Claude Opus 4.7 ist gerade veröffentlicht worden. Das sollten Sie wissen

Die meisten Modell-Upgrades sind inkrementell. Bessere Benchmarks, eine Pressemitteilung, vielleicht ein paar Prozentpunkte auf einem Leaderboard, das außer der ML-Twitter-Community eigentlich niemand verfolgt. Man führt das Upgrade durch, wenn man gerade Zeit dafür findet.

Claude Opus 4.7 ist anders. Anthropic hat neben den Leistungsverbesserungen auch Breaking API Changes veröffentlicht. Das bedeutet, dass Enterprise-Teams, die Agenten in der Produktion betreiben, nicht einfach nur die Modell-ID austauschen und weitermachen können. Das Upgrade ist real, aber die Migrationsarbeit ist es auch.

Was in Claude Opus 4.7 neu ist

Anthropic hat Claude Opus 4.7 am 16. April veröffentlicht. Es ist über die Claude-API, Amazon Bedrock, Google Cloud Vertex AI und Microsoft Foundry verfügbar. Die Preise bleiben dieselben wie bei Opus 4.6: 5 $ pro Million Input-Token und 25 $ pro Million Output-Token.

3x Vision-Auflösung. Das Modell akzeptiert jetzt Bilder mit bis zu 2.576 Pixeln an der langen Kante, was etwa 3,75 Megapixeln entspricht – mehr als das Dreifache des bisherigen Limits von 1.568 Pixeln. Für KI-Agenten, die Dokumente verarbeiten, Screenshots auslesen oder Daten aus komplexen Diagrammen extrahieren, ist dies die folgenreichste Änderung. Koordinaten werden jetzt 1:1 auf tatsächliche Pixel abgebildet, wodurch die Skalierungsfaktor-Berechnungen entfallen, die frühere Vision-Workflows erschwert haben.

Aufgaben-Budgets (Task budgets). Ein neues Beta-Feature, mit dem Entwickler ein beratendes Token-Budget für einen vollständigen agentischen Loop festlegen können – einschließlich Denken, Tool-Aufrufen, Ergebnissen und finalem Output. Das Modell sieht einen laufenden Countdown und mäßigt sich selbst. Dies ist keine harte Obergrenze, sondern ein Vorschlag, dessen sich das Modell bewusst ist. Für Enterprise-Teams, die die Kosten für ganze Agenten-Flotten verwalten, ist dies der erste native Mechanismus zur Steuerung der Token-Ausgaben, ohne die Leistungsfähigkeit beschneiden zu müssen.

Neues Effort-Level „xhigh“. Ein feinerer Steuerungspunkt zwischen „high“ und „max“ Reasoning. Claude Code nutzt nun standardmäßig „xhigh“ für alle Tarife, was zeigt, dass Anthropic dies als den optimalen Bereich für agentische Programmierarbeit ansieht.

Besseres Gedächtnis. Das Modell ist messbar besser darin, dateisystembasierte Speicher über sitzungsübergreifende Arbeiten hinweg zu schreiben und zu nutzen. Agenten, die Scratchpads, Notizen oder strukturierte Speicher nutzen, sollten auch ohne Prompt-Änderungen Verbesserungen feststellen.

Buchstäblichere Befolgung von Anweisungen. Opus 4.7 interpretiert Anweisungen wörtlicher als sein Vorgänger, insbesondere bei niedrigeren Effort-Levels. Es wird eine Anweisung nicht stillschweigend von einem Element auf ein anderes verallgemeinern oder Anfragen ableiten, die Sie nicht gestellt haben. Dies ist ein Vorteil für präzisionskritische Enterprise-Workflows – und eine potenzielle Stolperfalle für Teams mit ungenau formulierten Prompts.

Was nicht mehr funktioniert

Hier unterscheidet sich Opus 4.7 von einem typischen Modell-Upgrade.

Explizite Thinking-Budgets gibt es nicht mehr. Das Festlegen expliziter Thinking-Budgets gibt jetzt einen 400-Fehler zurück. Adaptive thinking ist der einzige unterstützte Modus und standardmäßig deaktiviert. Teams, die auf explizite Thinking-Budgets angewiesen waren, müssen auf Adaptive Thinking mit entsprechenden Effort-Levels umstellen.

Sampling-Parameter gibt es nicht mehr. Das Setzen von temperature, top_p oder top_k auf einen anderen Wert als den Standardwert gibt einen 400-Fehler zurück. Wenn Ihre Agenten-Pipelines die Temperature für deterministische Ergebnisse auf Null gesetzt haben, bricht dieser Code beim Upgrade ab. Der Migrationspfad besteht darin, diese Parameter vollständig zu entfernen und das Verhalten über Prompting zu steuern.

Neuer Tokenizer. Die Anzahl der Input-Token erhöht sich je nach Inhalt um das 1- bis 1,35-fache. Derselbe Prompt kostet bis zu 35 % mehr Token in der Verarbeitung. Dies wirkt sich auf Kostenprognosen, Context-Window-Budgets und alle fest codierten max_tokens-Werte aus, die für Opus 4.6 optimiert wurden.

Thinking-Inhalte standardmäßig ausgeblendet. Thinking-Blöcke erscheinen zwar weiterhin im Stream, ihr Inhalt ist jedoch leer, es sei denn, Sie aktivieren dies explizit. Produkte, die den Denkprozess (Reasoning) für Benutzer streamen, werden ohne entsprechende Anpassung eine lange Pause aligned vor dem Start der Ausgabe feststellen.

Was das für den Einsatz von Enterprise-Agenten bedeutet

Drei Auswirkungen, über die es sich nachzudenken lohnt.

Vision-lastige Agenten sind gerade dramatisch besser geworden

Dokumentenverarbeitung, Rechnungsextraktion, Screenshot-Verifizierung, Diagrammanalyse, Prüfung von Compliance-Dokumenten. Jeder Agenten-Workflow, bei dem Bilder im Detail gelesen werden müssen, wurde verständlicherweise verbessert. Die dreifache Auflösungssteigerung ist nicht marginal. Sie macht den Unterschied aus zwischen einem Agenten, der einen dichten Finanzbericht lesen kann, und einem, der es nicht kann.

Für Unternehmen, die KI-Agenten in regulierten Branchen wie dem Banken- und Versicherungswesen einsetzen, in denen Dokumentengenauigkeit nicht verhandelbar ist, ist dies wahrscheinlich die folgenreichste Funktion, die dieses Jahr in einem Modell-Update veröffentlicht wurde.

Die Breaking Changes erzwingen eine Plattform-Abstraktion

Wenn Sie Agenten direkt über die Anthropic-API betreiben, ist die Migration auf Opus 4.7 mit echter Arbeit verbunden. Sie müssen jede Pipeline auf Thinking-Budgets, Sampling-Parameter, Tokenizer-Annahmen und Thinking-Anzeigeeinstellungen überprüfen. Wenn man das auf Dutzende von Agenten hochrechnet, wird das Upgrade zu einem Projekt und nicht zu einem einfachen Klick.

Genau in diesem Szenario spielen modellunabhängige Agenten-Plattformen ihre Stärken aus. Wenn die Orchestrierungsschicht die Modellabstraktion übernimmt, ist ein Modell-Upgrade eine Konfigurationsänderung und kein technischer Sprint. Die Plattform fängt die Breaking Changes ab, sodass die Geschäftsprozesse davon unberührt bleiben.

Aufgaben-Budgets signalisieren den Beginn kostenbewusster agentischer KI

Bislang bedeutete die Kontrolle der Agentenkosten entweder eine stumpfe Begrenzung der Token (was die Qualität mindert) oder das unkontrollierte Laufenlassen des Modells (was die Budgets sprengt). Aufgaben-Budgets sind der erste native Mechanismus, mit dem das Modell selbst seine Ausgabenbegrenzung versteht. Es ist zwar nur eine Empfehlung und wird nicht erzwungen, aber das Konzept ist richtig.

Für Enterprise-Szenarien mit Hunderten von Agenten ist eine Kostenkontrolle pro Aufgabe eine Grundvoraussetzung für die Skalierung. Dass Anthropic das Kostenbewusstsein direkt in das Modell integriert, bestätigt, dass dies eine Kernanforderung für eine produktionsreife Agenten-Infrastruktur ist und kein Nebengedanke.

Bemerkenswerte Benchmarks

Frühe Tester berichteten von:

• 13 % Verbesserung der Auflösung bei Coding-Benchmarks (Evaluation mit 93 Aufgaben)

• 3x mehr gelöste Produktionsaufgaben als beim Opus 4.6 auf Rakuten-SWE-Bench

• 21 % weniger Fehler beim Dokumenten-Reasoning auf Databricks' OfficeQA Pro

• 10 bis 15 % Steigerung des Aufgabenerfolgs bei komplexen, mehrstufigen Workflows

Die Verbesserung beim Dokumenten-Reasoning deckt sich mit dem Vision-Upgrade. Die Verbesserungen beim Coding sind bemerkenswert, da Opus 4.6 in diesem Bereich bereits stark war. Zinseszinseffekte bei einem ohnehin schon leistungsstarken Modell wiegen schwerer als die Sprünge der ersten Generation.

Was jetzt zu tun ist

Wenn Sie Agenten auf Opus 4.6 betreiben, führen Sie kein blindes Upgrade durch. Überprüfen Sie Ihre Pipelines auf die vier Breaking Changes: Thinking-Budgets, Sampling-Parameter, Tokenizer und die Thinking-Anzeige. Testen Sie alles in einer Staging-Umgebung, bevor Sie in die Produktion gehen.

Wenn Sie Claude für neue Agenten-Szenarien evaluieren, starten Sie direkt mit Opus 4.7. Das Adaptive-Thinking-Modell ist sauberer als der alte Ansatz mit expliziten Budgets, und allein die Vision-Verbesserungen rechtfertigen den Einsatz für jeden dokumentenintensiven Workflow.

Wenn Sie Agenten auf einer Plattform ausführen, die die Modellabstraktion übernimmt, fragen Sie Ihren Anbieter, wann der Support für Opus 4.7 bereitgestellt wird und ob die Breaking Changes Ihre Deployments betreffen. Die Antwort sollte „bereits erledigt“ oder „diese Woche“ lauten.

Die Modellebene ist der dynamischste Teil des Enterprise-KI-Stacks. Die Teams, die Modell-Upgrades als routinemäßige Wartung und nicht als aufwendige Softwareprojekte behandeln, sind diejenigen, die Agenten erfolgreich skalieren.