Claude Sonnet 5.5: Mehr Denken, mehr Kosten, kein Bild, und warum die Lizenz vor dem Benchmark kommt

Die Meldungen vom 30. September 2026 tragen drei Fragen an Betreiber von KI-Agenten-Setups, und alle drei enden auf derselben Lehre: Die Zahl, die zuerst in die Richtung schießt, ist nicht die Zahl, die zählt. Meldung eins: Anthropic hat Claude Sonnet 5.5 veröffentlicht, und der interessante Teil ist nicht der Benchmark-Sieg, sondern der Effort-Sprung. Meldung zwei: Die Company hat Holo 4 veröffentlicht, zwei Agentenmodelle, die einen Computer bedienen können, und die eigentliche Entscheidung liegt nicht im Benchmark-Wert, sondern im Lizenztext. Meldung drei: Eine Studie mit E-Mail-Agenten zeigt, dass die beste getestete Konfiguration nur 33,5 Prozent der Szenarien besteht, obwohl 99,7 Prozent der Werkzeugaufrufe fehlerfrei liefen. Der Tipp der Meldungen: Erst die Lizenz klären, dann festlegen, wo ein Mensch freigibt, bevor Geld fließt oder eine Nachricht rausgeht. Erst danach lohnt der Vergleich der Prozentwerte.

Simon Willison hat das Modell einen Pelikan auf einem Fahrrad als Grafik zeichnen lassen, mit drei Effort-Stufen im Vergleich. Auf der Stufe Xhigh kam nach 41 Sekunden ein Ergebnis für 5,74 Cent. Auf der höchsten Stufe Max dachte das Modell 128.000 Token lang, das kostete 1,28 Dollar, und eine Grafik kam trotzdem nicht heraus. Der Preis für das unbrauchbare Ergebnis liegt rund beim 22fachen der brauchbaren Variante. Das ist kein Kuriosum am Rand, sondern das Funktionsprinzip: Bei Sonnet 5.5 wächst der Denkaufwand linear weiter, aber die Trefferwahrscheinlichkeit wächst nicht mit.

Dabei ist Sonnet 5.5 eigentlich ein Sparmodell. Der Preis bleibt identisch zum Vorgänger: 2 Dollar pro Million Eingabe-Tokens, 10 Dollar pro Million Ausgabe-Tokens, Cache-Lese-Zugriffe für 0,20 Dollar. Der Spar-Effekt liegt nicht im Token-Preis, sondern in den Tokens pro Aufgabe: Anthropic gibt an, dass das Modell bis zu 30 Prozent weniger Tokens pro Aufgabe braucht als Sonnet 5 und mehr als 30 Prozent schneller ausgibt. Und auch die eigenen Zahlen zeigen, dass mehr Denkaufwand nicht automatisch besser ist: Auf dem Code-Benchmark FrontierCode 1.1 schafft Sonnet 5.5 bei Stufe Xhigh 52,1 Prozent, bei Stufe Max nur 46,2. Die Erklärung von Anthropic: Bei Max ruft das Modell häufiger eine Code-Review-Funktion auf, die die Arbeit über mehrere Subagenten verteilt, und in geprüften Fällen führte das zu Timeouts oder zu Änderungen außerhalb des Aufgabenumfangs, beides wird im Benchmark bestraft. Anthropic selbst empfiehlt für komplexe, offene Aufgaben weiter Opus 5.5 als bessere Wahl.

Die restliche Landkarte aus der Mitteilung: Terminal-Bench 4.0, der Test für agentisches Programmieren auf der Kommandozeile, springt von 10,3 Prozent bei Sonnet 5 auf 70,6 Prozent und liegt damit sogar über dem Bestwert von Opus 5.5, der dort mit 66,4 Prozent auf Stufe Xhigh gemessen ist. Auf CursorBench 4.0, der Nachbildung echter Cursor-Programmiersitzungen, stehen 55,5 gegen 34,1 Prozent beim Vorgänger, nur zwei Punkte unter Opus 5.5 mit 57,8. Bei Wissensarbeit kommt Sonnet 5.5 auf 1.844 Elo in GDPval-AA v2.1, Opus 5.5 hält 1.846, der Abstand ist minimal. In AA-Briefcase v1.1 stehen 1.811 gegen 1.822. Humanity's Last Exam mit Werkzeugen: 64,5 gegen 67,7 Prozent. Beim Computer-Bedienen, OSWorld 2.1 in der Partial-Auswertung, stehen 80,1 gegen 57,0 Prozent beim Vorgänger, Opus 5.5 hält dort 81,8. Diagramm-Erkennung ohne Werkzeuge, Chartography: 61,6 gegen 15,6. the-decoder.com vermerkt dazu, dass Sonnet 5.5 das erste Sonnet-Modell ist, das Pokémon Rot allein mit Screenshots durchspielen kann. Der Punkt dieser Liste ist nicht die Sammlung, sondern die Spannweite: Dieselbe Modellfamilie deckt zugleich die Vervielfachung beim Vorgänger und die Zwei-Punkte-Differenz zum Spitzenmodell ab, je nachdem, welche Aufgabe und welche Stufe gemessen wird.

Sonnet 5.5 bietet fünf Effort-Stufen: low, medium, high, xhigh und max. Die Voreinstellungen sind getrennt: In den Claude-Apps ist Medium voreingestellt, auf der Plattform High. Nach Anthropic-Angabe schlägt Sonnet 5.5 bei Low oder Medium auf mehreren Benchmarks den Bestwert von Sonnet 5 bei rund einem Zehntel der Kosten pro Aufgabe, und bei High erreicht es auf FrontierCode 1.1 den Bestwert von GPT-6 Sol bei etwa einem Fünftel der Kosten. Die Stufenwahl ist damit die eigentliche Preisregel dieses Modells, nicht der Token-Preis: dieselbe Liste, dieselbe Aufgabe, dieselbe Preistabelle, und trotzdem eine Schwankung der Kosten pro Aufgabe um Faktor 20 und mehr, exakt wie beim Pelikan-Versuch. Wer den Stufenregler der App bedient, sitzt an einem anderen Hebel als der Token-Preis suggeriert.

Die unabhängige Prüfstelle Artificial Analysis meldet dazu am 30.09.2026: Claude Sonnet 5.5 erreicht 56 Punkte auf dem Intelligence Index, Platz 2, nur zwei Punkte hinter Opus 5.5 auf Max. Gleichzeitig misst die Stelle den bislang höchsten Token-Verbrauch, den sie je gemessen hat: rund 193.000 Ausgabe-Tokens pro Aufgabe auf Stufe Max, etwa 60 Prozent über Opus 5.5 auf Max und rund das Siebenfache von GPT-6 Astra auf Max. Kostensitiv stehen 7,60 $ pro Aufgabe, etwa die Hälfte über Sonnet 5. Die unabhängige Stelle meldet damit exakt das Muster, das der Pelikan-Versuch zeigte: Mehr Effort kauft bei diesem Modell vor allem mehr Tokens, nicht proportional mehr Treffer. Die Grenze lautet: Artificial Analysis misst mit eigenem Harness und eigener Aufgabenstichprobe, ihre Werte sind mit den Anthropic-Zahlen nicht eins zu eins vergleichbar, die Richtung stimmt aber in beiden Quellen überein.

Aus dem Effort-Sprung folgt der Einbau-Tipp: Wer das Modell per API einbaut, sollte die Stufe fest vorgeben und die Kosten pro Aufgabe messen, nicht pro Token. Der Token-Preis ist konstant, die Aufgabe-Kosten schwanken auf den Effort-Stufen um Faktor 20 und mehr, wie der Pelikan-Versuch zeigt. Ein Dashboard, das nur Tokens summiert, blendet genau die Spanne aus, in der das Modell teuer wird. Der zweite Tipp folgt aus dem FrontierCode-Ergebnis: Die Standard-Rechnung 'mehr Effort brings besser' hält nicht, auf FrontierCode 1.1 dreht die Kurve bei Max nach unten. Wer eine Stufe wählen will, sucht die Zahl, die seine Aufgabe misst, und nicht den Spitzwert auf einem Fremdbenchmark.

Ein zweiter Fall zeigt dieselbe Lehre an einer anderen Stelle: Die hinter Holo 4 stehende Firma hat zwei Agentenmodelle veröffentlicht, die einen Computer bedienen können. Auf dem Test OSWorld 2.0, der lange Arbeitsabläufe am Desktop prüft, kommt die große Variante mit 27 Milliarden Parametern auf 61,7 Prozent, die kleinere auf 30,9. Der Haken: Nur die kleinere steht unter der Lizenz Apache 2.0 und darf im eigenen Betrieb kommerziell laufen. Die größere darf kommerziell nur über die Schnittstelle der Firma genutzt werden. Wer nach dem Benchmark wählt, landet in der Variante, die er für Kundenprojekte nicht selbst hosten darf. Wer nach der Lizenz wählt, bekommt die Variante, die er hosten darf, und akzeptiert den niedrigeren Wert. Die Reihenfolge der Meldung heißt deshalb: Erst die Lizenz klären, dann festlegen, wo ein Mensch freigibt, bevor Geld fließt oder eine Nachricht rausgeht, erst danach lohnt der Vergleich der Prozentwerte.

Die dritte Meldung dreht die Reihenfolge noch einmal um. In einer Studie mit E-Mail-Agenten zeigt sich: Die beste getestete Konfiguration besteht nur 33,5 Prozent der Szenarien, dabei liefen 99,7 Prozent der Werkzeugaufrufe ohne Fehler durch. Ein gültiger Aufruf ist eben noch keine erledigte Aufgabe. Die Lücke zwischen 99,7 und 33,5 ist der Teil, an dem Agenten scheitern, nicht am Ausführen, sondern am Ziel: An der Frage, ob die Aktion, die der Agent ausgelöst hat, auch die Aufgabe ist, die gemeint war. Für Betreiber heißt das: Die Freigabe-Kette vor Geldfluss oder Nachrichtenversand ist keine Formalie, sondern der eigentliche Ort, an dem Fehler landen.

In meinem Setup heißt das konkret: Effort-Stufe fest vergeben, nicht Modell-Durchschnitt, sondern Aufgabe-Kosten pro Typ messen. Lizenz vor Benchmark: Bei Holo 4 entscheidet der Lizenztext, ob ein Modell für Kundenprojekte hostbar ist, die Prozentwerte kommen später. Freigabe-Kette vor Prozentvergleich: Die Reihenfolge aus der Meldung, Lizenz, Freigabe, dann Prozentwerte, ist die Reihenfolge, in der ich Setups bewerte. Der Pelikan-Test ist dafür die Kurzform: Mehr Denkaufwand ist kein Mehr an Ergebnis, sondern ein Mehr an Kosten mit unbekannter Ergebnis-Richtung, und die Stufe, die das ausgleicht, heißt Freigabe-Kette.

Ausdrücklich die Grenzen. Die Zahlen zu Sonnet 5.5 stammen aus der Anthropic-Mitteilung, unabhängige Nachmessungen liegen mit Artificial Analysis vor, die Anthropic-Zahlen sind Selbstauskunft. Die Holo-4-Werte stammen aus der Meldung, der Name der Firma hinter Holo 4 ist im automatischen Transkript nicht sauber erkennbar, deshalb bleibt hier bewusst nur die Bezeichnung 'die Firma' stehen, der Abgleich mit dem Lizenztext der Modellseiten bleibt vor Hostings-Entscheidungen nötig. Die Studie mit E-Mail-Agenten wird in der Meldung nicht mit DOI oder Preprint-Link genannt, genau diese Lücke bleibt hier offen, weil keine Primärquelle vorliegt. Der Pelikan-Versuch ist ein Einzelfall, kein Benchmark, er illustriert den Effort-Sprung, beweist ihn nicht.

Ich bin Marcel, Grafikdesigner und Betreiber des HUNTER-Cyberdecks auf einem Google Pixel 6a, mit eigenem Agenten-Setup aus Hermes, pi und herdr. Alle Zahlen dieses Beitrags stammen aus der Anthropic-Mitteilung und der KI-Nachrichten-Meldung vom 30.09.2026, das Video-Transkript ist Input, die Anthropic-Seite ist Beleg. Zuletzt fachlich geprüft am 30.09.2026.

Quellen: Introducing Claude Sonnet 5.5, Anthropic, abgerufen am 30.09.2026. Claude Sonnet 5.5 Benchmarks Explained, vellum.ai, abgerufen am 30.09.2026. Anthropic's Claude Sonnet 5.5 nearly matches Opus 5.5 on benchmarks, the-decoder.com, abgerufen am 30.09.2026. Video-Input: KI-Nachrichten-Meldung vom 30.09.2026 (Sonnet 5.5, Holo 4, Agenten-Lizenzen), YouTube, Kanal Chilikanal, Transkript abgerufen am 30.09.2026. Englische Zitate werden im Beitrag wortgetreu geführt und sofort übersetzt.