GPT-6 Astra vs Claude Fable 5.1: Warum wir beide nutzen

Alles in diesem Vergleich hat sich in acht Tagen verändert

Astra erschien am 3. September 2026. Fable 5.1 kam etwa zur gleichen Zeit. Am 10. September stoppte OpenAI vorübergehend neue Anmeldungen und Upgrades für die Pro-Stufe zu 200 USD, weil die Nachfrage nach Astra die Kapazität überstieg. Eine Kaufentscheidung auf Basis eines drei Wochen alten Vergleichs ist bereits veraltet.

Beide Veröffentlichungen zielen auf dasselbe. Nicht auf Chat. Auf langfristige agentische Aufgaben, also Arbeit, die stundenlang ohne Menschen im Ablauf läuft. Wer KI-Agenten für Softwareentwicklung 2026 bewertet, muss deshalb die agentische Softwareentwicklung als Gesamtprozess betrachten und nicht einzelne Antworten.

Drei Dinge haben sich spürbar verändert, und alle drei schlagen auf die Rechnung durch:

• Kontextfenster nahe 1 Mio. Tokens auf beiden Seiten. Ein ganzes Altmodul samt Dokumentation und Tests passt jetzt in eine einzige Anfrage.
• Der Denkaufwand ist ein echter Kostenhebel. Astra bietet fünf Stufen. Fable arbeitet mit adaptivem Denken auf standardmäßig hoher Stufe. Diese Einstellung verändert, was Sie je Aufgabe zahlen, nicht nur, wie klug die Antwort klingt.
• Agentenumgebungen laufen stundenlang unbeaufsichtigt. Dadurch wird eine falsche Annahme aus Stunde eins bis Stunde vier teuer.

Das Kapazitätssignal sollten Sie einplanen. Wie Fortune am 11. September 2026 berichtete, betrifft der Stopp bei Pro zu 200 USD auch Upgrades aus allen niedrigeren Stufen. Bestehende Abos laufen weiter. Wenn Sie in diesem Monat eine Team-Einführung auf dieser Stufe geplant haben, prüfen Sie die Verfügbarkeit, bevor Sie budgetieren.

Mittelständische B2B-Unternehmen spüren das zuerst. ERP-Arbeit, Integrationen und die Modernisierung von Altsystemen sind genau die Aufgaben mit langem Kontext und großem Wirkungsradius, für die diese Modelle gebaut wurden. Wir besprechen hier keine Produktveröffentlichung. Wir beschreiben den Entwicklungsprozess, den wir deswegen geändert haben.

Modelle, Coding-Agenten und Arbeitsumgebungen sind drei verschiedene Schichten

Astra und Fable 5.1 sind Modelle. Codex und Claude Code sind Coding-Agenten, also Umgebungen, die ein Modell plus einen Satz Werkzeuge steuern. ChatGPT Work und Claude Cowork sind Umgebungen für lange Aufgaben, beide am 9. Juli 2026 gestartet. Ein Benchmark-Wert gehört immer zu einem Modell und einer Agentenumgebung zusammen. Deshalb widerspricht sich die Hälfte der Vergleiche im Netz.

In einfachen Worten: Astra ist das Gehirn, Codex ist die Programmierumgebung, in der es arbeitet, Work ist die weitere Umgebung für lange Aufträge. Auf der anderen Seite gilt dasselbe für Fable 5.1, Claude Code und Cowork. Über allem liegt die Orchestrierungsschicht, also Anbieter-APIs, Agenten-Werkzeuge, MCP-Dienste, CI/CD und die interne Schicht, die Sie selbst bauen.

"Astra vs Claude Code" ist deshalb ein Kategoriefehler. Sie vergleichen ein Gehirn mit einer Werkstatt.

Das ist nicht nur eine Frage der Begriffe, sondern der Bewertung. Tauschen Sie die Agentenumgebung, und die Zahl verschiebt sich. Terminal-Bench v4.0 liegt bei 57,9 % in OpenAIs eigener Tabelle und bei 56 % im Codex-Durchlauf von Artificial Analysis. Gleicher Benchmark-Name, anderes Gerüst, anderes Ergebnis. Wenn ein Anbieter sagt "unser Modell erreicht X", lauten die drei Rückfragen immer gleich: in welcher Umgebung, bei welchem Denkaufwand, zu welchem Datum.

Codex übernimmt, Claude Code diskutiert

Codex vs Claude Code ist der Vergleich, der in der Praxis wirklich zählt. Codex ist etwas, dem Sie Arbeit übergeben. Geben Sie ihm ein Repository und eine Aufgabe, dann läuft er in einer isolierten Sandbox und meldet sich zurück, wenn er fertig ist. Claude Code ist etwas, mit dem Sie sprechen. Es arbeitet in Ihrem Terminal, zeigt seine Überlegungen und hält an Entscheidungspunkten an.

Für uns ist dieser Unterschied keine Geschmacksfrage. Die Wahl des Agenten ist eine Entscheidung darüber, wie viel Aufsicht eine Aufgabe braucht. Klar abgegrenzte, mechanische Arbeit geht an den, dem man delegiert. Mehrdeutige, architektonische Arbeit geht an den, mit dem man streitet.

Datenblätter, die sich fast gleichen

Astra bietet ein Kontextfenster von 1.050.000 Tokens, 128.000 Tokens maximale Ausgabe, einen Wissensstand bis April 2026 und fünf Stufen für den Denkaufwand. Fable 5.1 bietet ein Kontextfenster von 1 Mio. Tokens, 128.000 Tokens maximale Ausgabe, einen Wissensstand bis Juni 2026 und adaptives Denken, das immer aktiv ist und standardmäßig auf hoher Stufe läuft. Auf dem Papier liegen sie eng beieinander. Die Unterschiede beginnen bei der Abrechnung. Wer nach GPT-6 Astra Programmierung oder Claude Fable 5.1 Programmierung sucht, landet schnell bei denselben zwei Fragen: Was kostet das Ergebnis, und wer prüft es.

Zahlen bestätigt auf der API-Modellseite von OpenAI und in der Dokumentation der Claude-Plattform, Stand 11. September 2026.

Jeder Anbieter benennt sein Ziel klar. OpenAI positioniert Astra für "komplexes Schlussfolgern, Programmierung, Computernutzung, Recherche und Dokumentenerstellung". Anthropic positioniert Fable 5.1 für "anspruchsvolles Schlussfolgern und langfristige agentische Arbeit".

Zwei Zeilen in dieser Tabelle wiegen schwerer, als sie aussehen. Der Regler für den Denkaufwand bei Astra ist eine echte Kostensteuerung: Artificial Analysis hat jede Stufe gemessen, von niedrig bei 0,82 USD je Aufgabe bis maximal bei 3,26 USD je Aufgabe, und alle liegen auf der Grenzkurve von Kosten und Intelligenz. Und die Abkündigungszusage bei Fable 5.1 ist genau das Detail, das niemand in einen Vergleichsbeitrag schreibt. Eine feste Modell-ID ohne Datum mit veröffentlichtem Enddatum bedeutet, dass Sie ein zweijähriges ERP-Projekt darauf planen können.

Gleicher Listenpreis, zwei sehr verschiedene Rechnungen

Beide Modelle nennen 10 USD je Million Eingabe-Tokens und 50 USD je Million Ausgabe-Tokens. Die Rechnungen sind trotzdem nicht gleich. Astra bepreist die gesamte Anfrage etwa doppelt so hoch, sobald ein Prompt 272.000 Eingabe-Tokens überschreitet. Fable 5.1 rechnet das volle 1-Mio.-Fenster zu Standardsätzen ab und verlangt 0,25 USD je Million für Treffer im Zwischenspeicher, also 2,5 % des Basispreises für Eingaben.

Zuerst zur Schwelle bei Astra, denn sie liegt genau dort, wo große B2B-Codebasen leben. Oberhalb von 272.000 Eingabe-Tokens verdoppeln sich die Sätze für Eingabe und Zwischenspeicher, und der Ausgabesatz steigt. Sekundäre Berichte nennen für diese Stufe 20 USD je Million Eingabe und 75 USD je Million Ausgabe und geben an, dass der höhere Satz für die gesamte Anfrage gilt und nicht nur für die Tokens oberhalb der Grenze. Behandeln Sie die Werte 20 und 75 USD als sekundär. Die 272K-Regel und der Faktor 2 stehen in OpenAIs eigener Dokumentation.

Fable 5.1 hat hier zwei strukturelle Vorteile, beide belegt in Anthropics eigener Preisdokumentation. Treffer im Zwischenspeicher kosten 0,25 USD je Million, ein Rückgang um 75 % gegenüber Fable 5. Und es gibt überhaupt keinen Aufschlag für langen Kontext: Eine Anfrage mit 900.000 Tokens wird mit demselben Satz je Token abgerechnet wie eine Anfrage mit 9.000 Tokens.

So sieht das in Geld aus. Dieses Beispiel dient der Veranschaulichung und ist kein Angebot. Eine Anfrage mit 500.000 nicht zwischengespeicherten Eingabe-Tokens und 20.000 Ausgabe-Tokens. Bei Astra liegt die Anfrage oberhalb der Schwelle, Sie zahlen also rund 10,00 USD für die Eingabe und 1,50 USD für die Ausgabe, zusammen etwa 11,50 USD. Bei Fable 5.1 wird dieselbe Anfrage zu Standardsätzen abgerechnet, etwa 5,00 USD plus 1,00 USD, zusammen rund 6,00 USD.

Jetzt das ehrliche Gegengewicht, denn bei fertiger Arbeit zeigen die unabhängigen Daten in die andere Richtung. In den standardisierten Durchläufen von Artificial Analysis verbraucht Astra etwa 27.000 Ausgabe-Tokens je Index-Aufgabe gegenüber 78.000 bei Fable und landet bei 3,26 USD je Aufgabe gegenüber 7,63 USD. Günstiger je Anfrage ist nicht dasselbe wie günstiger je Ergebnis.

Eine weitere Fußnote zerstört die naive Rechnung. Claude 4.7 und neuer verwenden einen neueren Tokenizer, der für denselben Text rund 30 % mehr Tokens erzeugt. Dollar je Million Tokens über zwei Anbieter hinweg zu vergleichen, heißt nicht, dieselbe Einheit zu vergleichen.

Wir arbeiten deshalb nach einer Regel statt nach einer Preisliste: Messen Sie die Kosten je erledigter Aufgabe, nicht den Preis je Million Tokens. Ein günstigerer Token, der drei Durchläufe braucht, ist nicht günstiger. Die Zwischenspeicherung von Prompts zahlt sich in unserem Aufbau nur eng begrenzt und vorhersehbar aus, nämlich wenn mehrere Agenten während eines Arbeitsschritts immer wieder dieselben Repository-Dokumente, Spezifikationen und ADRs lesen.

Warum zwei Benchmark-Tabellen zwei verschiedene Antworten geben

Unabhängige Tests sprechen von einem Unentschieden. Artificial Analysis, veröffentlicht am 9. September 2026: Intelligence Index v4.3 bei 53 für beide Modelle, Coding Agent Index bei 62 für beide. OpenAIs eigene Tabelle zeigt Astra bei den meisten Programmier-Benchmarks vorn und Fable 5.1 deutlich vorn bei Humanity's Last Exam mit Werkzeugen, 65,0 % gegen 57,2 %. Beide Tabellen sind echt. Sie messen unterschiedliche Dinge.

Zuerst die unabhängigen Zahlen

Der Intelligence Index v4.3 ist ein zusammengesetzter Wert aus 10 Bewertungen, darunter AA-Briefcase, GDPval-AA v2, AutomationBench-AA, Terminal-Bench v4.0, SciCode, Humanity's Last Exam, CritPt, AA-Omniscience und AA-LCR v1.1. Die Kernaussage aus dem Benchmark-Durchlauf von Artificial Analysis lautet, dass Astra "in beiden unserer Leitindizes mit Claude Fable 5.1 gleichauf an der Spitze liegt, bei geringeren Kosten".

Unabhängige Messung von Artificial Analysis, 9. September 2026, alle Zahlen bei maximalem Denkaufwand.

Zwei Details in diesen Zahlen wiegen schwerer als die Schlagzeile. Bei AA-Omniscience sinkt die Halluzinationsrate von Astra von 92 % in der Vorgängergeneration auf 51 % bei maximalem Denkaufwand, und die Genauigkeit steigt gleichzeitig um 4 Punkte. Und innerhalb des Coding Agent Index verteilen sich die Siege, statt sich zu summieren: Astra gewinnt bei Terminal-Bench v4.0 und SWE-Atlas-QnA und verliert bei DeepSWE mit 68 % gegen 72 %.

OpenAIs eigene Tabelle und die Zeile, die alles verrät

Von OpenAI selbst berichtet, September 2026. Das sind keine unabhängigen Messungen.

Die letzte Zeile ist für unsere These die nützlichste der ganzen Tabelle. In OpenAIs eigenen Zahlen liegt Fable bei Recherche und Schlussfolgern über unbekannte Fachgebiete fast acht Punkte vorn. Besser in einem Programmier-Benchmark zu sein, macht ein Modell nicht besser darin, eine Architekturentscheidung zu hinterfragen. Das ist eine völlig andere Aufgabe.

Drei Einschränkungen, die bestimmen, wie Sie all das lesen

• Herstellerzahlen und unabhängige Zahlen lassen sich nicht verrechnen. Sie können nicht OpenAIs Tabelle mit dem Index von Artificial Analysis mitteln und daraus eine Rangfolge bilden. Sie nutzen verschiedene Agentenumgebungen und verschiedene Bewertungen.
• Die Agentenumgebung ist nicht neutral. Terminal-Bench v4.0 ergibt in einem Aufbau 57,9 % und in einem anderen 56 %. Gleicher Benchmark, anderes Gerüst.
• Ein Vergleich ohne Angabe des Denkaufwands ist wertlos. Jede hier zitierte AA-Zahl gilt bei maximalem Denkaufwand. Ändern Sie den Aufwand, verschieben sich Punktzahl und Kosten.

Noch ein Punkt zu den Quellen. Mindestens ein Medium nennt den Coding Agent Index mit 67 für Astra und 70 für Fable 5.1. Das widerspricht den von Artificial Analysis selbst veröffentlichten 62 zu 62. Wenn Quellen sich widersprechen, nehmen Sie die primäre und sagen Sie, welche Sie genutzt haben. Wir nutzen AA.

Nach Punkten gewinnt hier niemand. Hören Sie also auf, nach einem Sieger zu suchen.

Was Astra besser macht

Astra gewinnt bei Wirtschaftlichkeit und Ausführung. Gleiche Index-Punktzahl bei rund 40 % der Kosten je Aufgabe, etwa einem Drittel der Ausgabe-Tokens, dem größten Kontextfenster mit 1.050.000 Tokens, fünf Aufwandsstufen zur Kostensteuerung je Aufgabe und einer fast halbierten Halluzinationsrate.

Die Token-Effizienz ist der Kernpunkt. 27.000 Ausgabe-Tokens je Index-Aufgabe gegen 78.000, 3,26 USD gegen 7,63 USD. In einer standardisierten Umgebung erledigt es dieselbe Arbeit für weniger Geld. In den vom Hersteller berichteten Programmier- und Automatisierungstests führt es außerdem bei Terminal-Bench, DeepSWE, AutomationBench, BenchCAD und OpenAIs internem Benchmark für Datenbankmigration.

Der Regler für den Denkaufwand ist kein Marketing-Schieberegler. Jede Stufe von niedrig bis maximal liegt auf der Kostengrenzkurve. Sie können also günstige mechanische Arbeit auf niedrigen Aufwand leiten und die maximale Stufe für die Teile behalten, die sie brauchen. Das ist echte Budgetsteuerung je Aufgabentyp.

Der Rückgang der Halluzinationen verdient mehr Aufmerksamkeit, als er bekommt. Für einen Agenten, der vier Stunden unbeaufsichtigt läuft, ist eine niedrigere Rate selbstbewusster Erfindungen eine Sicherheitseigenschaft, keine Statistik. Computernutzung und Browsersteuerung zählen aus demselben praktischen Grund: Verwaltungsoberflächen, Testumgebungen und Altsoftware ohne API.

• Vorteile: Kosten je fertiger Aufgabe, Token-Sparsamkeit, Ausdauer bei der Ausführung, fünf Aufwandsstufen, Computernutzung.
• Nachteile: Die Preisklippe bei 272K liegt genau in der Zone von Monorepos und Alt-Codebasen, die Benchmark-Führung ist nicht durchgängig, da HLE mit Werkzeugen in die andere Richtung geht, der Zugang zu Pro 20x ist für Neukunden seit dem 11. September 2026 pausiert, und ein einzelner langlaufender Agent kann eine überzeugende falsche Hypothese bis zum Ende durchtragen.

Was Fable 5.1 besser macht

Fable 5.1 hält bei gemessener Intelligenz und beim Coding Agent Index mit Astra mit und gewinnt dann bei den Dingen, die im dritten Projektmonat auftauchen. Lesevorgänge aus dem Zwischenspeicher zu 0,25 USD je Million, kein Aufschlag für langen Kontext, adaptives Denken immer aktiv und ein klarer Vorsprung bei Recherche über unbekannte Fachgebiete.

Beginnen wir mit dem Unentschieden, denn es macht alles Weitere zu einem "und außerdem". 53 gegen 53. 62 gegen 62. Nichts von dem, was folgt, gleicht eine schlechtere Punktzahl aus.

Die Wirtschaftlichkeit des Zwischenspeichers zählt genau in unserem Arbeitsablauf am meisten. Mehrere Agenten lesen wiederholt dasselbe Repository, dieselben Spezifikationen, denselben Architekturkontext. Bei 0,025x des Basispreises für Eingaben kosten der zweite, dritte und zehnte Lesevorgang fast nichts. Dazu die einheitliche Preisgestaltung über das gesamte 1-Mio.-Fenster, und Arbeit mit langem Kontext ist kein Budgetthema mehr.

Dann das Ergebnis bei Humanity's Last Exam, 65,0 % gegen 57,2 %, in OpenAIs eigener Tabelle. Dieser Benchmark misst Recherche und Schlussfolgern über Fachgebiete, die das Modell nicht gesehen hat. Das beschreibt ziemlich genau, was eine ADR-Kritik wirklich ist: ein unbekanntes System lesen und die falsche Annahme darin finden.

Adaptives Denken auf standardmäßig hoher Stufe bedeutet weniger Feinabstimmung und weniger Fehler durch die Wahl der falschen Aufwandsstufe. Und die Agentenmuster von Claude Code sind ausgereift: Subagenten, parallele Recherche, Worktrees, Agententeams, unabhängige Prüfagenten.

• Vorteile: Wirtschaftlichkeit des Zwischenspeichers, einheitliche Preise bei langem Kontext, Recherche über unbekannte Fachgebiete, Agentenmuster und ein veröffentlichtes Abkündigungsdatum, gegen das Sie eine Roadmap planen können.
• Nachteile: höhere gemessene Kosten je standardisierter Aufgabe mit 7,63 USD gegen 3,26 USD, rund die dreifache Menge an Ausgabe-Tokens bei maximalem Aufwand, ein neuerer Tokenizer, der für denselben Text etwa 30 % mehr Tokens erzeugt, und parallele Subagenten, die den Verbrauch schnell vervielfachen, wenn niemand hinschaut.

Was die Tarife gerade kosten, und die 20x-Falle

Stand 11. September 2026: Claude Pro kostet rund 20 USD im Monat, Max 5x kostet 100 USD und Max 20x kostet 200 USD. ChatGPT Plus kostet 20 USD, Pro 5x kostet 100 USD und Pro 20x kostet 200 USD, wobei neue Anmeldungen und Upgrades für Pro zu 200 USD am 10. September 2026 vorübergehend gestoppt wurden. Die beiden Bezeichnungen "20x" bedeuten nicht dieselbe Nutzungsmenge.

Tarife für eine Entwicklerin oder einen Entwickler

Auf der Seite von Anthropic kostet Pro rund 20 USD im Monat oder umgerechnet etwa 17 USD im Monat bei jährlicher Zahlung. Max 5x kostet 100 USD und Max 20x kostet 200 USD, im Web nur monatlich. Sitzungen werden in einem Fünf-Stunden-Rhythmus zurückgesetzt, und die Max-Tarife haben zusätzlich ein wöchentliches Limit, das für alle Modelle gilt. Beide Max-Stufen enthalten Claude Code und Cowork.

Auf der Seite von OpenAI kostet Plus 20 USD, Pro 5x kostet 100 USD und Pro 20x kostet 200 USD. Der Stopp vom 10. September blockiert neue Anmeldungen und Upgrades auf Pro zu 200 USD aus jeder niedrigeren Stufe. Bestehende Abos sind nicht betroffen und verlängern sich weiter. Läuft eines aus, kann es bis zum Ende des Stopps nicht neu gekauft werden.

Die 20x-Falle. OpenAIs 20x bezieht sich auf ChatGPT Plus. Anthropics 20x gilt je Sitzung und bezieht sich auf Claude Pro. Zwei verschiedene Bezugsgrößen, und keine davon ist ein Token-Paket. Die beiden Tarife anhand ihrer Bezeichnung zu vergleichen, sagt Ihnen nichts.

OpenAI veröffentlicht außerdem Schätzungen für Nachrichten je fünf Stunden für Codex auf Astra: 5 bis 45 lokale Nachrichten bei Plus und Business Standard, 25 bis 225 bei Pro zu 100 USD und 100 bis 900 bei Pro zu 200 USD. Lesen Sie das als Spannen, nicht als Obergrenzen. ChatGPT Work und Codex teilen sich dasselbe Kontingent, und der tatsächliche Verbrauch hängt von Aufgabengröße, Denkaufwand und Kontextmenge ab.

Tarife für Teams und Unternehmen

Die Zahlen von Anthropic sind veröffentlicht. Die Marktpreise für OpenAI Business und Enterprise sind berichtet und nicht veröffentlicht. Behandeln Sie sie als Anhaltspunkt für die Budgetierung und lassen Sie sie sich in einem Angebot bestätigen.

Ein Abrechnungsunterschied überrascht Finanzabteilungen regelmäßig. Bei Claude Team ist die Nutzung im Abo enthalten. Beim nutzungsbasierten Modell von Claude Enterprise deckt die Gebühr je Nutzerlizenz den Plattformzugang ab, und die Nutzung wird separat zu API-Sätzen abgerechnet. Das sind zwei völlig verschiedene Formen der Monatsrechnung.

Unser Rat als Team, das beides kauft: Starten Sie den Pilotbetrieb zuerst über die API-Abrechnung, denn nur so sehen Sie Ihre echten Kosten je erledigter Aufgabe. Wechseln Sie auf Nutzerlizenzen, wenn Sie wissen, was Ihr Team tatsächlich verbraucht.

Unsere zehn Schritte: Recherche, ADR, Umsetzung, Gegenprüfung

Ein Mensch definiert die Geschäftsaufgabe. Zwei Agenten untersuchen unabhängig voneinander. Ein Mensch führt die Ergebnisse zusammen. Ein Agent entwirft die ADR, der andere greift sie an. Eine erfahrene Ingenieurin oder ein erfahrener Ingenieur genehmigt den Entwurf. Ein Modell setzt um, das andere prüft, ohne die Überlegungen des Umsetzenden zu sehen, Tests verifizieren, ein Mensch gibt frei, und erst dann läuft CI/CD. Zehn Schritte, und Menschen halten drei der Tore.

Das ist die Praxis von Webdelo, so wie unser Team sie beschreibt. Kein erfundener Benchmark, kein erfundener Prozentwert. Dieser Arbeitsablauf mit zwei Agenten funktioniert nur, weil die menschliche Kontrolle im Entwicklungsprozess an drei festen Punkten verankert ist. Dieselben zehn Schritte laufen in Kundenprojekten, von ERP-Modulen bis zur Web Entwicklung in Deutschland.

• Schritt 1. Geschäftsaufgabe. Ein Mensch setzt das Ziel, die Abnahmekriterien, die fachlichen Grenzen, die betroffenen Integrationen, die Datenvorgaben, die Sicherheitsanforderungen, die erwarteten Tests und den Rückfallplan. Die KI definiert nicht, was fertig heißt.
• Schritt 2. Unabhängige Untersuchung. Beide Modelle prüfen Modul, Repository, bestehende ADRs, Datenbankschema, APIs, Tests und Abhängigkeiten getrennt voneinander. Agent B fasst nie nur Agent A zusammen. Wir wollen zwei Hypothesen.
• Schritt 3. Recherche zusammenführen. Übereinstimmungen, Widersprüche, Lücken, Risiken, offene Fragen. Uneinigkeit ist ein Signal, kein Rauschen, und sie zeigt meist auf den Teil, den noch niemand versteht.
• Schritt 4. ADR und Gegenkritik. Einer entwirft die Architekturentscheidung ADR. Der andere greift sie an, bei falschen Annahmen, Abwärtskompatibilität, Migrationsrisiko, Nebenläufigkeit, Berechtigungen, Datenkonsistenz, Beobachtbarkeit, Rückabwicklung, Leistung und Fehlerbildern an Schnittstellen.
• Schritt 5. Menschliches Architekturtor. Eine erfahrene Ingenieurin oder ein erfahrener Ingenieur nimmt den Entwurf an oder ändert ihn. Bei ERP und zentralen Geschäftssystemen ist das nicht verhandelbar.
• Schritt 6. Umsetzung. Ein Modell wird zum Hauptumsetzer. Die Wahl hängt vom Repository ab, von der Art der Aufgabe, der beobachteten Qualität, den Kosten, dem verfügbaren Kontingent und davon, ob ein großer zwischengespeicherter Kontext im Spiel ist. Nicht davon, wer letzte Woche besser abgeschnitten hat.
• Schritt 7. Anbieterübergreifende Code-Prüfung. Das Modell, das den Code geschrieben hat, prüft ihn nie. Der Prüfer bekommt Anforderungen, den Diff, die relevante Architektur und die Tests. Er bekommt nicht die Gedankenkette des Umsetzenden. Das ist der Schritt gegen den Ankereffekt.
• Schritt 8. Objektive Verifikation. Unit- und Integrationstests, statische Analyse, Linter, Prüfung der Migration, Sicherheitsprüfungen und Browsertests, wenn die Änderung eine Oberfläche berührt.
• Schritt 9. Menschliche Prüfung. Befunde der KI bleiben Vorschläge, bis sie durch Code, einen Test, eine Vorgabe oder ein nachgestelltes Problem belegt sind.
• Schritt 10. CI/CD. Nur geprüfte und verifizierte Änderungen gehen in die normale Auslieferung. Die KI-Pipeline ergänzt die technischen Kontrollen, sie ersetzt sie nie.

Der Unterbau, der das durchhaltbar macht

Zwei Dinge machen das praktikabel statt anstrengend. Worktree-Isolation, damit parallele Agenten nicht um dasselbe Verzeichnis streiten. Und eine Orchestrierung, die Arbeit zuteilt und Ergebnisse zusammenführt, damit nicht zwei Menschen den ganzen Nachmittag zwischen zwei Terminals hin und her kopieren.

Hier widersprechen wir der gängigen Praxis. Die ganze Schleife innerhalb der Orchestrierung eines einzigen Anbieters laufen zu lassen, ist bequem, und es übergibt diesem Anbieter Ihren Prozess. Wir behalten Berechtigungen, Weiterleitung, Richtlinien, Geheimnisse, Prüfprotokolle und Kostensteuerung in unserer eigenen Schicht. Die Zwei-Anbieter-Strategie ist selbst das Argument: In dem Moment, in dem Ihr Arbeitsablauf nur noch innerhalb einer Plattform existiert, ist ein Anbieterwechsel keine Entscheidung mehr, sondern ein Projekt.

Wie das an einem ERP-Modul aussieht

Stellen Sie sich den Fehler vor, für dessen Abfangen dieser Arbeitsablauf existiert. Ein Agent liest ein ERP-Modul und entscheidet, dass ein Feld nur informativ ist. Ist es nicht. Dieses Feld steuert eine nachgelagerte Buchungsregel, die jemand 2014 geschrieben und niemand dokumentiert hat.

Der Agent entwirft eine Migration um seine Annahme herum. Dann schreibt er Code, der zur Migration passt. Dann schreibt er Tests, die zum Code passen. Dann prüft er die eigene Arbeit gegen sein eigenes Denkmodell und findet keinen Fehler, denn von innen ist nichts falsch. Alles ist in sich stimmig. Es ist trotzdem falsch für das Geschäft, und Sie merken es beim Monatsabschluss.

Ein zweiter Agent von einem anderen Anbieter hat eine echte Chance, das zu bemerken. Andere Trainingsdaten, andere Grundannahmen, andere Agentenumgebung und kein Kontakt mit den Überlegungen des ersten Agenten. Er liest das Feld, liest die Spezifikation und fragt, warum die Migration es als rein kosmetisch behandelt.

Bei ERP zahlt sich das aus, wegen dem, was ERP trägt. Finanzdaten, Rollen und Berechtigungen, Prüfprotokolle, Importe und Exporte, Integrationen mit Dritten, Geschäftslogik, die älter ist als das heutige Team, Abhängigkeiten zu Altsystemen, kundenspezifische Abläufe, Datenbankmigrationen und Verfügbarkeitsanforderungen. Das Schwierige ist selten, eine Funktion zu schreiben. Das Schwierige ist zu wissen, was eine Änderung an dieser Funktion alles berührt. Genau das unterscheidet ERP-Entwicklung von gewöhnlicher B2B-Softwareentwicklung auf der grünen Wiese.

Genau hier verdient die parallele agentische Untersuchung ihr Geld. Erkundung des Repositorys, Verfolgung von Abhängigkeiten, Analyse der Dokumentation, Prüfung der Tests, Migrationsplanung und Risikörkennung können alle gleichzeitig laufen. Erfahrene Fachleute verbringen ihre Stunden mit Entscheiden statt mit Suchen. Dieselbe parallele Untersuchung zahlt sich auch bei datenlastigen Kundenplattformen aus, etwa wenn wir eine Immobilien Webseite erstellen, wo Objekte, Preisregeln und Schnittstellen schnell zunehmen.

Die Zuteilung in der Praxis ist einfach. Terminallastige, klar abgegrenzte, stapelartige Arbeit geht an Astra in Codex. Mehrdeutige, kontextlastige, planungsnahe Arbeit geht an Fable in Claude Code. Danach tauschen wir sie für die Prüfung.

Ein ehrlicher Vorbehalt gehört hierher. Beide Modelle sind etwa zehn Tage alt. Für keines von beiden gibt es eine veröffentlichte ERP-Fallstudie, auch von uns nicht. Was wir beschreiben, ist ein Prozess, keine Fallstudie.

Unser nächster Prüfschritt, und er ist ein Plan, kein Ergebnis

Wir setzen einen internen Vergleich mit 8 bis 12 anonymisierten echten B2B- und ERP-Aufgaben auf, in vier Modi: nur Astra, nur Fable, Astra setzt um und Fable prüft, Fable setzt um und Astra prüft.

Was wir messen werden: Quote angenommener Lösungen, bestandene Tests, benötigte Zeit, Verbrauch, nötige menschliche Korrekturen, gültige Prüfbefunde, Fehlalarme, Rückschritte und Durchläufe bis zur Merge-Reife. Die entscheidende Zahl sind angenommene Befunde, die nur der zweite Anbieter gefunden hat, denn genau das prüft die These dieses Artikels.

Ergebnisse gibt es noch nicht. Wir stellen keinen Plan als Beleg dar.

Warum ein Modell ein schlechter Prüfer des eigenen Codes ist

Forschung aus 2026 belegt, warum die Selbstprüfung scheitert: Ankereffekt, Selbstbevorzugung und halluzinierte Korrektheit, bei der ein Modell während der Prüfung denselben Denkfehler wiederholt, den es beim Erzeugen gemacht hat. Eine Debatte mehrerer Agenten behebt das nicht, wenn alle Agenten auf demselben Modell laufen.

Die Fehlerbilder sind konkret, und jedes hat Forschung im Rücken:

• Ankereffekt. Die erste Information prägt jedes spätere Urteil überproportional, auch das Urteil des Modells über die eigene Arbeit.
• Selbstbevorzugung. Mit RLHF trainierte Modelle neigen dazu zuzustimmen statt zu widersprechen, und sie bewerten die eigene Ausgabe höher als vergleichbaren Text aus anderer Quelle.
• Halluzinierte Korrektheit. Modelle wiederholen bei der Prüfung ihre Denkfehler aus der Erzeugung, statt den Code gegen die Spezifikation zu prüfen. Die Arbeit "Articulate but Wrong: Self-Review Failures in LLM-Based Code Modernization" belegt genau das.
• Debatte verstärkt die Verzerrung, wenn Agenten dasselbe Modell teilen. Forschung zur Verstärkung von Verzerrungen in Debatten von LLM-Agenten zeigt, dass eine starke Selbstkonsistenz dieselben blinden Flecken verstärkt, statt sie zu korrigieren.
• LLM als Prüfinstanz hat blinde Flecken. Studien zu mehrstufigen Agenten im Produktivbetrieb finden, dass Prüfinstanzen nur einen Teil der echten Fehler entdecken.

Was die Forschung stattdessen stützt, ist die Prüfung über verschiedene Trainingsverteilungen hinweg und die Trennung der Erzeugungssitzung von der Prüfsitzung, damit der Prüfer nie sieht, wie der Umsetzende dorthin gekommen ist. Deshalb hält Schritt 7 die Gedankenkette zurück. Nehmen Sie den Anker weg, und der Prüfer muss seine eigene Meinung aus Spezifikation und Diff ableiten.

Die Spezifikation ist das Tor, das eine Prüfung überhaupt erst möglich macht. Abnahmekriterien, die ein Mensch vor der Umsetzung geschrieben hat, sind das, wogegen der Prüfer prüft. Ohne sie hat die Prüfung keinen Anker außer dem Code selbst, und Code stimmt immer mit sich selbst überein.

Jetzt die Einschränkung, und wir bestehen darauf, sie zu nennen. Übereinstimmung ist kein Beweis. In etwa einem Viertel der Fälle, in denen debattierende Agenten auseinandergehen, hat die Minderheitsposition recht. Eine Mehrheitsentscheidung kann also die richtige Antwort verwerfen. Die anbieterübergreifende Code-Prüfung erhöht die Vielfalt der Prüfung. Sie garantiert nicht mathematisch weniger Fehler. Das menschliche Tor bleibt.

Es gibt einen geschäftlichen Nebeneffekt, den Finanzabteilungen sofort verstehen. Zwei Anbieter bedeuten, dass eine Preisänderung, ein Ausfall oder eine Richtlinienänderung bei einem Anbieter die Auslieferung nicht stoppt. Dieselbe Absicherungslogik nutzen wir bei GEO SEO, damit eine Ranking-Änderung bei einer Plattform nicht den gesamten Kundenverkehr mitnimmt.

Was ein mittelständisches Team bekommt, und was es zahlt

Der Wert entsteht durch die Gestaltung des Arbeitsablaufs, nicht durch den Zugang zu einem stärkeren Modell. Wir werden Ihnen nicht erzählen, dass KI die Entwicklung um 40 % günstiger macht. Niemand kann Ihnen diese Zahl für Ihre Codebasis ehrlich nennen. Was wir benennen können, sind Wirkmechanismen.

• Schnellere Untersuchung. Parallele Prüfung eines Systems durch zwei Agenten statt sequenzielles Lesen durch eine Person.
• Kürzerer Architekturzyklus. Der ADR-Entwurf und seine Kritik liegen beide vor der Prüfung durch die erfahrene Fachkraft vor, die damit von einem bereits hinterfragten Vorschlag aus startet.
• Mehr Prüfabdeckung. Ein zweiter unabhängiger Durchgang über Code, der zuvor höchstens einen bekam.
• Günstigere mechanische Analyse. Das Verfolgen von Abhängigkeiten und das Lesen von Dokumentation verbrauchen keine teuren Stunden mehr.
• Schnellere Migrationen und Umbauten, wobei die Architektur weiterhin bei den Menschen liegt.
• Bessere Kontinuität bei langen Aufgaben, weil ein Kontext von 1 Mio. Tokens das ganze Modul und seine Geschichte hält.

Die Kostenseite ist real, und wir sagen das offen. Zwei Abos. Zwei Token-Rechnungen. Zwei Werkzeugketten. Zwei Regelwerke zur Datenverarbeitung, die geprüft werden müssen. Und Arbeitszeit, um die Schleife am Laufen zu halten. Entwicklung mit zwei Agenten ist ein Kostenposten, kein kostenloses Upgrade.

Wo das Geld zurückkommt, ist eng begrenzt und groß. Weniger falsche Architekturhypothesen erreichen die Umsetzung. Bei einer ERP-Migration ist eine falsche Prämisse, die in Woche zwei auffällt, mehr wert als ein Jahr an Token-Ersparnis.

Die Budgetregel ist deshalb absichtlich langweilig. Starten Sie den Pilotbetrieb an einem Modul. Messen Sie die Kosten je erledigter Aufgabe und die Nacharbeitsquote. Dann entscheiden Sie. Zwei Anbieter am ersten Tag über eine ganze Entwicklungsabteilung auszurollen, bringt Ihnen eine Rechnung und keine Daten. Dieselbe schrittweise Logik gilt, wenn wir Online Marketing in Deutschland ausbauen: erst einen Kanal belegen, dann den nächsten finanzieren.

Steuerung: zwei Anbieter bedeuten alles doppelt

Jeder zusätzliche Anbieter bedeutet einen weiteren Auftragsverarbeitungsvertrag, einen weiteren Eintrag bei den Unterauftragnehmern, ein weiteres Regelwerk zum Abgleichen. Bevor Sie Preise je Nutzerlizenz vergleichen, vergleichen Sie, was jeder Anbieter mit Ihrem Code macht. OpenAI trainiert standardmäßig nicht mit Inhalten aus Business oder Enterprise, und Anthropic Enterprise ergänzt Prüfprotokolle, SCIM, eigene Aufbewahrungsfristen und kundenverwaltete Verschlüsselungsschlüssel.

Die Fragen, die das entscheiden, drehen sich nicht um den Preis. Stellen Sie sie in dieser Reihenfolge:

• Lässt sich der Zugang zentral verwalten, mit SSO und automatischer Bereitstellung?
• Was passiert mit Unternehmensdaten, und werden sie für das Training genutzt?
• Wie hoch sind die gleichzeitigen und wöchentlichen Limits, und wer bemerkt, wenn ein Team sie erreicht?
• Wie werden API-Lasten von der Abo-Nutzung getrennt?
• Lassen sich KI-Aktionen im Nachhinein prüfen?
• Welche Ihrer Systeme können die Agenten tatsächlich erreichen?

Bei den Kontrollen liegen beide Anbieter in der höchsten Stufe ähnlich. OpenAI Enterprise bietet zusätzlich SOC 2, Ende-zu-Ende-Verschlüsselung, Datenhaltung in bestimmten Regionen, kundenverwaltete Schlüssel, SSO und SAML, SCIM, IP-Freigabelisten, Arbeitsbereichsrichtlinien, Prüfprotokolle und rollenbasierte Zugriffssteuerung. Anthropic Team und Enterprise bieten gemeinsame Arbeitsbereiche, zentrale Abrechnung und SSO, wobei Enterprise zusätzlich Prüfprotokolle, SCIM, eigene Aufbewahrungsfristen, Compliance- und Analytics-APIs, kundenverwaltete Schlüssel, Inferenz ausschließlich in den USA, Konnektoren und HIPAA-fähige Konfigurationen für berechtigte Organisationen bietet.

Die Kosten von "beide nutzen", die niemand erwähnt, liegen im Einkauf. Doppelte Anbieterprüfung, doppelte Auftragsverarbeitungsverträge, doppelte Prüfung der Unterauftragnehmer. Für ein deutsches mittelständisches Unternehmen mit einem echten Datenschutzbeauftragten sind das Wochen an Arbeit und kein Häkchen. Planen Sie das ein, bevor Sie sich festlegen.

Unsere eigenen unverhandelbaren Punkte sind kurz. Ein namentlich benannter Mensch genehmigt jeden Merge. Agenten haben keine Schreibrechte auf main. Der prüfende Agent bekommt die Spezifikation und den Diff, nie Zugangsdaten zum Produktivsystem. Unsere Sicherheitspraxis orientiert sich an den Grundsätzen von ISO 27001 und SOC 2, und wir sind auf dem Weg zur formalen Zertifizierung.

Wann ein Modell reicht

Ein Modell reicht völlig für kleine, klar abgegrenzte Änderungen mit geringem Wirkungsradius, ohne Migration und ohne Schnittstellen. Das zweite holen wir dazu, wenn die Kosten einer falschen Architekturhypothese höher sind als die Kosten eines weiteren Prüfdurchgangs. In der Praxis heißt das ERP, Integrationen, Migrationen und die Modernisierung von Altsystemen. Eine Landingpage für eine Kampagne rund um Google SEO in Deutschland braucht diesen zweiten Durchgang nicht.

Ein Modell reicht, wenn die Aufgabe klar abgegrenzt ist, der Wirkungsradius klein ist, eine erfahrene Fachkraft den Diff ohnehin liest, oder das Modul einfach und das Budget knapp ist.

Astra mit Codex allein eignet sich für Terminalautomatisierung, CI/CD und Infrastrukturskripte, Stapeländerungen über viele ähnliche Module und Browser- oder Oberflächenautomatisierung bei Software ohne API.

Fable 5.1 mit Claude Code allein eignet sich für mehrdeutige Planungsarbeit, Umbauten über viele Dateien in kontextlastigem Code, die Fehlersuche in etwas, das niemand im Team ganz versteht, und für Finanz- oder ERP-Geschäftslogik.

Wir nutzen beide, wenn das System geschäftskritisch ist, der Code Geld oder Compliance berührt, die Codebasis alt und undokumentiert ist, eine Migration als gleichwertig nachgewiesen werden muss, oder ein Fehler teuer rückgängig zu machen ist.

Wir nutzen keinen der beiden Aufbauten, wenn es ein Prototyp ist, ein internes Wegwerfwerkzeug, oder ein Zweierteam, das die Orchestrierung nicht pflegen wird. Die Kosten für zwei Agenten sind real, und im falschen Projekt bringen sie Ihnen nichts. Eine kleine Buchungsseite, also etwa eine Website für Reparaturdienst, ist genau so ein Fall.

Sprechen Sie mit uns, bevor Sie sich für einen Anbieter entscheiden

Webdelo entwickelt komplexe B2B-Software in Deutschland und den USA. ERP-Anpassung, Systemintegrationen, Plattformmigration und maßgeschneiderte Geschäftssysteme, mit dem oben beschriebenen Prozess mit zwei Agenten, der bereits im Produktivbetrieb läuft.

Zwei Dinge können wir für Sie tun. Wir gestalten einen sicheren KI-gestützten Entwicklungsablauf innerhalb Ihrer eigenen Entwicklungsorganisation, mit der Steuerung und den menschlichen Kontrollpunkten, die Ihre Compliance-Abteilung wirklich unterschreibt. Oder wir führen ein Projekt zu ERP, Modernisierung, Migration oder individueller B2B-Software mit diesem Prozess ab dem ersten Tag durch.

Ein erstes Gespräch ist kurz und konkret. Ihr Wirkungsradius, Ihre Vorgaben zur Steuerung, und welche Teile Ihrer Arbeit zwei Agenten rechtfertigen und welche nicht. Nehmen Sie Kontakt auf, um Ihr Projekt zu besprechen.

Bauen Sie das Entwicklungssystem, nicht die Modell-Auswahlliste

Die interessante Frage war nie, welches Modell gewinnt. Unabhängige Tests sagen, keines tut es. Die Frage ist, welches Entwicklungssystem Sie darum herum bauen, und ob ein Mensch weiterhin die Architektur verantwortet.

• Die ehrliche Schlagzeile lautet Unentschieden. 53 gegen 53 im Intelligence Index, 62 gegen 62 im Coding Agent Index.
• Identische Listenpreise verbergen zwei gegensätzliche Wirtschaftlichkeiten. Astra ist günstiger je erledigter Aufgabe, Fable ist günstiger bei wiederholten Lesevorgängen mit großem Kontext. Messen Sie die Kosten je erledigter Aufgabe.
• Die Stärken gehen wirklich auseinander, und Stärke beim Programmieren überträgt sich nicht auf Recherche in unbekannten Fachgebieten oder auf Architekturkritik.
• Die anbieterübergreifende Code-Prüfung wird von Forschung aus 2026 gestützt, nicht nur von unserer Meinung. Sie erhöht die Vielfalt der Prüfung. Sie garantiert keine geringere Fehlerzahl.
• Bei ERP, Integrationen, Migrationen und Modernisierung ist der teure Fehler eine falsche Architekturhypothese, keine langsame Funktion.

Jede Zahl in diesem Artikel hat den Stand 11. September 2026. Beide Modelle sind rund zehn Tage alt, die Preise haben sich in diesem Monat bereits einmal bewegt, und dieser Vergleich verdient in drei Monaten eine erneute Prüfung. Wenn Sie jetzt entscheiden, entscheiden Sie zuerst über den Prozess und danach über die Anbieter, und sprechen Sie mit uns über den Teil, der auch im nächsten Quartal noch gilt.