GPT-6 Astra gegen Claude Fable 5.1: ein ehrlicher Vergleich

Der häufigste Satz in der aktuellen Berichterstattung lautet sinngemäß: Anthropics eigene Benchmarks zeigten Claude Fable 5.1 vor GPT-6 Astra. Dieser Satz ist falsch, und man widerlegt ihn mit einem Kalender.

Anthropic hat seine Benchmark-Tabelle am 1. September 2026 veröffentlicht. Die Vergleichsspalte darin trägt die Bezeichnung GPT-5.6 Sol. GPT-6 Astra ging am 3. September in die begrenzte Vorschau und am 4. September in die allgemeine Verfügbarkeit. Anthropic hat Astra also nicht nur nicht gemessen, sondern konnte es gar nicht messen: das Modell war zum Zeitpunkt der Veröffentlichung nicht öffentlich.

Wer die Zeile zu Terminal-Bench 4.0 liest, in der 55,8 Prozent für Fable 5.1 gegen 37,3 Prozent stehen, und diese 37,3 Prozent für Astra hält, vergleicht das aktuelle Anthropic-Modell mit dem Vorgänger des Wettbewerbers. Das ist kein Rundungsfehler, sondern eine andere Aussage. Und es ist genau die Fehldeutung, die sich derzeit am schnellsten in Aggregatoren und Zusammenfassungen fortpflanzt.

Der Wert dieses Beitrags liegt deshalb weniger in den Zahlen als in der Sortierung: welche Vergleiche belastbar sind, welche nicht, und woran man den Unterschied erkennt.

Es bleibt ein kleiner, aber sauberer Kern. Alle Zeilen der folgenden Tabelle stammen aus den Anthropic-Modelldokumenten, der Anthropic-Preisseite und der OpenAI-Entwicklerdokumentation zu gpt-6-astra, abgerufen am 10. September 2026. Es sind Angaben der jeweiligen Anbieter über ihr eigenes Produkt, in derselben Einheit, ohne Messrahmen dazwischen.

Ein Vorbehalt gehört an die Cache-Schreiben-Zeile: Anthropic verkauft zwei Haltedauern, fünf Minuten und eine Stunde, OpenAI veröffentlicht keine entsprechende Staffel. Die 12,50 USD stehen sich also nahe, aber nicht exakt parallel gegenüber.

Die wirtschaftlich interessante Zeile ist das Cache-Lesen. Der Faktor vier zugunsten von Anthropic klingt nach einer Nebenposition, ist es bei agentischer Arbeit aber nicht: dort wird derselbe Kontext, Repository, Systemanweisung, Werkzeugbeschreibungen, über hunderte Schritte immer wieder gelesen. Anthropic beziffert die daraus folgende Ersparnis selbst mit rund 25 Prozent gegenüber Fable 5 bei typischen Lasten und bis zu rund 45 Prozent bei stark agentischen Lasten. Dieser Wert ist eine Modellrechnung des Anbieters, keine Preissenkung: die Listenpreise für Ein- und Ausgabe sind unverändert, und wer wenig Cache-Treffer erzeugt, spart praktisch nichts.

Zwei weitere Positionen gehören in eine Kalkulation. Anthropics Batch-API halbiert beide Richtungen auf 5 USD Eingabe und 25 USD Ausgabe je Million Token. Und wer die Inferenz bei Anthropic auf die USA festnagelt, zahlt laut Anthropics Dokumentation zur Datenhaltung einen Aufschlag von Faktor 1,1 auf Eingabe, Ausgabe, Cache-Schreiben und Cache-Lesen.

Eine Benchmark-Zeile in diesem Vergleich verdient besonderes Zutrauen, und zwar aus einem Grund, der selten erklärt wird.

Anthropic nennt am 1. September 2026 für Claude Fable 5.1 auf Terminal-Bench 4.0 55,8 Prozent. In den von OpenAI berichteten Ergebnissen zu GPT-6 Astra, am 3. September 2026 von DataCamp wiedergegeben und dort ausdrücklich als anbieterberichtet gekennzeichnet, steht Astra bei 57,7 Prozent, und Fable 5.1 wird mit unveränderten 55,8 Prozent geführt.

Beide Anbieter kommen also unabhängig voneinander auf denselben Wert für das Modell des jeweils anderen Lagers. Das ist die stärkste einzelne Kontrolle, die in diesem Vergleich überhaupt verfügbar ist. Ein Anbieter hat wenig Anreiz, den Konkurrenten zu hoch anzusetzen, und wenn zwei Parteien mit gegenläufigem Interesse dieselbe Zahl melden, spricht das dafür, dass die Zahl den Aufbau überlebt und nicht bloß eine Hausmessung ist.

Zwei Einschränkungen bleiben trotzdem. Erstens sagt keine der beiden Veröffentlichungen, mit welchem Harness, welchem Scaffold und welcher Effort-Stufe gemessen wurde. Zweitens ist der Abstand von 1,9 Prozentpunkten klein genug, dass er von genau diesen Faktoren stammen könnte. Die belastbare Lesart lautet deshalb: auf Terminal-Bench 4.0 liegen die beiden Modelle nach den Angaben beider Anbieter dicht beieinander, mit einem leichten Vorsprung für Astra nach OpenAIs Messung.

Der größere Teil der veröffentlichten Zahlen gehört nicht in eine gemeinsame Tabelle. Das ist kein Formalismus, sondern der Unterschied zwischen einer Entscheidungsgrundlage und einer Zahlenwand.

• OSWorld 2.0. Anthropic nennt für Fable 5.1 zwei Werte, 77,9 Prozent mit Teilpunkten und 41,7 Prozent bei strenger Wertung. Auf OpenAI-Seite steht für Astra ein einzelner Wert von 72,6 Prozent, ohne Angabe der Wertungsart. 72,6 gegen 77,9 zu stellen ist genauso unbegründet wie 72,6 gegen 41,7. Solange die Wertungsart nicht übereinstimmt, gibt es hier keinen Vergleich, sondern nur eine Auswahl.
• Kontextfenster. Anthropic gibt 1.000.000 Token an, OpenAI 1.050.000 bei maximal 922.000 Token Eingabe. Diese Zahlen sind keine Kapazitätsangabe im selben Maßstab, weil ein Token je Tokenizer etwas anderes bedeutet. Anthropic schreibt selbst, dass der aktuelle Tokenizer für denselben Text rund 30 Prozent mehr Token erzeugt als der eigene vorherige. Eine anbieterübergreifende Angabe zu Token je Wort ist öffentlich nicht verfügbar, also lässt sich die Frage, welches Modell mehr Text fasst, aus offenen Quellen nicht beantworten.
• AutomationBench. Anthropic veröffentlicht 31,4 Prozent für Fable 5.1. OpenAI beansprucht in seinem eigenen Ankündigungsbeitrag den Spitzenplatz auf derselben Benchmark, nennt dort aber keine Zahl. Es gibt schlicht nichts zu vergleichen.
• Zeilen, in denen die Claude-Zahl nicht von Anthropic stammt. Für ScreenSpot-Pro, FrontierMath Tier 4 v2, ExploitBench, ARC-AGI-3, GPQA Diamond und FrontierCode 1.1 existieren nur Werte von OpenAI-Seite. Die Claude-Zahl in diesen Zeilen ist OpenAIs Messung von Claude, und in mehreren Fällen eine Messung von Claude Fable 5 oder Claude Opus 5, nicht von Fable 5.1. Wer sie Anthropic zuschreibt, zitiert die falsche Quelle und teilweise auch das falsche Modell.
• Effort-Stufen. Beide Anbieter erlauben unterschiedlich hohen Rechenaufwand je Anfrage. Bei Anthropic unterscheidet sich schon die Voreinstellung nach Oberfläche: high in Claude Code, medium in claude.ai und Claude Cowork. Artificial Analysis misst auf den Stufen „max“ und „xhigh“. Eine Benchmark-Zahl ohne angegebene Effort-Stufe ist mit einer Zahl auf einer anderen Stufe nicht vergleichbar. Das ist keine Feinheit, sondern der wahrscheinlichste Grund dafür, dass dieselbe Rangliste auf drei Websites drei verschiedene Ergebnisse hat.

Ein Sonderfall verdient eine Warnung: die 99,9 Prozent, die für Astra auf ARC-AGI-3 zirkulieren, tragen in der Quelle den Zusatz „Adapter-Harness“ und stehen neben 7,8 Prozent für das Vorgängermodell. Ein Sprung von rund 92 Punkten über einen Harness-Wechsel beschreibt zuerst den Harness und erst danach das Modell. Diese Zahl gehört in keine Überschrift.

Wer den Anbieterzahlen misstraut, greift zu Drittanbieter-Ranglisten. In diesem Fall hilft das nicht, denn die Ranglisten sind untereinander uneinig, und zwar bei ein und demselben Index.

Artificial Analysis nennt im eigenen Beitrag vom 3. September 2026 für den Intelligence Index: GPT-6 Astra 61, GPT-5.6 Sol 61, Claude Fable 5.1 66, letzteres auf maximaler Effort-Stufe mit einer Fallback-Konfiguration, die nicht der API-Voreinstellung entspricht. BenchLM gibt denselben Index im September 2026 anders wieder: GPT-5.6 Sol führt mit 58,9 Prozent, Fable 5.1 liegt bei 53,7 Prozent. llm-stats meldet, abgerufen am 10. September 2026, Fable 5.1 bei 56,8, Astra bei 54,7 und Claude Opus 5 bei 54,1.

Drei Quellen, ein Index, drei Rangfolgen. Sie können nicht alle aktuell sein. Als Ursachen kommen unterschiedliche Stichtage, unterschiedliche Effort-Einstellungen und die Vermischung von Punktwerten mit Prozentangaben in Frage. Die praktische Konsequenz ist einfach: Ein Intelligence-Index-Wert ohne Nennung von Website, Datum und Effort-Stufe ist keine Information. Artificial Analysis selbst weist im Übrigen auf gemischte Befunde hin, darunter einen Rückgang von rund 80 Elo-Punkten auf GDPval-AA v2.

Bleibt die Arena. Auch dort gibt es nichts zu holen: Weder Claude Fable 5.1 noch GPT-6 Astra hat in den erreichbaren Momentaufnahmen vom September 2026 eine gewertete LMArena-Platzierung, weil Arena-Elo Abstimmungsvolumen braucht und Frontier-Veröffentlichungen um Wochen hinterherhinkt. Selbst wenn die Werte vorlägen, wären sie für diese Entscheidung das falsche Instrument. Blinde paarweise Präferenz misst die wahrgenommene Antwortqualität auf selbstgewählten Prompts, reagiert stark auf Formatierung und Ausführlichkeit und sagt wenig über agentische Arbeit über lange Zeiträume. Für einen Coding-Agenten oder eine Wissensarbeitsplattform ist das nicht der Maßstab, an dem sich ein Einkauf ausrichten sollte.

Es gibt in diesem Vergleich eine Zeile, die aus einem methodischen Grund mehr wiegt als die anderen. Auf FrontierCode 1.1 steht GPT-6 Astra nach OpenAIs eigenen berichteten Ergebnissen bei 53,3 Prozent und damit hinter Claude Fable 5 mit 53,5 Prozent.

Zwei Präzisierungen sind hier Pflicht. Der Vergleichswert stammt von Claude Fable 5, nicht von Fable 5.1, und Anthropic hat für Fable 5.1 auf dieser Benchmark keinen eigenen Wert veröffentlicht. Der Abstand beträgt 0,2 Prozentpunkte und ist damit innerhalb jeder plausiblen Messstreuung.

Trotzdem ist es die vertrauenswürdigste Art von Zahl, die es in einer Produktankündigung gibt. Ein Anbieter, der eine Zeile veröffentlicht, in der sein neues Flaggschiff hinter einem fremden Modell liegt, hat dafür keinen Marketinganreiz. Wer die Belastbarkeit einer Benchmark-Tabelle einschätzen will, sollte zuerst danach suchen, ob solche Zeilen darin vorkommen. Eine Tabelle, in der der veröffentlichende Anbieter jede einzelne Zeile gewinnt, ist keine Messung, sondern eine Auswahl.

Bis hierhin liegt Anthropic bei Preis und Cache-Ökonomie vorn und bei den Benchmarks ungefähr gleichauf. Bei der Datenhaltung kehrt sich das Bild vollständig um, und für ein deutsches Unternehmen ist das die Spalte, die eine Architektur verändert.

Auf Anthropic-Seite steht das in der eigenen Dokumentation. Der Parameter inference_geo akzeptiert genau zwei Werte, global und us, und als Speicherregion eines Workspace ist ausschließlich us wählbar, unveränderlich nach Anlage. Noch deutlicher ist die Retention-Seite: Anthropic führt Fable 5.1 und Mythos 5.1 (sowie Fable 5 und Mythos 5) als Covered Models, die eine 30-tägige Datenspeicherung erfordern und ohne ausdrückliche Freigabe durch Anthropic nicht unter Zero Data Retention verfügbar sind. Eine Organisation mit ZDR muss die 30-Tage-Speicherung für einen bestimmten Workspace aktiv einschalten, sonst wird die Anfrage abgelehnt.

Auf OpenAI-Seite steht in der Entwicklerdokumentation zur Datenverarbeitung, dass Europa (EWR und Schweiz) sowohl regionale Speicherung als auch regionale Verarbeitung über eu.api.openai.com unterstützt, konfiguriert je Projekt, für Regionen außerhalb der USA mit Freigabe für die Missbrauchskontrolle und einem Retention-Zusatz. Dieselbe Seite listet die ZDR-fähigen Endpunkte, darunter /v1/chat/completions und /v1/responses, und schließt Assistants, Threads, Vector Stores, Fine-Tuning und Batches ausdrücklich aus.

An dieser Stelle ist Genauigkeit wichtiger als eine glatte Aussage: keine gefundene Quelle sagt positiv, dass GPT-6 Astra ZDR-fähig ist. Dokumentiert ist, dass die genannten Endpunkte ZDR unterstützen und dass für gpt-6-astra keine modellspezifische Ausnahme veröffentlicht ist. Das Fehlen einer Einschränkung ist aber keine Erlaubnis. Wer darauf eine Architektur stützt, sollte es vertraglich bestätigen lassen, statt es aus einer Dokumentationslücke abzuleiten. Bei Anthropic ist die Lage umgekehrt eindeutig, weil die Ausnahme dort ausdrücklich geschrieben steht.

Ein verbreiteter Satz gehört ebenfalls korrigiert: „Claude hat EU-Datenresidenz, weil es auf AWS Frankfurt läuft.“ Das stimmt genau dann, wenn Sie Claude über eine Partner-Cloud beziehen, etwa Amazon Bedrock oder Google Cloud, denn dort setzt der Cloud-Anbieter die Region und ist der Auftragsverarbeiter. Für Anthropics eigene API gilt es nicht. Anthropic verweist für garantiertes regionales Routing selbst auf die regionalen Endpunkte der Partner-Clouds, zu einem Aufschlag von 10 Prozent gegenüber den globalen Endpunkten. Für eine DSGVO-Prüfung ist genau dieser Unterschied der ganze Punkt, weil er bestimmt, mit wem der Auftragsverarbeitungsvertrag geschlossen wird.

Seit dem 2. August 2026 gelten die Transparenzpflichten aus Artikel 50 der KI-Verordnung, die eine maschinenlesbare Kennzeichnung synthetischer Inhalte verlangen. Anthropic gibt an, dass Fable 5.1 und Mythos 5.1 von Beginn an ein unsichtbares Wasserzeichen im Text tragen, und wendet diese Kennzeichnung weltweit an, nicht nur in der EU. Das ist, soweit die verfügbaren Quellen reichen, ein echter Unterschied.

Dieser Satz braucht jedoch beide Hälften. Es wurde keine Quelle gefunden, die aussagt, ob die Textausgabe von GPT-6 Astra gekennzeichnet ist. OpenAIs dokumentierter Provenienz-Ansatz aus C2PA-Content-Credentials und SynthID betrifft Bild und Audio; über Text sagen die erreichbaren Seiten nichts. Aus dieser Lücke folgt nicht, dass OpenAI Text nicht kennzeichnet. Wir behaupten es deshalb nicht. OpenAI veröffentlicht separat Kundenhinweise zur KI-Verordnung.

Und auch Anthropics Wasserzeichen trägt weniger, als der Begriff suggeriert. Anthropic schreibt in der eigenen Hilfe, ein erkanntes Kennzeichen weise darauf hin, dass Inhalte möglicherweise von Claude verarbeitet wurden, sei nicht vollständig eindeutig und belege für sich allein nicht die Herkunft eines Inhalts. Die zugehörige Erkennungs-API befindet sich zudem in einer privaten Vorschau für ausgewählte Organisationen. Als Baustein einer Compliance-Argumentation ist das Wasserzeichen brauchbar, als Beweismittel nicht.

Wenn Sie aus diesem Vergleich eine einzige Regel mitnehmen, dann diese: Bei zwei Frontier-Modellen, die auf den belastbaren Zahlen dicht beieinanderliegen und identische Listenpreise haben, entscheidet selten eine Benchmark-Zeile. Der Abstand auf Terminal-Bench 4.0 beträgt 1,9 Prozentpunkte ohne angegebenes Harness. Auf FrontierCode 1.1 sind es 0,2 Punkte in die andere Richtung, gegen ein älteres Claude-Modell. Solche Abstände verschieben sich mit dem nächsten Release, und sie ändern keine Architektur.

Was eine Architektur ändert, steht in der Governance-Spalte. Eine Organisation, die Zero Data Retention als Auflage hat, kann Claude Fable 5.1 über Anthropics eigene API nicht ohne ausdrückliche Freigabe einsetzen, unabhängig davon, wie gut das Modell ist. Eine Organisation, die Inferenz in der EU verlangt, findet diesen Weg bei Anthropic nur über eine Partner-Cloud, mit dem entsprechenden Aufschlag und einem anderen Auftragsverarbeiter im Vertrag. Umgekehrt bleibt der Vorteil von Anthropic beim Cache-Lesen real und wächst mit dem Anteil agentischer Arbeit, bei der derselbe Kontext hundertfach gelesen wird.

Praktisch heißt das: Klären Sie zuerst die Auflagen, dann die Kosten und erst am Ende die Benchmarks. In der umgekehrten Reihenfolge bauen Sie ein System, das gut misst und im Datenschutzgespräch scheitert. Und prüfen Sie bei jeder Zahl, die Ihnen jemand zeigt, drei Dinge: wer sie berichtet hat, wann, und auf welcher Effort-Stufe.

Was sich mit dem Release selbst für ein deutsches Unternehmen verändert hat, steht in unserem Beitrag zu Claude Fable 5.1. Wie sich das Modell in laufender Projektarbeit verhält, behandeln wir in Fähigkeiten in der Praxis. Und wenn die Antwort auf die Governance-Frage lautet, dass die Daten das Haus gar nicht verlassen dürfen, führt der Weg ohnehin an der Abwägung zwischen On-Premise und Cloud vorbei, nicht an einer Rangliste.