Opus 5.5 oder Sonnet 5.5: Wann lohnt sich das teurere Modell?

Kurzantwort: Opus 5.5 lohnt sich gegenüber Sonnet 5.5 nur, wenn es bei den eigenen komplexen Aufgaben Qualitätsgewinn bringt. Anthropic nennt 4/20 statt 2/10 US-Dollar je Million Eingabe-/Ausgabetoken; bei Sonnet kostet Cache-Lesen 0,10 US-Dollar je Million Token.^1,2 Vergleichen Sie brauchbare Ergebnisse, Korrekturzeit und Gesamtkosten derselben Aufgaben.

Zusammenfassung als Mindmap

Opus 5.5 oder Sonnet 5.5: Wann lohnt sich das teurere Modell?
│
├─ Aufgaben trennen
│   ├─ Sonnet: gut umrissene Routine testen
│   ├─ Opus: offene komplexe Fälle testen
│   └─ Gleiche Eingaben und Prüfkriterien nutzen
│
├─ Preise erfassen
│   ├─ Opus: 4/20 US-Dollar je Million Token
│   ├─ Sonnet: 2/10 US-Dollar je Million Token
│   └─ Cache-Lesen bei Sonnet getrennt zählen
│
├─ Ergebnisse prüfen
│   ├─ Brauchbare Antworten und Fehler zählen
│   ├─ Korrekturzeit und Wiederholungen notieren
│   └─ Kundendaten für den Test minimieren
│
└─ Modell wählen
    ├─ Qualitätsgewinn je Aufgabe bewerten
    ├─ Kosten je akzeptierter Aufgabe vergleichen
    └─ Bei unklarer Leistung noch nicht freigeben

Die Entscheidung beginnt bei der Aufgabe

Ein kleines Architekturbüro könnte Sonnet 5.5 für eine sauber abgegrenzte Zusammenfassung von Besprechungsnotizen prüfen und Opus 5.5 für die offene Auswertung widersprüchlicher Projektanforderungen. Das sind Beispiele für zwei Arten von Arbeit, keine zugesicherte Fähigkeit der Modelle. Anthropic beschreibt Sonnet 5.5 als besonders stark bei gut umrissenen Alltagsaufgaben und Opus 5.5 als Modell für komplexe Arbeit, die sorgfältiges Urteil erfordert.² Für das Büro ist damit noch keine Kaufentscheidung gefallen. Es hat nur eine begründete Hypothese für den eigenen Test.

Für die Wahl trennt das Büro wiederkehrende Vorgänge mit eindeutigem Ergebnis von offenen Fällen mit mehreren Quellen oder Zielkonflikten. Diese Einteilung beschreibt die eigene Arbeit, nicht eine technische Grenze der Modelle. Bei fehlenden Projektunterlagen bildet das Büro eine dritte Gruppe: unvollständige Aufgaben, die zunächst eine Rückfrage erfordern.

Eine dritte Art sollte das Team nicht unter der Modellwahl verstecken: Aufgaben, für die die Eingaben unvollständig sind. Wenn wichtige Projektunterlagen fehlen, entscheidet das stärkere Modell nicht anstelle des Büros. Der Testfall muss fehlende Information als möglichen Ausgang zulassen. Nur dann wird eine vorsichtige Antwort als Qualität erkannt und nicht als vermeintliches Versagen bestraft.

Opus und Sonnet im Arbeitsprofil

Anthropics eigene Gegenüberstellung gibt eine Richtung vor: Sonnet 5.5 für gut umrissene alltägliche Arbeit, Opus 5.5 für komplexe Arbeit mit Bedarf an sorgfältigem Urteil.² Sie sagt nicht, dass jedes offene Problem von Opus besser gelöst wird oder dass Sonnet bei komplexeren Eingaben unbrauchbar wäre. Für das Architekturbüro muss die Beschreibung deshalb in Testfälle übersetzt werden. Der Anbietertext wird zur Frage, die eigenen Ergebnisse zur Antwort.

Anthropics Profil ist eine Anbieterbeschreibung, kein Qualitätsnachweis für die Unterlagen eines Architekturbüros. Insbesondere sagt es nichts darüber, ob ein vermeintlicher Widerspruch in einem konkreten Projekt bereits vertraglich geklärt ist. Darüber muss eine fachkundige Person entscheiden, bevor das Büro eine Modellausgabe als brauchbar wertet.

Was kosten die Token?

Am 19. Oktober 2026 nannte Anthropic für Opus 5.5 vier US-Dollar je Million Eingabetoken und 20 US-Dollar je Million Ausgabetoken.¹ Für Sonnet 5.5 nannte der Anbieter zwei und zehn US-Dollar; gelesene Cache-Tokens standen mit 0,10 US-Dollar je Million in der Preistabelle.² Die Preise gelten für die genannten Abrechnungseinheiten. Sie sind kein Pauschalbetrag je Entwurf und sagen nichts darüber, wie lang die Antwort in einem konkreten Fall wird.

Das Büro erfasst normale Eingabe, Ausgabe, Cache-Lesevorgänge und Cache-Schreibvorgänge getrennt. Jede beobachtete Tokenzahl wird durch eine Million geteilt und mit dem jeweiligen Opus- oder Sonnet-Satz multipliziert.^1,2 Die vier Beträge ergeben die API-Rechnung für den Testfall. Menschliche Prüfung und erneute Versuche werden daneben geführt; sie sind keine Tokenpreisposition, beeinflussen aber die Kosten einer brauchbaren Antwort.

Cache-Lesen und Cache-Schreiben fallen nur an, wenn der getestete Ablauf sie tatsächlich nutzt. Anthropic beziffert beide Vorgänge für beide Modelle.² Ein Vergleich setzt deshalb die gemessenen Lese- und Schreibmengen in beide Spalten ein; ohne Cache-Nutzung bleiben beide Posten null. Sonst würde die Rechnung ein Modell für eine angenommene Nutzung belohnen, die im Test gar nicht vorkam.

Rechenbeispiel mit angenommenen Mengen: Bei 100.000 gelesenen und 100.000 geschriebenen Cache-Tokens ergeben sich für Opus 0,02 plus 0,50 US-Dollar, für Sonnet 0,01 plus 0,25 US-Dollar. Diese Cache-Teilbeträge kommen zu den tatsächlich gemessenen normalen Eingabe- und Ausgabekosten hinzu; sie sind kein beobachteter Preis pro Aufgabe.²

Ein niedrigerer Tokenpreis ist ein wichtiger Ausgangspunkt. Er ist keine Aussage zur Qualität. Ebenso ist der höhere Opus-Preis kein Beleg, dass ein konkreter Architekturentwurf besser ausfällt. Der wirtschaftliche Test verbindet beide Ebenen erst nach der fachlichen Prüfung: Wie viel wurde für eine Ausgabe bezahlt, die die vorher vereinbarten Kriterien tatsächlich erfüllt?

Ein fairer Test im eigenen Büro

Das Team nimmt mehrere frühere, anonymisierte Aufgaben, deren richtige Beurteilung intern bekannt ist. Es formuliert je Aufgabe eine Eingabe und eine Bewertungsmatrix, bevor eines der Modelle antwortet. Die Unterlagen müssen für beide Modelle gleich sein. Die Prüfer sehen die Modellnamen nach Möglichkeit erst nach der Bewertung. So lässt sich wenigstens der offensichtlichste Erwartungseffekt reduzieren. Das Verfahren ist eine Empfehlung für einen brauchbaren Vergleich, kein von Anthropic behaupteter Benchmark.

Für den Routinekorb könnten die Testfälle unterschiedlich lange Notizen enthalten. Die Kriterien bleiben gleich: Pflichtinformationen, sachliche Richtigkeit, unnötige Behauptungen und Zeit bis zur nutzbaren Fassung. Im komplexen Korb können mehrere Versionen von Entwurfsvorgaben gegeneinanderstehen. Hier prüft die Projektleitung, ob das Ergebnis die Konflikte benennt und offene Entscheidungen als offen belässt. Eine Antwort, die einen Widerspruch elegant wegformuliert, ist keine erfolgreiche Bearbeitung.

Jeder Lauf erhält eine Zeile mit Aufgabe, Modell, Eingabetoken, Ausgabetoken, Cache-Nutzung, Prüfergebnis und Korrekturzeit. Wiederholungen werden sichtbar erfasst; sie verschwinden nicht hinter dem besten Versuch. Ein gescheiterter erster Lauf, der nach einem zweiten Aufruf gerettet wird, verursacht Kosten und Zeit. Werden nur die gelungenen Ausgaben gezählt, wirkt das Verfahren günstiger, als es für die tägliche Arbeit wäre.

Die EDPB-Prüfliste fragt ausdrücklich nach dem Vergleich von Leistungswerten zwischen KI-Komponenten bei der Auswahl für einen bestimmten Verarbeitungsvorgang.³ Das Büro sollte die Entscheidung deshalb pro Aufgabe dokumentieren. Eine gute Routineleistung von Sonnet kann neben einem möglichen Vorteil von Opus bei einem einzelnen komplexen Vorgang stehen. Die Modelle müssen nicht für jede Arbeit zu einem einzigen Sieger zusammengefasst werden.

Der Test sollte klein genug sein, dass die Fachleute jeden Ausgang erklären können, und breit genug, dass nicht ein einzelner besonders günstiger Fall dominiert. Eine feste Stichprobengröße lässt sich aus den zitierten Seiten nicht ableiten. Das Büro kann sie anhand der Vielfalt seiner Aufgaben festlegen und diese Auswahl im Protokoll nennen.

Nur nötige Daten in den Test

Ein Modellvergleich muss nicht mit vollständigen Kundenakten beginnen. Für die Routinezusammenfassung reichen nachgebildete Notizen; für den komplexen Fall lassen sich Identitäten und Kontaktdaten entfernen, solange die sachlichen Zielkonflikte erhalten bleiben. Das ist keine Behauptung, dass jeder Datensatz dadurch anonym wird. Es ist eine konkrete Frage an das Team: Welche Information braucht es, um die Modellqualität für diese Aufgabe zu beurteilen?

Artikel 5 Absatz 1 Buchstabe c DSGVO verlangt, dass personenbezogene Daten dem Zweck angemessen und erheblich sowie auf das notwendige Maß beschränkt sind.⁴ Wird ein Test mit echten personenbezogenen Informationen geplant, muss das Büro diesen Zweck und das erforderliche Datenminimum bestimmen. Eine vollständige Projektakte nur aus Bequemlichkeit hochzuladen, wäre kein Ersatz für diese Prüfung. Die gleichen Datenregeln gelten, egal welches Modell den niedrigeren Tokenpreis anbietet.

Das Testprotokoll kann die Entscheidung nachvollziehbar machen: verwendeter Datentyp, entfernte Felder, fachlicher Grund für verbliebene Details und wer auf die Ausgaben zugreifen darf. Nicht jede dieser Spalten ist eine wörtliche Vorgabe aus Artikel 5. Zusammen helfen sie aber, die Datenminimierung im konkreten Versuch zu begründen. Bleibt ein Fall auch ohne Kundennamen fachlich aussagekräftig, spricht das für die reduzierte Variante.

Die Minimierung darf den Qualitätsvergleich nicht verfälschen. Wenn ein bestimmter Zusammenhang für die Aufgabe wesentlich ist, ersetzt das Team ihn in beiden Modelleingaben konsistent durch eine fiktive Angabe, statt ihn nur bei einem Modell zu streichen. Ein fairer Test und ein sparsamer Umgang mit Daten sind vereinbar. Beide verlangen, dass der Zweck vor der Datenauswahl klar ist.

Wer die Ergebnisse prüfen muss

Die Personen im Test haben unterschiedliche Rollen. Eine Projektleitung definiert die fachlichen Kriterien; ein Mitarbeiter bereitet die Eingaben vor; eine andere Person kann Kosten und Fehlversuche erfassen. Alle, die mit dem KI-System umgehen, müssen dessen Grenzen für ihre konkrete Aufgabe verstehen. Die Europäische Kommission erläutert Artikel 4 Absatz 1 der KI-Verordnung so, dass Betreiber Maßnahmen zur KI-Kompetenz ihres Personals treffen und dabei Vorkenntnisse und Nutzungskontext berücksichtigen.⁵

Eine Einweisung für dieses Büro sollte zeigen, welche Antwort als unbrauchbar gilt. Beispielsweise darf aus zwei widersprüchlichen Entwurfsständen keine endgültige Freigabe konstruiert werden. Die prüfende Person muss erkennen, wo eine Behauptung aus den Unterlagen folgt und wo sie hinzugedichtet ist. Sie sollte außerdem wissen, wie sie einen Fall stoppt, der neue Kundeninformationen erfordert. Das sind aufgabenspezifische Inhalte, keine allgemeine Werbevorführung eines Modells.

Ein Rollenblatt kann kurz bleiben: Wer stellt die Aufgabe? Wer beurteilt die Antwort? Wer entscheidet über erneute Versuche? Wer genehmigt eine spätere Nutzung im echten Projekt? Die Rollen können in einem kleinen Unternehmen teilweise bei denselben Menschen liegen. Die Trennung der Fragen bleibt trotzdem nützlich, weil eine einzelne Person sonst leicht ihre eigene Eingabe für eindeutig und die Modellantwort für ausreichend hält.

Die Schulung sollte zu den tatsächlichen Fehlern des Tests zurückkehren. Wenn Mitarbeiter wiederholt fehlende Quellen übersehen, braucht die nächste Einweisung ein Beispiel genau dazu. Wenn sie Kostenunterschiede falsch lesen, gehört die Trennung von Eingabe-, Ausgabe- und Cache-Tokens hinein. Artikel 4 verlangt keine hier erfundene feste Stundenzahl; die Maßnahmen orientieren sich am Wissen der Personen und am Kontext ihres Einsatzes.⁵

Den Qualitätsgewinn bewerten

Nach dem Test zählt nicht die schönste Einzelausgabe, sondern der Preis pro akzeptierter Aufgabe. Dazu addiert das Büro die gemessenen API-Kosten aller Versuche einer Aufgabengruppe und die intern angesetzte Korrekturarbeit. Es teilt durch die Zahl der Ergebnisse, die die vorher vereinbarten Kriterien erfüllen. Der Vergleich nutzt die veröffentlichten Preise von Anthropic, setzt aber die eigenen Tokenzahlen und Prüfergebnisse ein.^1,2

Ein einfaches Szenario zeigt die Logik, ohne einen erfundenen Benchmark zu behaupten. Angenommen, beide Modelle liefern die Routinezusammenfassung mit derselben fachlichen Qualität und ähnlicher Prüfdauer. Dann spricht der niedrigere veröffentlichte Sonnet-Tarif bei gleicher Nutzung für Sonnet.^1,2 Angenommen, Opus verhindert bei einer offenen Aufgabe einen häufigen, zeitaufwendigen Korrekturschritt. Dann kann der höhere Tarif wirtschaftlich sein. Ob einer dieser Fälle im Büro tatsächlich eintritt, entscheidet allein sein protokollierter Test.

Das Team sollte den Schwellenwert vor der Auswertung festlegen: Welche Verbesserung ist für diese Aufgabe relevant? Eine einzige zusätzlich erkannte Unstimmigkeit kann bei einem kritischen Angebot wertvoll sein. Bei einer internen Notiz wäre derselbe Unterschied womöglich belanglos. Der Schwellenwert ist eine geschäftliche Entscheidung des Büros, keine von Anthropic veröffentlichte Leistungsgrenze. Er muss daher im Entscheidungsvermerk stehen.

Der Entscheidungsvermerk kann am Ende drei Ergebnisse haben: Sonnet für den Routinekorb, Opus für definierte komplexe Fälle oder noch keine Freigabe wegen unklarer Qualität. Diese Möglichkeiten sind bewusst nicht als allgemeine Empfehlung formuliert. Sie zeigen, dass ein fairer Vergleich auch zu einer begrenzten oder aufgeschobenen Nutzung führen darf. Ein Modell muss nicht allein deshalb eingeführt werden, weil der Test durchgeführt wurde.

Der Entscheidungsbaum im Überblick: Zuerst wird die Aufgabe als klar umrissen oder offen und komplex beschrieben. Beide Modelle bearbeiten dieselben Beispiele. Anschließend werden akzeptierte Ergebnisse, Korrekturzeit und Tokenkosten verglichen. Ohne belastbaren Qualitätsgewinn bleibt die günstigere oder eine vertagte Lösung naheliegend; mit einem relevanten Gewinn wird Opus für genau diese Aufgabengruppe erwogen.

Was dieser Vergleich nicht klärt

Die veröffentlichten Preise und Arbeitsprofile entscheiden keine einzelne Projektfrage im Voraus.^1,2 Sie enthalten keine Messung der Unterlagen dieses Architekturbüros. Auch die EDPB-Prüfliste liefert keinen Grenzwert, ab dem Opus zwingend zu wählen wäre; sie fragt nach einem sachgerechten Vergleich verschiedener Komponenten für die konkrete Verarbeitung.³ Das Büro muss seinen Qualitätsmaßstab und seine Kostengrenze selbst bestimmen.

Der Vergleich beantwortet ebenso wenig sämtliche Fragen zum Einsatz personenbezogener Daten. Datenminimierung ist ein notwendiger Prüfpunkt, aber aus Artikel 5 Absatz 1 Buchstabe c allein folgt keine vollständige Freigabe für jeden realen Kundenfall.⁴ Wenn der Pilot später mit anderen Daten oder einer anderen Aufgabe arbeitet, muss die Datenauswahl neu beurteilt werden. Die Freigabe für eine fiktive Probe wird nicht stillschweigend zur Freigabe für produktive Akten.

Ein späterer Preiswechsel kann die Wirtschaftlichkeitsrechnung verändern. Der hier genannte Stand ist der 19. Oktober 2026.^1,2 Wer erst später einkauft, prüft die dann gültigen Konditionen und hält die eigene Nutzungsmessung daneben. Ein qualitativ starker Test bleibt wertvoll, aber seine alte Kostenspalte ist kein dauerhaftes Angebot.

Nächste Schritte

Wählen Sie je einen gut umrissenen und einen offenen Vorgang. Legen Sie Kriterien für eine brauchbare Antwort fest, entfernen Sie unnötige personenbezogene Angaben und testen Sie beide Modelle mit identischen Unterlagen. Erfassen Sie Fehler, Nacharbeit und Token getrennt. Die Berechnung des KI-Nutzens hilft, die Entscheidung mit dem erwarteten Nutzen des Ablaufs zu verbinden.

Nutzen Sie den AI Foundation Audit als nächsten Schritt für die Auswahl dieses KI-Vorhabens.