Fotorealistisches Kino-Still: ein helles Büro am späten Nachmittag. Im unscharfen Hintergrund leuchtet ein großer Bildschirm mit Balkendiagrammen und einer Rangliste. Im Vordergrund sitzt ein Mann Mitte vierzig am Holzschreibtisch, dem Bildschirm bewusst abgewandt, und arbeitet ruhig am Laptop. Neben ihm ein Whiteboard mit gezeichneten Kästchen und Pfeilen, die einen Ablauf bilden.
KI-generiert

Mit KI arbeiten · September 2026

„Deutlich stärker als Fable und Astra“, und warum selbst der Hersteller den Abständen nicht ganz traut

Erleben 0:00 / 0:00
1.25×

Kaum ist ein neues KI-Modell da, beginnt ein vertrautes Ritual. Tabellen machen die Runde, Balken werden verglichen, und nach ein paar Stunden steht fest, wer jetzt vorne liegt. Am 22. September erschien Claude Opus 5.5, und noch am selben Tag stand es in den Überschriften: deutlich stärker als das bisherige Spitzenmodell aus demselben Haus und als Astra von OpenAI, direkt an der Spitze der Ranglisten. Ich lese solche Meldungen gern. Nur entscheide ich danach nicht, mit welchem Modell ich arbeite.

Was an der Rangliste stimmt

Die Zahlen sind nicht erfunden. Opus 5.5 liegt in den meisten Tests vorn, und der Fortschritt dahinter ist echt. Laut Anthropic arbeitet das Modell bei den meisten Aufgaben auf dem Niveau des bisherigen Spitzenmodells, kostet dabei rund 40 Prozent weniger als sein Vorgänger und liefert Antworten über 30 Prozent schneller. Ein Modell, das besser, billiger und schneller zugleich wird: Vor ein paar Jahren hätte ich das für einen Werbesatz gehalten. Heute ist es ein ganz normaler Dienstag im September.

Was der Hersteller selbst dazuschreibt

Spannend wird es auf der Launch-Seite von Anthropic, direkt über der eigenen Benchmark-Tabelle. Dort steht sinngemäß: Auf diesem Leistungsniveau seien die Abstände in Benchmarks ein weniger verlässlicher Hinweis auf echte Unterschiede geworden. Im eigenen Einsatz sei der Abstand zum bisherigen Spitzenmodell kleiner, als die Werte vermuten lassen.

Selten war eine Einordnung so bequem zu haben. Sie steht schon da, beim Hersteller, einen Absatz über den Balken, mit denen die Überschriften gemacht werden. Und sie passt zu dem, was Forschende beobachten. Die Forschungsorganisation METR hat im März eine Untersuchung veröffentlicht: Die Verantwortlichen großer Open-Source-Projekte prüften KI-Lösungen, die einen bekannten Code-Test bestanden hatten. Rund die Hälfte davon hätten sie nicht übernommen. Bestanden heißt eben noch nicht brauchbar.

Warum die Zahlen am Alltag vorbeimessen

The Decoder hat es im März in zwei Sätzen gefasst: Arbeit besteht selten aus einer einzelnen Aufgabe. Sie besteht aus Ketten von Teilaufgaben, Rückfragen, Wartezeiten, Freigaben und Systembrüchen. Ein Benchmark prüft ein Glied dieser Kette. Den Rest erleben wir selbst. Und wenn wir jeder neuen Rangliste mit einem Modellwechsel folgen, zahlen wir dafür: Wir lernen das neue Gegenüber gerade kennen, da ist das nächste schon da, und die eingespielten Abläufe fangen von vorn an.

Bei den Software-Einführungen, die ich im Büro begleitet habe, war es ähnlich. Ob ein neues Werkzeug etwas taugt, zeigt sich selten an der einzelnen Aufgabe. Es zeigt sich daran, wie oft wir nachsteuern müssen, wie viele Schleifen eine Sache dreht und ob sich die Zusammenarbeit leicht anfühlt oder zäh. Das steht in kaum einer Tabelle, und genau das entscheidet, ob ein Team ein Werkzeug gern benutzt.

Wie ich ein neues Modell ausprobiere

Ich teste nicht mit Tabellen. Ich arbeite weiter wie vorher, an denselben Projekten, und achte darauf, wie es sich anfühlt. Bei Opus 5.5 habe ich es schnell gemerkt: Der Umgang war wieder direkter. Weniger Diskussion, mehr Lösung, so wie ich es von Opus 4.8 kannte und eigentlich noch mehr von 4.6. Mein Aha-Moment war die Geschwindigkeit, gepaart mit einer Arbeit, die einfach durchlief. Dazu verbrauchte das Modell spürbar weniger Token als Fable, also weniger von den Textbausteinen, nach denen KI-Nutzung abgerechnet wird.

Nicht jeder Wechsel geht so aus. Opus 5 habe ich nach dem ersten Eindruck gleich wieder beiseitegelegt und bin zu 4.8 zurück. Neben meinem eigenen Eindruck lese ich, was andere erleben, in Foren und Erfahrungsberichten. Erst dann entscheide ich. Die Ranglisten sind dabei eine Stimme unter vielen, und selten die lauteste.

Ranglisten messen einzelne Aufgaben. Unsere Arbeit besteht aus Abläufen.

Der Wochentest

Für ein Team, das entscheiden will, mit welchem Modell es arbeitet, reicht ein kleines Ritual. Wir legen eine Mappe mit fünf echten Aufgaben aus unserem Alltag an, am besten solche mit mehreren Schritten und einer Rückfrage darin. Kommt ein neues Modell, arbeiten wir eine Woche damit und stellen danach zwei Fragen: Wie viele Schleifen hat jede der fünf Aufgaben gedreht, und wollen wir mit diesem Gegenüber weiterarbeiten? Zeit und Kosten schreiben wir nebenbei mit.

Eine Studie wird daraus nicht. Dafür bekommen wir die Antwort auf die Frage, die uns wirklich beschäftigt: ob dieses Modell zu unserer Arbeit passt.

Was wir mitnehmen können

Wir müssen nicht jeder Rangliste hinterherlaufen, um bei KI vorne dabei zu sein. Die Modelle werden gerade in einem Tempo besser, das mich jedes Mal wieder staunen lässt, und am meisten dort, wo es für uns zählt: in der Zusammenarbeit. Den besten Test dafür haben wir selbst in der Hand. Er läuft in unserer eigenen Woche, und wir sind diejenigen, die ihn auswerten.

← Mit KI arbeiten