetzen. Beide Rewrites bestanden fast alle Regressionstests von HAProxy. Opus 5.5 war aber nach 9,5 statt 12 Stunden fertig und kostete 51% weniger.

Ein drittes Beispiel finde ich fast noch aussagekräftiger. Als Anthropic das Modell bat, die Ladezeiten auf allen Seiten einer Web-App zu verkürzen, gelang das in 39 von 40 Versuchen. Opus 5 erzielte kleinere Verbesserungen und veränderte dabei das Verhalten der App. Wer schon einmal eine «harmlose» Optimierung in Produktion debuggt hat, weiss, warum dieser Unterschied zählt.

In VS Code, it solved more terminal tasks than Opus 5 in less than half the steps.

Wie formuliert man einen solchen Migrationsauftrag sinnvoll? Entscheidend sind klare Grenzen, messbare Abnahmekriterien und ein Rapport, der sich prüfen lässt. Ein möglicher Prompt könnte so aussehen:

## Auftrag: Migration Payment-Service von Java 11 auf Java 21
​
Kontext:
- Repository: services/payment (ca. 80'000 Zeilen)
- Build: Maven, CI über GitLab
​
Regeln:
- Keine Änderungen an öffentlichen API-Signaturen
- Keine neuen Abhängigkeiten ohne Rückfrage
- Arbeite in kleinen Commits, ein Thema pro Commit
​
Abnahme:
- Alle bestehenden Tests laufen grün
- Keine neuen Warnungen im statischen Code-Check
​
Rapport am Schluss:
1. Wichtigste Änderungen zuerst, in drei Sätzen
2. Liste aller Stellen, bei denen du unsicher warst
3. Offene Punkte, die ein Mensch entscheiden muss

Even at its lowest effort setting, Claude Opus 5.5 caught 72% of known bugs in our code reviews to Opus 5's 56% at high effort, with fewer false alarms and a fraction of the output.

Für Unternehmen, die Agenten stundenlang unbeaufsichtigt laufen lassen, liefert Anthropic Sicherheitsmechanismen mit. Ein Klassifikator prüft jede Aktion, bevor sie ausgeführt wird, Security-Teams können eine Open-Source-Sandbox auditieren, und ein Code-Review fängt Schwachstellen vor dem Merge ab. Auch das Modell selbst ist robuster: Gegen Prompt Injection schneidet es in allen getesteten Szenarien mindestens so gut ab wie Opus 5. Im Benchmark der Security-Firma Gray Swan teilt es sich mit Fable 5.1 die tiefste Erfolgsquote für Angriffe aller getesteten Modelle.

Spannend wird es bei der Recherche. Anthropic liess Opus 5.5, Fable 5.1 und Opus 5 einen Bericht über die Quartalszahlen einer Firma schreiben, und zwar auf einer Kopie des Webs, auf der die Medienmitteilung schwer zu finden war. Ein automatischer Prüfer verglich jede Zahl und jedes Zitat mit den Quellen, eine einzige Erfindung bedeutete das Aus. 16 von 18 Berichten von Opus 5.5 bestanden, Fable 5.1 und Opus 5 schafften es in keinem Versuch.

In einer Fusionsanalyse mit Excel-Modell und Präsentation war Opus 5.5 nach 63 statt 93 Minuten fertig, zu 50% tieferen Kosten und ohne die kleinen Fehler des Vorgängers. Die Investmentfirma Walleye Capital berichtet, das Modell habe einen Fehler in ihren eigenen Evaluationsanweisungen entdeckt, den zuvor kein anderes Modell bemerkt hatte. Im Benchmark GDPval-AA v2.1, der reale Arbeit aus 44 Berufen abbildet, schlägt Opus 5.5 schon auf mittlerem Effort GPT-6 Astra auf Max-Effort, für etwa ein Fünftel der Kosten pro Aufgabe.

Ebenso wichtig ist der Schreibstil. Opus 5.5 stellt die wichtigste Information an den Anfang, verzichtet eher auf Jargon und hält sich an vorgegebene Schreibregeln. Anthropic zeigt das an einem Billing-Bug: Opus 5 steigt sofort technisch ein, mit Intervallen und Zeitstempeln. Opus 5.5 nennt zuerst den Befund: USD 9.92 des Rückgangs bei einem Kunden gehen auf einen Bug in Commit 0552feb zurück, die Nutzung am letzten Monatstag wird nie verrechnet. Erst danach folgt die Technik.

Verbose, hard-to-follow output has been my biggest frustration with frontier models, and Claude Opus 5.5 fixes it. It writes like a good colleague, and follows our writing rules.

Warum ist das mehr als Kosmetik? Output, den man schnell versteht, lässt sich auch schnell prüfen. Anthropic bezeichnet das ausdrücklich als Sicherheitsgewinn. Wer täglich Rapporte von Agenten reviewt, dürfte den Unterschied rasch merken.

Im automatisierten Behavioral Audit, der Claude in fast 2000 Szenarien prüft, erzielt Opus 5.5 laut Anthropic die besten Werte aller bisher getesteten Modelle. In einer neuen Evaluation versuchte es rund 85% seltener als Opus 5 oder Claude Mythos 5.1, die gesetzten Grenzen zu umgehen. Alle Versuche waren von geringer Tragweite und wurden vom Modell selbst gemeldet. Anthropic benennt aber offen eine Grenze, die man nicht überlesen sollte:

We see signs that Opus 5.5 often suspects it is being evaluated.

Ein Modell, das merkt, dass es getestet wird, verhält sich im Test womöglich anders als im Alltag. Deshalb setzt Anthropic zusätzlich auf Safeguards. Weil Opus 5.5 bei Cybersecurity und Biologie mit Mythos 5.1 vergleichbar ist, werden die meisten Security-Aufgaben an Opus 4.8 weitergeleitet, normales Bugfixing bleibt möglich. Für Labors, Startups und Pharmafirmen gibt es ab sofort ein Life Sciences Verification Program, das Cyber Verification Program mit drei Stufen soll in den kommenden Wochen auf Opus 5.5 ausgeweitet werden. Das ist besonders für den Pharmastandort Basel und die Security-Szene in Zürich relevant.

Agenten übernehmen zunehmend lange, repetitive Arbeiten wie Migrationen, Audits und Refactorings. Das macht Entwicklerinnen und Entwickler nicht überflüssig, verschiebt aber ihre Rolle. Gefragt sind Leute, die einen Auftrag sauber formulieren, Resultate kritisch prüfen und die Verantwortung für das tragen, was in Produktion geht. Anthropic schreibt selbst, dass verlässliches Verhalten beim unbeaufsichtigten Einsatz genauso wichtig ist wie reine Leistung. Daraus ergeben sich Kompetenzen, die im Lebenslauf künftig mehr Gewicht haben dürften.

Benchmarks sind eine Momentaufnahme. In ein paar Monaten steht ein neues Modell an der Spitze, und die Tabelle sieht wieder anders aus. Entscheidend bleibt, wer das Werkzeug klug einsetzt: wer weiss, wann der günstige Effort reicht, wann ein Mensch entscheiden muss und wie man einen Agenten so führt, dass am Ende prüfbare Arbeit herauskommt. Wer das beherrscht, ist auf dem Schweizer Arbeitsmarkt gut aufgestellt, egal welches Modell gerade vorne liegt.