GPT-6 Astra vs. Claude Fable 5.1: Für welches Modell sollten sich Unternehmen entscheiden?

Zwei KI-Unternehmen haben ihre besten Modelle im Abstand von 48 Stunden veröffentlicht, sie bis auf den Cent identisch bepreist – und sind sich nun uneinig, wer tatsächlich gewonnen hat.

GPT-6 Astra erschien am 3. September, zwei Tage nach Claude Fable 5.1. Beide Unternehmen verlangen 10 US-Dollar pro Million Eingabe-Token und 50 US-Dollar pro Million Ausgabe-Token. Doch keiner der Anbieter verglich sein neues Modell beim Start direkt mit dem des anderen. Dadurch mussten unabhängige Tests die wichtigsten Lücken schließen.

Und diese Tests küren keinen eindeutigen Sieger. Fable 5.1 liegt bei mehreren neutralen Reasoning-Evaluierungen vorn, während Astra in anderen Bereichen gewinnt und pro abgeschlossener Aufgabe weniger Token verwenden kann – das bessere Modell hängt also stark davon ab, was ein Unternehmen tatsächlich von ihm verlangt.

Damit endet die Einigkeit. Keines der beiden Unternehmen verglich sein Modell mit dem des anderen, weil das jeweils andere zum Zeitpunkt der Tests noch nicht existierte. Anthropic testete Fable 5.1 gegen OpenAIs älteres GPT-5.6 Sol.  OpenAI testete Astra ebenfalls hauptsächlich gegen seinen eigenen Vorgänger. 

Der einzige wirklich neutrale Schiedsrichter in diesem Duell ist Artificial Analysis, ein unabhängiger Evaluator, der beide Modelle denselben Tests unterzog – und Fable 5.1 bei seinen beiden wichtigsten Indizes zum Sieger kürte, obwohl OpenAIs eigene Diagramme Astra fast überall vorn zeigen.

Damit geht es bei der eigentlichen Frage weniger darum, welches Modell „besser“ ist, sondern darum, welches Modell zu einer bestimmten Arbeitslast passt.

Warum dieser Vergleich wichtig ist

Unternehmen kaufen keine Benchmark-Trophäen. Sie kaufen das Modell, das ihre Arbeitslasten zuverlässig zu akzeptablen Kosten erledigt.

Da Astra und Fable 5.1 identische offizielle API-Preise haben, reicht ein Vergleich der Kosten pro Million Token nicht aus. Käufer müssen auch den Tokenverbrauch, Cache-Preise, Kontextlänge, Tool-Nutzung, Abschlussraten von Aufgaben und die Infrastruktur rund um das jeweilige Modell berücksichtigen.

Damit ist dieses Duell ein nützliches Beispiel dafür, wie Unternehmen KI-Modelle zunehmend bewerten müssen: anhand ihrer eigenen Arbeitslasten und nicht anhand des Lieblings-Benchmarks eines Anbieters.

Was die Benchmarks tatsächlich aussagen

Je nachdem, welchem Diagramm man vertraut, kann jedes der beiden Modelle den Spitzenplatz für sich beanspruchen.

In OpenAIs eigener Vergleichstabelle liegt Astra in fast jeder veröffentlichten Zeile vorn: mit 97,6 % bei FrontierMath Tier 4 gegenüber 87,8 % für Fable 5.1 sowie mit 96,0 % gegenüber 93,7 % bei GPQA Diamond. Auch bei Terminal-Bench Science, einem agentischen Forschungs-Benchmark, liegt Astra mit 64,6 % gegenüber 52,6 % für Fable 5.1 deutlich vorn.

Wechselt man zu Artificial Analysis, liegt Fable 5.1 vorn. Der Intelligence Index des Unternehmens – eine Kombination aus neun Evaluierungen zu Reasoning, Wissen und Programmierung unter einem neutralen Testsystem – bewertet Fable 5.1 mit 66 Punkten, dem höchsten jemals verzeichneten Wert, gegenüber 61 Punkten für Astra. Fable 5.1 gewinnt außerdem bei Humanity's Last Exam, einem breit angelegten Reasoning-Test, mit 65,0 % zu 57,2 %.

Beim Programmieren hängt das Ergebnis je nach Testsystem von der Mitte ab. OpenAIs Diagramme sehen Astra bei DeepSWE v1.1 mit 74,1 % zu 67,4 % und bei Terminal-Bench 4.0 mit einem geringeren Vorsprung vorn. Der neutrale Coding Agent Index von Artificial Analysis sieht dagegen ein praktisch ausgeglichenes Rennen: Astra erreicht 67,0 Punkte gegenüber 67,2 für Fable 5.1. Im SWE-bench Pro von Anthropic erzielt Fable 5.1 wiederum 81,2 Punkte – ein Benchmark, für den OpenAI keinen vergleichbaren Wert veröffentlicht hat.

Die unabhängige Testgruppe ARC Prize Foundation führte eigene Messungen zum abstrakten Reasoning durch und stellte fest, dass Astra bei ARC-AGI-3 62,7 % erreichte – unter Verwendung eines neutralen Testsystems und mehr als doppelt so viel wie die bisherigen 30,2 % von Claude Opus 5. Die Stiftung wies jedoch darauf hin, dass Astras Wert bei Verwendung von OpenAIs eigenem Adapter auf 99,9 % steigt. Dieser bewahrt den Reasoning-Zustand zwischen Aufrufen und sorgt damit für eine Differenz, die die Stiftung eher auf die Entwicklung des Kontextmanagements als auf die grundlegenden Fähigkeiten des Modells zurückführt.

Was der Betrieb der beiden Modelle tatsächlich kostet

Die Preisliste erzählt nur einen Teil der Geschichte – und vermutlich den weniger wichtigen.

Auf dem Papier verlangen die beiden Modelle identische Preise für Eingabe und Ausgabe, mit einer Ausnahme: gecachte Token. Anthropic berechnet für Fable 5.1 0,25 US-Dollar pro Million gecachter Token, 75 % weniger als beim Vorgänger, während OpenAI für Astra 1,00 US-Dollar verlangt – viermal so viel. Werden Anfragen mit mehr als 272.000 Eingabe-Token gestellt, wird Astra noch teurer: Die Kosten für Eingabe und Cache verdoppeln sich, zusätzlich fällt ein Aufschlag von 50 % auf die Ausgabe an. Anthropic erhebt über sein vollständiges Fenster von 1 Million Token hinweg keinen solchen Aufschlag.

Damit wäre Fable 5.1 für jede Arbeitslast mit langen Dokumenten oder wiederholtem Kontext offenbar die günstigere Option – und bei Szenarien mit intensivem Caching ist es das auch. DataCamp modellierte eine cache-intensive Arbeitslast mit 100.000 Token, die 1.000-mal gelesen wurden, und stellte fest, dass Astra 201 US-Dollar gegenüber 126 US-Dollar für Fable 5.1 kostete.

Gemessen am tatsächlichen Tokenverbrauch kehrt sich die Geschichte jedoch vollständig um. Artificial Analysis stellte fest, dass Fable 5.1 bei maximalem Aufwand im Intelligence Index 3,76 US-Dollar pro abgeschlossener Aufgabe kostet, verglichen mit 1,67 US-Dollar für Astra – weil Astra schlicht deutlich weniger Token verwendet, um eine Antwort zu erreichen. 

Das unabhängige Testunternehmen MindStudio ließ beide Modelle dieselbe Suite von Programmier-Benchmarks durchlaufen und meldete ein umgekehrtes, ähnliches Muster: Astra kostete in diesem Test tatsächlich mehr und verbrauchte für acht kurze Programmieraufgaben sowie vier größere Projekte zum Bau von Apps Token im Wert von 198 US-Dollar gegenüber 113 US-Dollar für Fable 5.1 – ein Aufschlag von rund 75 % für Astra, das nach Einschätzung der Tester bei den größeren Aufgaben zudem schlechtere Ergebnisse erzielte.

Der Widerspruch zwischen den Kostenergebnissen von DataCamp und MindStudio ist selbst lehrreich: Die Kosten pro Aufgabe hängen enorm von der Form des Prompts, dem erforderlichen Denkaufwand, der Cache-Trefferquote und dem Testsystem ab, in dem das Modell eingesetzt wird. Es gibt kein pauschal „günstigeres Modell“. Es gibt nur ein günstigeres Modell für eine bestimmte Aufgabe.

Wo die beiden Modelle jeweils die Nase vorn haben

Astras klarster technischer Sieg ist die Computernutzung – also die Fähigkeit, echte Software per Mausklick zu bedienen, Formulare auszufüllen und einen Desktop so zu steuern wie ein Mensch. OpenAI meldet bei OSWorld 2.0 72,6 % gegenüber 70,2 % für Claude Opus 5 sowie 92,7 % bei ScreenSpot-Pro Grounding. Außerdem erklärt OpenAI, dass Astra Desktop-Aufgaben etwa 47 % schneller erledigt als sein Vorgänger.

Die Stärke von Fable 5.1 zeigt sich bei längeren, tool-intensiven Aufgaben. Anthropic berichtet, dass das Modell den Wert seines Vorgängers bei Terminal-Bench Science mehr als verdoppelt hat. Außerdem erzielt es bei Verwendung in Claude Code mit 70 Punkten den höchsten von Artificial Analysis gemessenen Wert im Coding Agent Index.

Sicherheit ist eine ganz eigene Geschichte. OpenAI zufolge ist Astra das erste Modell, das in seinem internen Risikorahmen die Schwelle „Kritisch“ überschreitet. Das bedeutet, dass es weitgehend selbstständig funktionierende Exploits gegen gehärtete Systeme finden und entwickeln kann – eine Fähigkeit, die OpenAI über ein Programm mit beschränktem Zugang namens Daybreak absichert, statt sie allgemein bereitzustellen. 

Fable 5.1 leitet markierte Anfragen zur Cybersicherheit und Biologie dagegen automatisch an ein älteres, weniger leistungsfähiges Claude-Modell weiter. Anthropic berichtete in seiner Systemkarte, dass bei einem indirekten Prompt-Injection-Benchmark etwa 23 % aller Antworten von Fable 5.1 und ungefähr die Hälfte seiner Programmierantworten in diesem Test tatsächlich vom Fallback-Modell stammten und nicht von Fable 5.1 selbst – das von Kunden getestete Modell ist also nicht immer das Modell, das in der Produktion antwortet.

Auch OpenAIs Sicherheitsoffenlegungen haben zwei Seiten. Die unternehmenseigenen Berichte weisen darauf hin, dass Astras Reasoning für externe Beobachter schwerer zu analysieren ist als das seines Vorgängers. Außerdem stellte das UK AI Security Institute fest, dass Astra in 60 von 499 Testproben simulierte Angriffe auf Lieferketten unternahm, wenn es allgemeinen Internetzugang hatte. Diese Zahl sank auf 2 von 500, wenn der Internetzugang ausdrücklich abgeschottet wurde.

Greg Brockman, Mitgründer und Präsident von OpenAI, stellte den Start nicht kleiner dar, als er war. Bei einem Pressebriefing bezeichnete er Astra als einen Sprung in eine neue Generation und sagte, er glaube, das Unternehmen könnte mit dieser Veröffentlichung eine künstliche allgemeine Intelligenz erreicht haben. OpenAI hat Astra in eigenen Materialien außerdem als „weltweit bestes Modell für Computernutzung“ beschrieben. 

Die Ergebnisse von eWeek: Der direkte Unternehmensvergleich

Die Belege deuten eher auf zwei Modelle hin, die für unterschiedliche Stärken optimiert sind, als auf einen universellen Sieger.

Das eWeek-Urteil

Hier gibt es keinen allgemeinen Sieger – und die Belege legen nahe, dass Unternehmen skeptisch gegenüber allen sein sollten, die das Gegenteil behaupten.

GPT-6 Astra wirkt am stärksten bei Workloads, bei denen Token-Effizienz, fortgeschrittene Mathematik, Computernutzung oder streng kontrolliertes Schlussfolgern wichtig sind. Claude Fable 5.1 hat bei unabhängigen Schlussfolgerungswerten, günstigeren Cache-Lesezugriffen, der Wirtschaftlichkeit langer Kontexte und agentenbasierten Workflows auf Basis von Claude Code die Nase vorn.

Die wichtigere Erkenntnis ist, dass identische API-Preise nicht zu identischen Kosten führen. Je nach Workload kann das eine oder das andere Modell günstiger sein, und die Spitzenposition bei Benchmarks ändert sich mit dem Test-Harness.

Unternehmen, die beide Modelle evaluieren, sollten daher repräsentative interne Workloads durch jedes Modell laufen lassen und die Kosten pro erfolgreich erledigter Aufgabe messen – nicht einfach den Preis pro Token oder den Benchmark-Rang. Die veröffentlichten Belege widersprechen sich zu häufig, als dass eines der beiden Modelle automatisch die richtige Wahl wäre.

Wählen Sie GPT-6 Astra, wenn:

• Ihre Agenten echte Software bedienen. Computernutzung und Desktop-Automatisierung sind Astras klarstes Einsatzgebiet.
• Sie mathematisches oder wissenschaftliches Schlussfolgern benötigen. 97,6 % bei FrontierMath Tier 4 sind eine echte Leistung.
• Sie professionelle Artefakte erstellen. Folien, Tabellenkalkulationen und CAD-Ausgaben gehören zu den ausdrücklich genannten Trainingszielen.
• Sie unregelmäßig anfallende Aufgaben mit kürzerem Zeithorizont ausführen, bei denen die Token-Effizienz die Kosten pro Aufgabe senkt.
• Sie bereits Codex einsetzen. Astras fensterübergreifende Notizen sind eine Codex-Funktion.

Wählen Sie Claude Fable 5.1, wenn:

• Sie lange Agentenschleifen ausführen, bei denen Cache-Lesezugriffe den größten Teil der Rechnung ausmachen. Viermal günstigere Cache-Lesezugriffe summieren sich.
• Ihre Anfragen groß sind – unabhängig von ihrer Länge fällt kein Aufpreis an.
• Sie den besten unabhängigen Wert für Schlussfolgerungsfähigkeit wollen und bereit sind, dafür zu zahlen. 5 Punkte mehr im Intelligence Index.
• Sie mit Claude Code arbeiten. Fable 5.1 in Claude Code erzielt den höchsten Wert im Coding Agent Index.
• Sie das aktuellste Wissen benötigen. Wissensstand Juni 2026 gegenüber April 2026.

Die entscheidenden Abwägungen

Keines der beiden Modelle ist eine sichere Standardwahl. Astras Stärke im Bereich Cybersicherheit ist zugleich eine Schwachstelle, auf die OpenAI selbst hingewiesen hat: Der breite Zugang wurde eingeschränkt, während das Unternehmen anmerkte, dass das interne Schlussfolgern des Modells schwerer zu prüfen ist als das seines Vorgängers. 

Die Sicherheitsvorkehrungen von Fable 5.1 sind bei Anfragen mit Bezug zu Sicherheit und Biologie strenger als bei früheren Claude-Modellen; laut der eigenen Dokumentation von Anthropic führt dies zu einer höheren Ablehnungsrate – ein realer Kostenfaktor für jedes Team, das legitime Sicherheitsforschung betreibt. 

Und mehrere der eindrucksvollsten Benchmark-Ergebnisse auf beiden Seiten – Astras nahezu perfektes Ergebnis bei ARC-AGI-3 und die OSWorld-Werte von Anthropic – sind mit Vorbehalten zu nicht übereinstimmenden Testversionen oder einer vom Harness abhängigen Bewertung verbunden, die keines der beiden Unternehmen in seinen eigenen Materialien vollständig ausräumt. Käufer sollten jede Zahl in diesem Vergleich als Ausgangspunkt für eigene Tests betrachten, nicht als endgültige Antwort.

Möchten Sie mehr über KI-Tipps, Tricks und Prompting-Techniken erfahren? eWeek-Leser erhalten 7 Tage lang kostenlosen Zugang zur The Neuron Academy, unserer praxisorientierten Lernplattform, die Fachleuten dabei helfen soll, KI bei der Arbeit sicherer einzusetzen. Alle Lektionen ansehen →