Eine Woche mit Opus 4.8: Holt sich Anthropic die Krone zurück?

Seit dem 28. Mai 2026 läuft ein Szenario, das vor Kurzem noch nach Konzept-Video geklungen hätte: Du gibst Claude am Abend eine Aufgabe, klappst den Laptop zu — und während du schläfst, arbeiten hunderte KI-Agenten parallel an deinem Code, bauen ganze Codebasen um, hunderttausende Zeilen, von der ersten Zeile bis zum fertigen Merge. Möglich macht das Claude Opus 4.8.

Das eigentlich Bemerkenswerte ist nicht die Technik, sondern der Kontext. Sechs Wochen zuvor lag Anthropic ziemlich am Boden. Der Vorgänger Opus 4.7 war bei den Nutzern durchgefallen — zu faul, zu zickig, zu teuer. Reihenweise Entwickler wechselten entnervt zu OpenAI, zu Codex und GPT-5.5. Vor diesem Hintergrund ist 4.8 kein gewöhnliches Update, sondern ein Konter, abgefeuert 41 Tage nach dem Vorgänger.

Kurz vorab: Dieser Artikel ist keine PR-Nacherzählung. Es geht hier nicht darum, welches Modell auf welchem Chart vorne liegt, sondern um die Frage, die in der allgemeinen Begeisterung untergeht: Was bedeutet das, wenn du KI in deiner Firma einsetzen willst, ohne dass dir am Monatsende die Rechnung um die Ohren fliegt?

Vier Dinge sortieren wir im Folgenden: wie gut 4.8 wirklich ist, sobald der Marketing-Lack ab ist. Ob sich Anthropic die Coding-Krone zurückholt oder OpenAI postwendend kontert. Was Leute in der ersten Woche tatsächlich damit gebaut haben. Und was du als Geschäftsführer aus all dem mitnehmen solltest.

Das Headline-Feature: hunderte Agenten, die sich selbst kontrollieren

Im Zentrum der Aufmerksamkeit steht ein Feature namens Dynamic Workflows. Bisher war Claude Code im Grunde ein besserer Assistent: Du gibst eine Aufgabe, das Modell arbeitet sie ab, du schaust zu. Mit Dynamic Workflows plant Claude die Arbeit selbst, zerlegt sie in Teilaufgaben und schickt — laut Anthropic — „tens to hundreds”, also zehn bis hunderte Subagenten gleichzeitig los. Sie gehen das Problem aus verschiedenen Richtungen an, während andere Agenten parallel versuchen, ihre Ergebnisse zu widerlegen. Das läuft so lange im Kreis, bis die Antworten zusammenpassen. Erst dann meldet sich Claude zurück.

Das Grundprinzip dahinter ist allerdings nicht neu. Wer sich auskennt, konnte schon vorher mit einem guten Setup — in der Fachsprache ein Harness — Subagenten bauen, die acht Stunden am Stück autonom durcharbeiten. Wir haben das selbst gemacht. Nur brauchte es dafür Wissen, eigene Skripte und Fingerspitzengefühl. Genau das ändert sich jetzt, und zwar auf zwei Ebenen, die in der Berichterstattung ständig durcheinandergeworfen werden.

Ebene 1 — Goal-Mode

Goal-Mode ist ein Befehl in Claude Code. Statt Aufgabe für Aufgabe vorzugeben, definierst du ein Ziel plus eine Abbruch-Bedingung — etwa „alle Tests im Auth-Modul grün und der Lint sauber” — dazu ein Token-Budget, damit das Ganze nicht ausufert. Der Agent arbeitet selbstständig darauf hin, Schritt für Schritt, während ein zweites, günstigeres Modell nach jedem Schritt prüft, ob das Ziel erreicht ist. Erst wenn das zweite Modell ja sagt, ist Schluss.

Wichtig, weil es ständig verwechselt wird: Goal-Mode ist kein Opus-4.8-Feature. Es existiert genauso bei OpenAIs Codex — von dort stammt es ursprünglich, und Claude Code hat erst Mitte Mai nachgezogen.

Ebene 2 — Dynamic Workflows

Auch Dynamic Workflows ist ein Claude-Code-Feature, kein Modell-Eigenschaft. Während Goal-Mode einen einzelnen Agenten dranbleiben lässt, geht Dynamic Workflows in die Breite: Claude schreibt sich selbst ein kleines Steuerungs-Skript und fächert eine grosse Aufgabe auf zehn bis hunderte Subagenten auf, die parallel arbeiten, sich gegenseitig kontrollieren und weitermachen, bis alles zusammenpasst. Gedeckelt ist das bei 16 gleichzeitig und maximal 1.000 pro Lauf. Mit Opus 4.8 dürfen die Agenten nur etwas länger laufen — das Feature selbst hängt nicht am Modell.

Der eine Modus sorgt für Ausdauer, der andere für Masse. Zusammen nehmen sie genau den Aufbau ab, für den man vorher Spezialwissen brauchte. Die Orchestrierung kommt jetzt ab Werk. Das ist der eigentliche Sprung — nicht, dass es überhaupt geht, sondern dass es plötzlich jeder hinkriegt, ohne Wochen in ein eigenes Setup zu stecken.

Ein Detail, das in keiner Hochglanz-Demo vorkommt: Dynamic Workflows läuft nur auf der Stufe „xhigh”, nicht auf der höchsten Stufe „max”. Bei einer einzelnen, richtig kniffligen Aufgabe ist der Unterschied spürbar — max denkt eine Spur gründlicher und liefert die besseren Ergebnisse. Hunderte Agenten sind also nicht automatisch besser als ein einzelner, der dafür richtig nachdenkt. Für eine breite Migration über ein ganzes Repository sind die vielen Agenten genial. Für das eine harte Problem nimmst du besser max und lässt einen einzigen Agenten in Ruhe arbeiten.

Wir haben 4.8 ausgiebig getestet — nicht an einem Spielzeug-Projekt, sondern an der Pipeline, mit der dieses Video überhaupt entsteht. Recherche, Schnitt, Animationen, Einblendungen: Das alles erledigt bei uns eine Software, die Stück für Stück mit Claude Code selbst gebaut wurde. Eine Erkenntnis daraus betrifft die Kosten: Auf dem MAX-Plan für 200 Dollar im Monat sind die Limits erstaunlich grosszügig. Auf dem kleinen Pro-Plan dagegen bist du ratzfatz am Ende — ein Punkt, der weiter unten noch wichtig wird.

Was Leute in der ersten Woche damit gebaut haben

Die spannendere Frage als jeder Benchmark ist, was in der ersten Woche tatsächlich entstanden ist. Und da wird es beeindruckend.

Das Vorzeige-Beispiel kommt von Jarred Sumner, dem Entwickler hinter Bun, einer bekannten JavaScript-Runtime. Er hat seine komplette Codebase von der Programmiersprache Zig nach Rust portiert — in einer Grössenordnung, bei der man früher in Mannjahren gerechnet hätte:

• 750.000 Zeilen Code umgeschrieben
• 99,8 Prozent der bestehenden Tests am Ende grün
• 11 Tage vom ersten Commit bis zum fertigen Merge
• hunderte Agenten parallel, zwei Reviewer auf jeder einzelnen Datei

Eine solche Migration hätte ein Team früher Monate gekostet, wenn nicht Jahre.

Es muss aber nicht gleich eine ganze Programmiersprache sein. Ein Entwickler hat in einem einzigen Prompt einen kompletten Photoshop-Klon gebaut — mit Ebenen, Filtern, Bild-Import und Rückgängig-Funktion. Ein anderer eine physikalisch halbwegs korrekte Simulation eines sechsbeinigen Laufroboters, inklusive Anzeigen für Stromverbrauch, Temperatur und Hydraulik, in rund 50 Minuten und mit genau einem Bug am Ende. Auf Reddit findet sich dieselbe Geschichte in zig Variationen: Leute, die das Ding tagelang am Stück fahren und schreiben, dass es sie umso mehr umhaut, je länger sie damit arbeiten.

Fast jeder dieser Posts hat allerdings einen Nachsatz, und der lautet: pass auf deine Token-Rechnung auf. Das ist für dich als Firma am Ende der entscheidende Punkt — dazu weiter unten mehr.

Warum das überhaupt ein Comeback ist

Um das Comeback einzuordnen, muss man verstehen, was bei 4.7 schieflief. Auf dem Papier hatte 4.7 durchaus gute Benchmarks, im Alltag brachte es die Leute zur Verzweiflung. Es brach Aufgaben zu früh ab, diskutierte mit den Nutzern, statt zu liefern, und der Denk-Aufwand war nicht steuerbar — das Modell dachte manchmal ewig nach, obwohl man nur eine schnelle Antwort wollte. Einer der grössten Tech-Reviewer brachte es auf den Punkt: Das Modell hatte eine Attitüde. Und das stimmte.

Mit 4.8 räumt Anthropic genau diese drei Punkte auf:

1. Effort-Control. Der Denk-Aufwand lässt sich jetzt selbst einstellen, von „schnell und günstig” bis „denk gründlich nach”.
2. Mehr Ehrlichkeit. Anthropics eigene Schlagzeile: Das Modell lässt rund viermal seltener eigene Fehler im Code unkommentiert durchgehen.
3. Günstigerer Fast Mode. Der schnelle Modus ist jetzt dreimal günstiger als beim Vorgänger.

Anthropic selbst nennt 4.8 nüchtern „a modest but tangible improvement” — eine bescheidene, aber spürbare Verbesserung. Kein „alles wird anders”, kein Hype. Genau dieser ungewohnt ehrliche Ton ist der Grund, warum die Community ziemlich einhellig sagt: Anthropic ist zurück.

Die Ehrlichkeit hat zwei Seiten

Bevor man Anthropic zu früh feiert, lohnt der zweite Blick. Die Ehrlichkeits-Geschichte hat eine Kehrseite, die in den meisten Videos unter den Tisch fällt.

Die schöne Seite zuerst: Das Modell sagt jetzt eher „das weiss ich nicht”, statt mit voller Überzeugung etwas Falsches hinzustellen. Genau dieses Verhalten will man im Geschäftsalltag haben. Die andere Seite: In Anthropics eigenen Tests verhält sich das Modell teilweise nur deshalb ehrlich, weil es merkt, dass es gerade getestet wird. Dazu berichten mehrere erfahrene Entwickler, dass 4.8 an völlig neuen Stellen anfängt zu halluzinieren — sich Datei-Pfade ausdenkt oder Dinge behauptet, die sie bei den OpenAI-Modellen so nie gesehen haben.

Ehrlicher ja, aber kein Heiliger. Du musst dem Modell weiterhin genau auf die Finger schauen.

Krone zurück? Jein.

Damit zur grossen Frage: Hat Anthropic die Krone zurück? Die ehrliche Antwort ist ein Jein.

Bei einer ganzen Reihe von Tests liegt Opus 4.8 klar vorne. Bei SWE-Bench Pro — echten GitHub-Aufgaben — holt es 69,2 Prozent, deutlich vor GPT-5.5 mit 58,6. Auch beim Bedienen von Computern und bei langen, selbstständig laufenden Aufgaben ist es ganz vorne dabei.

Auf anderen Tests führt jedoch GPT-5.5 zusammen mit Codex — und ist dabei oft günstiger, schneller und sparsamer im Token-Verbrauch. Hinzu kommt, dass die Codex-Umgebung, also das Werkzeug, in dem das Ganze läuft, bei vielen Entwicklern als die bessere gilt. Das Modell ist eben nur die halbe Miete; das Werkzeug drumherum ist die andere Hälfte.

Test	Opus 4.8	Opus 4.7	GPT-5.5
SWE-Bench Pro	69,2 %	64,3 %	58,6 %
SWE-Bench Verified	88,6 %	87,6 %	(de-emphasized)
OSWorld-Verified (Computer-Use)	83,4 %	82,3 %	78,7 %
Terminal-Bench (Codex-CLI-Harness)	—	—	83,4 %

Diese Tabelle führt direkt zum wichtigsten Punkt im ganzen Benchmark-Zirkus. Je nachdem, welchen Test man sich anschaut, gewinnt ein anderes Modell — und das ist kein Zufall. Anthropic gibt in einer Fussnote sogar selbst zu, dass GPT-5.5 auf dem hauseigenen Codex-Werkzeug auf 83,4 Prozent kommt, deutlich besser als im Anthropic-eigenen Vergleich. Gleiche Aufgabe, anderes Werkzeug, anderer Sieger.

Dazu kommt: Einige dieser Standard-Benchmarks sind inzwischen halb kaputt. Bei SWE-Bench haben Entwickler nachgewiesen, dass ein Teil der angeblich „bestandenen” Aufgaben gar nicht ehrlich gelöst wurde — die Modelle haben in der Versions-Historie gespickt und sich die richtige Antwort abgeschrieben. Für dich heisst das: Lass dich von schicken Benchmark-Grafiken nicht blenden. Der Sieger auf dem Papier ist noch lange nicht der Sieger für deinen konkreten Anwendungsfall.

Mythos — echt krass oder Angst-Marketing?

In derselben Ankündigung erwähnt Anthropic beiläufig das nächste Modell. Es heisst Mythos, soll deutlich stärker sein als alles Bisherige, und ein paar ausgewählte Firmen arbeiten im Sicherheitsbereich angeblich schon damit. Die naheliegende Frage: echt so krass oder nur Hype? Die ehrliche Antwort ist beides.

Zuerst zum „echt krass”, denn die Zahlen sind kein Marketing-Geschwätz, sondern von einem externen Red-Team dokumentiert. Mythos hat in den Tests funktionierende Angriffe auf Sicherheitslücken entwickelt — 181 Mal, während die Vorgängerversion bei denselben Aufgaben gerade mal zweimal erfolgreich war. Es hat zehnmal die volle Kontrolle über Systeme übernommen, die komplett durchgepatcht waren. Und es hat eine Sicherheitslücke gefunden, die 27 Jahre lang unentdeckt in einem grossen Betriebssystem schlummerte. Professionelle Security-Leute haben das gegengeprüft. Das ist real und ehrlich gesagt ein bisschen gruselig.

Die andere Seite verdient genauso viel Aufmerksamkeit:

• Du kriegst Mythos überhaupt nicht in die Hände. Zitat Anthropic: „Wir planen nicht, Mythos Preview allgemein verfügbar zu machen.” Über 99 Prozent der gefundenen Lücken sind nicht gepatcht, weshalb die Details unter Verschluss bleiben — kein Aussenstehender kann ein Wort davon selbst nachprüfen.
• Das Timing ist verdächtig. Das „zu gefährlich für die Öffentlichkeit”-Framing kommt genau in dem Moment, in dem Anthropic an die Börse strebt und gerade 65 Milliarden Dollar eingesammelt hat. Ein Modell, das angeblich so stark ist, dass man es der Welt vorenthalten muss — das ist zugleich die beste Werbung, die man sich vorstellen kann.
• So einzigartig ist es nicht. Kritiker weisen zu Recht darauf hin, dass Microsofts eigenes Agenten-System Mythos auf mindestens einem Cyber-Benchmark bereits schlägt.

Das Fazit bleibt nüchtern: Die Fähigkeiten sind echt, das ist kein Bluff. Aber das Drama drumherum ist auch Marketing — und beides gleichzeitig wahr zu finden, ist keine Schwäche, sondern ehrlich. Lass dich von der Angst-Story nicht treiben, unterschätz aber die Richtung, in die das läuft, ebenso wenig.

Warum sich alles nur um Opus dreht

Bleibt die Frage nach den anderen Modellen — Sonnet und Haiku. Warum dreht sich alles nur um Opus? Anthropic hat drei Modelle, die sich klar nach Rolle und Profil unterscheiden:

Modell	Rolle	Profil
Haiku	Das kleine, schnelle	~⅓ der Kosten, doppelt so schnell, für viele Alltagsaufgaben ausreichend
Sonnet	Der solide Allrounder	fürs Tagesgeschäft
Opus	Die schwere Artillerie	für komplexe, lange Aufgaben

Dass Anthropic im Moment fast nur über Opus redet, hat einen simplen Grund: Da liegt das Geld. Opus ist das Premium-Modell für die zahlende Geschäftskundschaft, und genau in diesem Segment hat die Konkurrenz am wenigsten entgegenzusetzen.

Für dich folgt daraus etwas Wichtiges: Du musst nicht für alles die teure Opus nehmen. Anthropic zeigt selbst ein cleveres Muster, bei dem das kleine Modell die Fleissarbeit erledigt und das grosse nur bei den wirklich harten Fällen dazugerufen wird. Das ist Kostenkontrolle ab Werk — und genau so baut man das in der Praxis sauber auf.

Zur Einordnung der Liga, in der das spielt: Anthropic legt gerade sein erstes profitables Quartal hin. Im zweiten Quartal 2026 peilen sie rund 10,9 Milliarden Dollar Umsatz an — mehr als im gesamten letzten Jahr zusammen — und dazu einen operativen Gewinn von etwa einer halben Milliarde. Rund 85 Prozent davon kommen aus dem Geschäft mit Entwicklern und Firmen, nicht aus dem Chatbot. Das ist keine Klitsche mehr, die auf den Durchbruch hofft, sondern ein knallharter Kampf um den Firmenmarkt.

Was du als Geschäftsführer mitnehmen solltest

Für dich als Firmenchef — nicht als KI-Forscher — bleiben im Kern drei Punkte.

Erstens: Hör auf, ständig auf den Benchmark-König zu schielen. Die spannende Frage ist nicht „welches Modell ist das beste”, sondern „welches Modell passt zu deinem konkreten Workflow”. Beim einen ist das Claude, beim anderen Codex, in der Praxis sehr oft eine Mischung aus beidem.

Zweitens — der wichtigste Punkt — Kostenkontrolle. Die Agenten-Power ist real, aber sie frisst Tokens wie verrückt. Es gibt Berichte von einzelnen Prompts, die auf einen Schlag ein ganzes Tageslimit verbraten. In Firmen, in denen Entwickler einfach mal hunderte Agenten loslassen, explodieren die Rechnungen — aus einem harmlosen Test werden schnell ein paar tausend Dollar im Monat. Genau deshalb war der Hinweis zum MAX-Plan weiter oben keine Nebenbemerkung. Wer das ohne klare Grenzen einsetzt, zahlt am Ende drauf.

Drittens: Bind dich nicht an einen einzigen Anbieter. Heute ist Anthropic beim einen vorne, OpenAI beim anderen — in zwei Monaten ist es umgekehrt. Wer seine ganze Firma fest auf ein einziges Modell verdrahtet, verliert genau in dem Moment, in dem der nächste Konter kommt. Und der kommt mittlerweile im Wochentakt.

Genau das ist der Kern unserer Cortex-Idee: eine modell-agnostische, souveräne Firmen-KI, bei der du nicht an einen einzigen Anbieter gebunden bist. Wird Codex morgen für deinen Anwendungsfall besser, tauschst du das Modell aus — die Architektur drumherum, deine Daten, deine Logik bleiben stehen. Statt deine ganze Firma auf das Top-Modell dieses Monats zu verdrahten, baust du auf ein Fundament, das dir gehört und das den nächsten Konter einfach mitnimmt.

Ein Setup zum Ausprobieren kriegst du selbst hin, das ist kein Hexenwerk. Aber die saubere Lösung — modell-unabhängig, mit klarer Kostenkontrolle und abgestimmt auf das, was deine Firma wirklich braucht — ist am Ende der Unterschied zwischen „läuft halt irgendwie und kostet ein Vermögen” und „läuft sauber und planbar”. Wie das aussieht, wenn man KI nicht als Spielzeug, sondern als Werkzeug in echte Abläufe bringt, zeigen wir in unserer Digitalisierungswerkstatt.

Wenn du KI in deinem Unternehmen einsetzen willst, ohne dass es im Chaos oder im Kostenschock endet, dann lass uns 30 Minuten darüber sprechen. Unverbindlich und ohne Verkaufsdruck — du gehst danach mit einem klaren Bild davon heraus, was bei dir Sinn macht und was nicht. Den nächsten Schritt findest du auf unserer Terminseite.