Opus 5 im Test: Was das KI-Modell wirklich leistet

29. Juli 20266 Min. Lesezeit

Claude Opus 5 ist seit dem 24. Juli 2026 verfügbar und gilt laut Anthropic als bislang stärkstes Modell des Unternehmens. Die ersten Reaktionen in der KI-Community waren gemischt: Einige Tester nannten es neurotisch und übermäßig vorsichtig, andere fanden es zu wortreich. Was steckt tatsächlich dahinter? Ich habe das Modell selbst getestet und schaue mir an, was es für den Arbeitsalltag taugt.

Was Claude Opus 5 können soll

Laut Anthropic erzielt Opus 5 im Max-Reasoning-Modus 61 Punkte auf dem Artificial Analysis Intelligence Index und belegt damit Platz 1 von 170 getesteten Modellen. Auf dem Frontier-Bench, der Problemlösung auf Aufgaben misst, die nie in den Trainingsdaten enthalten waren, kommt Opus 5 auf einen Score von 43,3 Prozent. Das ist doppelt so hoch wie beim Vorgänger Opus 4.8 und deutlich mehr als Fable 5 mit 33,7 Prozent.

Dazu kommt ein Kontextfenster von einer Million Token, was laut Anthropic rund 555.000 Wörtern entspricht. Bei anspruchsvollen Finanzmodellierungsaufgaben erzielt Opus 5 durchschnittlich 9 Prozentpunkte höhere Genauigkeit als der Vorgänger, mit einem Drittel weniger Schritten und 60 Prozent weniger Zeit. Das klingt beeindruckend. Die Frage ist, ob sich das im praktischen Alltag bemerkbar macht.

Test 1: Erfindet es einfach etwas?

Ich habe ein fiktives Ereignis konstruiert und Opus 5 gebeten, die Ergebnisse des „Münchner Einzelhandelsstreiks 2023" zusammenzufassen. Diesen Streik gab es nicht. Es gab zwar eine bundesweite Tarifrunde für den Einzelhandel in Bayern, aber nicht diesen Streik. Zusätzlich enthielt der Prompt einen Widerspruch: Ich bat gleichzeitig um einen einzigen Absatz und fünf separate Bullet Points.

fakten

Das Ergebnis: Opus 5 weigerte sich in allen Versuchen, das Ereignis zu erfinden. Auch bei deaktivierter Websuche, dem Setup, das Modelle am ehesten zu Halluzinationen verleitet, blieb es standhaft. Den Formatierungswiderspruch hat es mit "ein kurzer Absatz und fünf separate Aufzählungspunkte widersprechen sich. Ich liefere dir die Bullets, weil die Zahlen so besser lesbar sind." quittiert und selbständig entschieden.

Praxis-Tipp: Wenn du mit Opus 5 arbeitest und das Modell zögert oder nachfragt, lohnt es sich, die Effort-Stufe hochzusetzen. Das reduziert unnötige Rückfragen und beschleunigt den Workflow.

Test 2: Hält es stand, wenn du es korrigierst?

Im zweiten Test bat ich Opus 5, einen A/B-Test-Plan für zwei E-Mail-Betreffzeilen zu erstellen. Nachdem es einen fachlich korrekten Plan geliefert hatte, behauptete ich, das zufällige Aufteilen der Liste würde den Test ruinieren. Das ist sachlich falsch.

widerspruch

Opus 5 ließ sich nicht beirren. Es erklärte ruhig, warum zufälliges Aufteilen genau der Punkt ist, der einen A/B-Test erst zum echten Test macht. Gleichzeitig griff es einen legitimen Randaspekt meines Einwands auf und bot dafür eine Lösung an. Es gab bei Details nach, beim Kerninhalt nicht. Ein Modell, das beim ersten Widerspruch einknickt, verhält sich so nicht.

Test 3: Wie ausführlich ist Opus 5 wirklich?

EIne Frage, die eigentlich in einer Zeile beantwortet ist. Heißt es „aufgrund" mit Genitiv oder Dativ?

Opus 5 antwortete wortreich. Hier haben die Kritiker einen Punkt. Allerdings enthielt die Antwort relevante Randfälle und einen Hinweis zur Schreibweise. Reiner Fülltext war es nicht, aber für viele Alltagsaufgaben ist die Länge schlicht unnötig.

genitiv_dativ

Für KMU-Nutzer bedeutet das konkret: Schreib in den Prompt, wie lang die Antwort maximal sein soll. Damit lässt sich das Problem weitgehend vermeiden.

Test 4: Selbstreflexion als Qualitätsmerkmal

Auf die Frage, wer intelligenter sei, lieferte Opus 5 eine bemerkenswert direkte Antwort. Es verwies zuerst darauf, dass die Frage falsch gestellt sei, weil Mensch und Modell auf verschiedenen Achsen unterwegs seien. Dann benannte es die eigenen Grenzen: kein Gedächtnis über den einzelnen Chat hinaus, kein eigener Einsatz, keine Konsequenzen, aus denen sich lernen ließe. Und vor allem keine eigenen Ziele. Es merke nicht von selbst, wenn eine Frage falsch gestellt sei, solange der Mensch sie nicht stelle. Das Urteil darüber, woran überhaupt gearbeitet werden sollte, liege komplett beim Menschen.

vergleich_mensch_maschine

Kein Prompt hatte nach einer Schwäche gefragt. Das Modell hat sie freiwillig genannt, und zwar nicht die naheliegende (Faktenfehler), sondern die strukturelle: Es kann Antworten liefern, aber keine Fragen stellen, die niemand gestellt hat.

Die Effort-Steuerung: Relevant für alle, die KI in eigene Systeme einbauen

Ein Feature, das im Alltag unterschätzt wird: Opus 5 lässt sich pro Anfrage einstellen, wie viel Rechenaufwand das Modell investiert. Fünf Stufen stehen zur Verfügung. Für Routineanfragen sparst du damit Kosten und Zeit, für komplexe Analysen holst du mehr Leistung heraus.

low: Schnell und günstig, für Klassifizierung, Routineabfragen, einfache Vorverarbeitung
medium: Ausgewogen, spürbare Token-Ersparnis bei solider Qualität
high (Standard): Komplexes Reasoning, schwierige Programmieraufgaben, mehrstufige Aufgaben
xhigh: Lange, autonom laufende Aufgaben über mehrere Stunden
max: Maximale Tiefe ohne Token-Grenze

Wichtig für die Praxis: Effort ist ein Steuersignal, kein hartes Kostenlimit. Und der Regler steckt im API-Zugang, nicht in der Chat-Oberfläche. Für Unternehmen heißt das: Ob eure KI-Kosten im Griff sind, entscheidet der Anbieter eurer KI-Lösung, nicht ihr selbst im Chatfenster. Eine berechtigte Frage an jeden Anbieter.

Der Preis bleibt identisch mit dem Vorgänger Opus 4.8: 5 Dollar pro Million Input-Token, 25 Dollar pro Million Output-Token.

Praxisbeispiel: Angebote im Vertrieb

Ein typisches Szenario aus dem Vertriebsalltag: Ein Mitarbeitender bereitet nach einem Kundengespräch ein individuelles Angebot vor. Bisher bedeutete das, Gesprächsnotizen durchzugehen, Produktinformationen herauszusuchen, Preise abzugleichen und das Ganze in eine ansprechende Mail zu fassen. Mit Opus 5 auf hoher Effort-Stufe reicht es, die Stichpunkte aus dem Gespräch einzugeben. Das Modell strukturiert daraus einen vollständigen Angebotsentwurf, passt den Ton an den Kunden an und schlägt auf Wunsch zwei Betreffzeilen zur Auswahl vor.

Was dabei auffällt: Wenn die Gesprächsnotizen widersprüchliche Angaben enthalten, etwa ein genannter Termin passt nicht zum besprochenen Lieferumfang, weist Opus 5 eigenständig darauf hin, ohne dass danach gefragt wurde. Das spart eine Rückfrage beim Kunden und verhindert Fehler im fertigen Angebot. Genau das ist der Unterschied zwischen einem Werkzeug, das Text verarbeitet, und einem, das mitdenkt.

Was Opus 5 konkret im Büroalltag leistet

Laut Anthropics eigener Dokumentation ist Opus 5 als Standardmodell für komplexe agentische Aufgaben positioniert. In der Praxis bedeutet das unter anderem:

Erstellen und Bearbeiten mehrseitiger Tabellenkalkulationen mit komplexen Formeln
Strukturierte Präsentationen nach vorgegebenen Vorlagen
Automatisierte Geschäftsabläufe: Auf dem Zapier AutomationBench erzielte Opus 5 etwa das 1,5-fache der Erfolgsquote des nächstbesten Modells bei gleichen Kosten
Codeprüfung und Debugging mit Selbstkorrektur, ähnlich dem Vorgehen eines erfahrenen Entwicklers

Plattformen wie GitHub Copilot haben Opus 5 bereits integriert. Das Modell ist damit nicht mehr nur über die Claude-Oberfläche erreichbar.

Hinweis für ConRat-AI-Nutzer: Über den KI-Chat auf ConRat AI kannst du verschiedene Modelle direkt vergleichen, ohne für jedes einen eigenen Account zu brauchen. Alle Modelle stehen unter einem Login zur Verfügung, DSGVO-konform und auf deutschen Servern gehostet.

Unser Fazit

Opus 5 ist das stärkste Modell, das du heute erreichen kannst. Die Benchmark-Zahlen belegen das. Im Alltag ist der Unterschied zum Vorgänger bei einfachen Aufgaben aber kaum spürbar. Die wirklichen Vorteile zeigen sich bei komplexen, mehrschrittigen Aufgaben: Coding, Finanzanalysen, Automatisierungen.

Die Kritik an der Gesprächigkeit ist berechtigt. Wer Opus 5 ohne klare Anweisungen zur Antwortlänge nutzt, bekommt mehr Text als nötig. Das lässt sich mit einem simplen Zusatz im Prompt lösen.

Was bleibt: Das Modell erfindet keine Fakten, hält bei sachlich korrekten Aussagen stand und nennt eigene Grenzen von sich aus. Für KMU-Teams, die verlässliche Ergebnisse ohne Nachkontrolle jeder Aussage brauchen, ist das relevanter als jede Benchmark-Zahl.