Claude Sonnet 5.5 im Benchmark-Check: fast Opus-Niveau zum Sonnet-Preis

Von 10,3 auf 70,6 Prozent: So weit springt Claude Sonnet 5.5 auf Terminal-Bench 4.0 gegenüber seinem Vorgänger und liegt damit sogar vor Opus 5.5 mit 66,4 Prozent. Wer KI-Benchmarks schon länger verfolgt, wird da zuerst stutzig. Ein Faktor sieben in einer einzigen Modellgeneration? Genau deshalb lohnt sich ein genauerer Blick auf das Benchmark-Bild, auf die Kosten pro Aufgabe und auf die Frage, die für Entwicklerinnen, Tech Leads und KI-Interessierte in der Schweiz am Ende wirklich zählt: Wofür taugt das Modell im Alltag, und wo bleibt Opus klar vorne?

Sonnet 5.5 ist nach Opus 5.5 das zweite Modell der Claude-5.5-Familie. Anthropic positioniert es als schnellere und günstigere Ergänzung zum grossen Bruder, und die Arbeitsteilung ist klar formuliert: Opus 5.5 ist für komplexe Arbeit gebaut, die sorgfältiges Urteilsvermögen verlangt. Sonnet 5.5 spielt seine Stärken bei klar umrissenen Alltagsaufgaben aus, beim Beheben von Bugs und beim Erstellen von sauberen Dokumenten, Slides und Spreadsheets. Dazu kommt laut Anthropic ein gutes Auge für Design. Das dritte Familienmitglied, Claude Haiku 5.5 für hohe Volumen und kostensensible Anwendungen, soll in den kommenden Wochen folgen. Gegenüber Sonnet 5 macht Anthropic vier Versprechen:

Die offiziellen Benchmark-Werte von Sonnet 5.5 im Vergleich mit Sonnet 5, Opus 5.5 und GPT-6 Sol. Quelle: Anthropic

Die grössten Sprünge fallen sofort auf: Terminal-Bench, GDPval-AA und Chartography. Bei der Chart-Erkennung ohne Tools vervierfacht sich der Wert fast, bei GDPval-AA legt Sonnet 5.5 rund 400 Punkte zu. Interessant ist auch, wie eng das Feld oben geworden ist. In mehreren Disziplinen trennen Sonnet und Opus nur ein bis drei Punkte. Hier die wichtigsten Werte in der Reihenfolge Sonnet 5.5, Sonnet 5, Opus 5.5 und, wo vorhanden, GPT-6 Sol:

Allerdings erfassen Benchmark-Werte nur eine Facette der Fähigkeiten eines Modells. In unseren eigenen Tests wie auch bei externen Testern bleibt Opus 5.5 bei komplexer, offener Arbeit, die durchgehendes Urteilsvermögen erfordert, klar stärker.

Spannend wird es bei den Kosten-Leistungs-Charts, die Anthropic zu jeder Effort-Stufe veröffentlicht. Das Prinzip ist simpel: Mehr Effort heisst, dass das Modell länger arbeitet und gründlicher prüft. Das kostet mehr pro Aufgabe, bringt aber meist bessere Resultate. Je weiter oben links ein Punkt im Chart liegt, desto mehr Leistung gibt es pro Dollar. Und genau dort liegt Sonnet 5.5 oft: Auf mehreren Benchmarks schlägt es bereits bei Low oder Medium den Bestwert von Sonnet 5, und zwar für etwa ein Zehntel der Kosten pro Aufgabe. Bei Terminal-Bench ist der Effekt besonders deutlich: Bei mittlerem Effort, dem Standard in den Claude-Apps, übertrifft Sonnet 5.5 den Bestwert von Sonnet 5 bereits für weniger als ein Zehntel der Kosten pro Aufgabe.

Die Preise sind in US-Dollar angegeben, Schweizer Teams müssen sie also in ihre CHF-Budgets umrechnen. Wichtiger als der Listenpreis ist aber der Token-Verbrauch pro Aufgabe, und der sinkt spürbar. Standardmässig läuft Sonnet 5.5 in Claude Code und den Apps auf Medium, auf der Claude Platform auf High. Sinnvoll ist, Routinearbeit wie Formatierung, kleine Refactorings oder Testgerüste bewusst auf einer tieferen Stufe laufen zu lassen und High nur dort einzusetzen, wo es auf Gründlichkeit ankommt. Laut Anthropic ergänzt Sonnet den Opus gerade auf tieferen Stufen am besten. Auf hohen Stufen liefern beide ähnliche Leistung zu ähnlichen Kosten. Wie sich das Tempo anfühlt, zeigt Anthropic übrigens mit einer anschaulichen Demo: eine Starenschwarm-Animation mit 400 Vögeln in einer einzigen HTML-Datei, einmal von Sonnet 5 und einmal von Sonnet 5.5 umgesetzt.

Accuracy vs. Cost: Je weiter oben links, desto mehr Leistung pro Dollar. Sonnet 5.5 übertrifft schon auf Medium den Bestwert von Sonnet 5.

Am deutlichsten zeigt sich der Sprung beim Programmieren. Auf FrontierCode erreicht Sonnet 5.5 bei High effort 10 Punkte mehr als Sonnet 5 auf derselben Stufe, und das zu etwa einem Fünfzehntel der Kosten pro Aufgabe. Auf CursorBench, das mit Aufgaben aus echten Cursor-Sessions arbeitet, liegt der Bestwert nur rund zwei Punkte unter Opus 5.5. Frühe Tester lobten vor allem, wie schnell das Modell eine Codebasis versteht. Was viele nicht wissen: Ein guter Teil der Kostenersparnis kommt von der Arbeitsweise. In direkten Vergleichen bündelte Sonnet 5.5 Tool-Calls stärker als sein Vorgänger, was weniger Schritte und tiefere Kosten bedeutet.

In unseren frühen Tests erreichte Claude Sonnet 5.5 dieselbe Qualitätsmesslatte, die man von einem höherklassigen Modell erwarten würde – es bestand ein System-Design-Audit und ein Data-Flow-Review. Das neue Modell verwaltete zehntausende Codezeilen für die Gameplay-System-Architektur, blieb dabei zügig, bewältigte mehrstündige Aufgaben und lieferte auch bei weniger präziser Anleitung gute Ergebnisse.

Wie könnte das konkret aussehen? Nehmen wir eine Entwicklerin in einem Zürcher Fintech. Sie lässt Bugfixes, Code-Reviews und das Schreiben von Unit-Tests über Sonnet 5.5 laufen, wo Tempo und tiefe Kosten pro Ticket zählen. Steht dagegen ein Architekturentscheid an, etwa der Umbau eines Zahlungsflusses mit regulatorischen Nebenbedingungen, greift sie zu Opus. Genau diese Aufteilung empfiehlt Anthropic selbst, und sie deckt sich mit dem, was aus Teams berichtet wird: Das teure Modell gehört dorthin, wo Fehler teuer werden.

Auch jenseits des Codes legt Sonnet 5.5 zu. GDPval-AA prüft Modelle an realen Aufgaben aus 44 Berufen und neun grossen Branchen. Hier liegt Sonnet 5.5 mit 1844 Punkten praktisch gleichauf mit Opus 5.5 (1846) und rund 400 Punkte über Sonnet 5 (1449). Bei Computer Use und Chart-Erkennung ist es nahe an Opus, bei langen Knowledge-Work-Aufgaben deutlich vor Sonnet 5 und GPT-6 Sol. Weniger messbar, aber im Alltag spürbar: Tester beschreiben das Modell als natürlicheren Gesprächspartner, der UIs poliert und Slide-Templates sauber einhält. In einem internen Test sollte es aus Quartalsunterlagen und Call-Transkripten eines börsenkotierten Unternehmens einen Operating Review mit zehn Slides bauen. Zwei Fachleute beurteilten den ersten Entwurf als bereits versandbereit. Gerade für schnelle Iterationen bei weniger komplexen Aufgaben ist das klarere Schreiben ein echter Gewinn.

Ohne unsere Prompts zu ändern, schnitt Claude Sonnet 5.5 bei fast allen unseren Offline-Slackbot-Auswertungen besser ab als Sonnet 5, in weniger Schritten und mit rund 14 Prozent weniger Output-Tokens. Wenn jemand dem Slackbot eine Aufgabe gibt, zählen vor allem Qualität und Tempo, und Sonnet 5.5 liefert dadurch bessere Ergebnisse, schneller.

Ein Detail, das in der Benchmark-Euphorie leicht untergeht: Die Cyber-Fähigkeiten von Sonnet 5.5 liegen etwa auf dem Niveau von Opus 5. Deshalb startet erstmals ein Sonnet-Modell mit Cyber-Safeguards, wie Anthropic sie für die stärksten Modelle entwickelt hat. Riskante Security-Anfragen fallen dabei sichtbar auf Sonnet 5 zurück. Für die allermeisten ändert das nichts, denn laut Anthropic sind reguläre Softwareentwicklung und die meisten Arbeiten in den Life Sciences davon nicht betroffen. Wer seinen eigenen Code nach Bugs durchsucht und sie behebt, merkt also nichts davon.

Sonnet 5.5 ist auf allen Plattformen verfügbar, darunter Amazon Web Services, Google Cloud und Microsoft Azure. Auf der Claude Platform lautet die Modell-ID claude-sonnet-5-5. Für Schweizer Firmen mit strengen Datenschutzvorgaben, etwa in Banken, Versicherungen oder im Gesundheitswesen, ist ein Punkt besonders relevant: Wie Opus 5.5 und Sonnet 5 ist auch Sonnet 5.5 mit Zero Data Retention erhältlich. Einen Stolperstein gibt es beim Wechsel. Wer Sonnet bisher mit ausgeschaltetem Thinking betreibt, muss vor dem Umstieg auf die neue Einstellung between_tools wechseln, die das vorgelagerte Thinking ausgeschaltet lässt. Ausserdem verhalten sich Kontowechsel mitten in einer Claude-Code-Session wegen des Preserved Thinking anders. Die exakte Syntax steht im Migration Guide von Anthropic, die folgende Checkliste ist bewusst schematisch gehalten.

yaml
# Schematische Migrations-Checkliste Sonnet 5 -> Sonnet 5.5
# (exakte Parameter siehe Anthropic Migration Guide)
model: claude-sonnet-5-5
thinking: between_tools   # statt "off", vorgelagertes Thinking bleibt aus
effort: medium            # Platform-Default ist high, fuer Routine bewusst senken
data_retention: zero      # falls vertraglich vereinbart
# Hinweis: Kein Kontowechsel mitten in einer Claude-Code-Session

Und was heisst das für den Arbeitsmarkt? Die Modelle werden besser, aber die Auswahl wird anspruchsvoller. Gefragt sind Leute, die für jede Aufgabe das passende Modell und die richtige Effort-Stufe wählen, Token-Kosten im Blick behalten und Resultate kritisch prüfen. Wer das kann, hat einen handfesten Skill, der in den CV gehört. In Stelleninseraten für Software-Entwickler und Tech Leads taucht KI-gestütztes Arbeiten jedenfalls immer öfter auf.

Bleibt die Frage vom Anfang: Ist der Sprung von 10,3 auf 70,6 Prozent echt? Die Zahlen stammen vom Hersteller und gehören entsprechend eingeordnet. Die Aussagen von Epic Games und Slack zeigen aber in dieselbe Richtung: mehr Qualität, weniger Schritte, weniger Tokens. Sonnet 5.5 ist ein starkes Werkzeug für den Alltag, das viele Aufgaben schneller und günstiger erledigt als bisher. Urteilsvermögen ersetzt es nicht. Für die wirklich kniffligen Fälle bleiben Opus und vor allem die Erfahrung der Menschen, die wissen, wann ein Resultat gut genug ist und wann nicht, unverzichtbar.