4 Min. Lesezeit
Claude Opus 5 zieht mit Fable 5 gleich – zum halben Preis und mit anpassbarem Aufwandsregler. Die Wirtschaftlichkeit von KI-Agenten hat sich gerade grundlegend verändert
By submitting, you consent to our use of your data. Privacy Policy.
Kategorie
Die AI-Welt
Artikel teilen
Anthropic hat Claude Opus 5 zu einem Preis von 5 $ pro Million Input-Token und 25 $ pro Million Output-Token auf den Markt gebracht – die Hälfte des Preises von Fable 5, dem es in den Frontier-Benchmarks fast ebenbürtig ist. Das Modell verfügt außerdem über eine Steuerung des Aufwands pro Durchgang (Effort Control), ein Regler, mit dem eingestellt werden kann, wie intensiv das Modell bei jedem Aufruf nachdenkt. Für einen Chatbot ist das ein nettes Zusatzfeature. Für einen AI Agent, der Dutzende von Modellaufrufen benötigt, um eine einzige Aufgabe zu erledigen, bedeutet ein halbiertes Preisniveau plus steuerbarer Aufwand eine direkte Reduzierung der Kosten pro abgeschlossener Aufgabe (Cost-per-Completed-Task) – also genau der Kennzahl, die letztendlich darüber entscheidet, ob sich die Automatisierung eines Workflows lohnt. Die Schlagzeile ist der Benchmark. Die eigentliche Veränderung darunter besteht darin, dass Sie nun Kosten und Argumentationstiefe pro Schritt feinstimmen können.
Die meisten Berichte vergleichen Opus 5 mit Fable 5 und dem Rest der technologischen Spitze. Die weitaus nützlichere Frage für jeden, der AI Agents produktiv einsetzt, ist jedoch, wie sich ein günstigeres Modell mit einem Regler für die Argumentationstiefe auf die Wirtschaftlichkeit pro Einheit der Arbeit auswirkt.
Warum ein Aufwandregler für AI Agents wichtiger ist als für Chats
Ein Nutzer in einem Chatfenster sendet einen Prompt und liest eine Antwort. Der Aufwand pro Aufruf fällt dabei kaum ins Gewicht. Bei einem AI Agent ist das anders. Um eine echte Backoffice-Aufgabe zu erledigen, einen Bewerber zu prüfen, eine Rechnung abzugleichen oder ein Ticket zu klassifizieren, ist eine Kette von Modellaufrufen erforderlich – und diese sind nicht alle gleich anspruchsvoll.
Die meisten Schritte sind mechanischer Natur: ein Feld parsen, einen Wert neu formatieren, ein Häkchen setzen. Nur bei einigen wenigen Schritten entscheidet die Argumentationstiefe tatsächlich über das Ergebnis: die Ermessensentscheidung, der Sonderfall, der mehrdeutige Abgleich. Bislang fielen für jeden Schritt ungefähr die gleichen Kosten für die Argumentationsleistung an. Eine Steuerung des Aufwands pro Durchgang ermöglicht es Ihnen, tiefgehende Argumentation nur dort einzusetzen, wo sie das Ergebnis verändert, und alles andere kostengünstig auszuführen. Sie passen die Rechenleistung an den jeweiligen Schritt an, anstatt Spitzenpreise für das Neuformatieren einer Telefonnummer zu zahlen.
Der halbe Preis ändert die Entscheidung, was sich zu automatisieren lohnt
Die Kosten pro Aufgabe sind einfach zu berechnen: Anzahl der Aufrufe mal Preis pro Aufruf. AI Agents führen viele Aufrufe aus, sodass sich der Preis pro Aufruf schnell summiert. Eine Halbierung des Preises und das anschließende Herunterschrauben des Aufwands für die kostengünstige Mehrheit der Schritte senkt die Rechnung nicht nur geringfügig. Es definiert völlig neu, welche Workflows sich überhaupt zu automatisieren lohnen.
Modell | Preis pro 1 Mio. Token (In / Out) | Positionierung |
|---|---|---|
Claude Opus 5 | 5 $ / 25 $ | Nahezu Spitzenklasse, neuer Standard auf Max |
Claude Fable 5 | 10 $ / 50 $ | Spitzenklasse, ca. 2x so teuer |
Ein Workflow, der bei 10 $/50 $ grenzwertig war, weil die Rechenkosten die Einsparungen auffraßen, kann die Ziellinie bei 5 $/25 $ mit pro Schritt optimiertem Aufwand problemlos überschreiten. Nicht die Intelligenz, sondern die Wirtschaftlichkeit hat sich hier entscheidend verändert.
Die Lehre daraus ist nicht „alles auf Opus 5 umzustellen“
Der Reflex bei jedem günstigeren und fast ebenso guten Modell ist, sofort alles darüber laufen zu lassen. Das ist nach wie vor der falsche Ansatz, und der Aufwandregler verdeutlicht dies nur noch mehr. Die Aufgabe besteht nicht darin, sich auf ein einziges Modell und eine einzige Einstellung festzulegen. Es geht darum, jeden Schritt zum richtigen Modell mit dem passenden Aufwand zu leiten: günstiges Modell, geringer Aufwand für die mechanische Mehrheit; leistungsstärkeres Modell oder höherer Aufwand für die wenigen Schritte, die über das Ergebnis entscheiden. Opus 5 fügt einer Entscheidung, bei der es ohnehin schon darum ging, die Kosten an die Aufgabe anzupassen, einen zweiten Stellhebel hinzu.
Genau dafür ist eine modellagnostische Plattform da. Wenn sich das Preis-Leistungs-Verhältnis im nächsten Quartal wieder verschiebt – und das wird es –, möchten Sie einfach nur eine Einstellung ändern und nicht den gesamten Workflow neu konzipieren müssen.
Was jetzt konkret zu tun ist
Messen Sie die Kosten pro abgeschlossener Aufgabe, nicht den Preis pro Token. Der Token-Preis ist nur eine Schlagzeile. Die entscheidende Zahl ist das, was eine fertiggestellte Arbeitseinheit von Anfang bis Ende kostet.
Reduzieren Sie den Aufwand bei mechanischen Schritten. Die meisten Aufrufe eines AI Agents erfordern keine Spitzenleistungen in der Argumentation. Nutzen Sie diese nur dort, wo menschliches Urteilsvermögen gefragt ist.
Sparen Sie sich den teuren Aufwand für die echten Entscheidungen auf. Bei Sonderfällen und unklaren Abfragen zahlt sich hoher Aufwand aus.
Bleiben Sie modellagnostisch. Heute ist es Opus 5 zum halben Preis. Es geht nicht um dieses eine Modell, sondern um die Fähigkeit, Kosten und Argumentationsaufwand pro Schritt flexibel zu steuern, ohne das System neu aufbauen zu müssen.
Die eigentliche Neuigkeit ist nicht, dass Anthropic ein günstigeres Flaggschiff-Modell herausgebracht hat. Es ist vielmehr so, dass AI Agents die Kosten pro Aufgabe zur entscheidenden Messgröße gemacht haben – und Opus 5 Ihnen soeben zwei Hebel an die Hand gegeben hat, um diese zu senken. Die Teams, die bei der Wirtschaftlichkeit die Nase vorn haben, werden nicht diejenigen sein, die das billigste Modell nutzen. Es werden diejenigen sein, die jeden Schritt optimal nach Kosten und Nutzen steuern.
