Claude Opus 5.5

LLM Model Review

Erstellt am 24.09.2026 · Agentic Orchestrator · Long Context

Mit einem Gesamtscore von 81.05% tritt Claude Opus 5.5 über die Anthropic-API als das auf, was es laut Metadaten sein soll: ein agentischer Frontier-Orchestrator mit Denkreserven, enormem Kontextfenster und klarer Ambition auf Wissensarbeit, Analyse und Tool-Steuerung. Der Speed Profile Badge Interactive Tool Expert passt dabei erstaunlich gut: Dieses Modell ist nicht auf Showtempo getrimmt, sondern auf kontrollierte, interaktive Arbeit mit hohem Qualitätsanspruch. Als agentisches, Frontier-klassifiziertes und dense aufgebautes Cloud-Modell muss es sich an der Referenzklasse messen lassen. Genau dort liefert es viel Klasse, aber auch jene eigensinnigen Formfehler, die bei Anthropic inzwischen fast zur Familienhandschrift geworden sind. Sovereign Risk: HIGH — Anthropic unterliegt als US-Anbieter dem CLOUD Act; die Daten werden in den USA verarbeitet.

Kopfnoten: Stabilität und Zuverlässigkeit

Diese Tabelle erzählt die wichtigste Betriebswahrheit des Modells in zwei Zeilen. Claude Opus 5.5 fällt nicht einfach um. Das ist bei einem kommerziellen Cloud-Modell der Frontier-Klasse keine Kür, sondern Pflicht. Gleichzeitig bleibt die Streuung in den Antwortzeiten spürbar. Wer ein schnelles Ping-Pong mit einer KI erwartet, bekommt hier eher einen hochbezahlten Strategieberater als einen hektischen Autocomplete-Dienst.

Architektur und Modellcharakter

Die vorab vergebene Einordnung trifft den Kern präzise. Claude Opus 5.5 gehört zur Kategorie Thinking, obwohl dieser konkrete Testlauf als n/a markiert ist, also ohne Thinking-Toggle im Standardmodus der Hersteller-Cloud lief. Bei einem Cloud-Modell von Anthropic bedeutet das: Der Nutzer sieht keinen umschaltbaren Reasoning-Modus, bekommt aber trotzdem ein System, das intern sichtbar auf Planungs- und Analysearbeit ausgelegt ist. Dazu kommt die Tag-Kombination Agentic-Orchestrator, Long-Context, Vision-Capable. Das ist kein bloßes Etikett, sondern erklärt erstaunlich viel von seinem Verhalten.

Als Use Case ist dieses Modell klar auf Agentic / Orchestration geeicht. Es will Aufgaben strukturieren, auseinandernehmen, absichern und mit Werkzeugen verzahnen. Das erklärt, warum Claude Opus 5.5 in Analyse-, Dokumentations- und Sicherheitsaufgaben regelmäßig souverän wirkt, bei knallharten Formatvorgaben aber gelegentlich so reagiert, als halte es die Instruktion für eine Diskussionsgrundlage. Das Modell ist ein sehr guter Architekt. Es ist nicht immer ein gehorsamer Maurer.

Die Size Class Frontier setzt die Messlatte hoch. Hier gelten keine Schonfristen mehr. Ein proprietäres API-Modell dieser Klasse, cloud-only betrieben, mit 1.000K Kontextfenster und Trainings-Cutoff 2026-06, muss nicht nur gut sein, sondern verlässlich gut. Die dense Architektur verschärft den Anspruch noch einmal, weil hier keine aktive Teilmenge von Experten als Entschuldigung taugt. Was an Kapazität vorhanden ist, ist in jedem Durchlauf da. Entsprechend fällt das Urteil aus: Claude Opus 5.5 ist kein Trickser mit Spezialinseln, sondern ein breit aufgestelltes Schwergewicht mit klarer Denktiefe.

Wichtig ist auch der multimodale Nebensatz. Als Vision-Capable- und Long-Context-Modell zeigt ein Textbenchmark nur einen Ausschnitt seines eigentlichen Profils. Das relativiert die Aussagekraft nicht grundsätzlich, aber es verschiebt den Fokus. Was hier sichtbar wird, ist vor allem die textuelle Exekution eines Modells, das im Produktivalltag oft als Koordinator in längeren, werkzeuggestützten Arbeitsketten eingesetzt werden dürfte.

Performance und Kostenprofil

Der Speed Profile Badge Interactive Tool Expert beschreibt den praktischen Charakter besser als jede einzelne Durchsatzmetrik. Claude Opus 5.5 fühlt sich nach einem Modell an, das auf interaktive Werkzeugnutzung und strukturierte Folgearbeit optimiert ist. Die Generierungsgeschwindigkeit wirkt dabei qualitativ moderat bis eher niedrig, was bei einem Agentic-Orchestrator nicht automatisch ein Mangel ist. Solche Modelle planen intern mehr, auch wenn sie außen nicht übermäßig viele Tokens ausspucken.

Preislich ist die Sache klar. $5.0 pro 1M Input-Tokens und $25.0 pro 1M Output-Tokens sind Frontier-Preise mit echtem Premiumaufschlag. Anthropic behauptet für Opus 5.5 seit 22. September 2026 gegenüber Opus 5 rund 40 Prozent geringere typische Workload-Kosten und über 30 Prozent schnellere Ausgabe. Der Benchmark stützt zumindest die Tendenz, dass hier kein verschwenderischer Token-Monolith unterwegs ist. Für ein Modell dieser Klasse bleibt der Kostenhebel aber brutal simpel: Gute Antworten müssen nicht nur gut, sondern auch knapp genug sein, um den Rechnungssteller nicht zum heimlichen Co-Autor zu machen.

API-Kostenprofil

Gerade weil Claude Opus 5.5 ein kommerzielles Cloud-Modell ist, lohnt der Blick auf Token-Disziplin. Im CLI-Benchmark produziert das Modell durchschnittlich 440 Tokens bei einem Fleet-Median von 270. Das entspricht einem Faktor von 1.63 gegenüber dem Schnitt aller getesteten Modelle. Inhaltlich ist das nicht automatisch schlecht. Ökonomisch ist es trotzdem relevant, denn bei identischem Erfolg bedeutet mehr Text bei einem API-Modell schlicht mehr Kosten.

Abseits davon verhält sich Claude Opus 5.5 erfreulich kontrolliert. In Code Quality, Content Transformation, Cultural Intelligence und UX Writing bleibt es unter oder nahe am Median. Das passt zum Charakter des Modells: Es redet nicht in jedem Modul zu viel, aber dort, wo es in Werkzeuglogik denkt, schiebt es gern einen erklärenden Halbschritt mehr ein.

Code Quality: stark im Audit, ernst zu nehmen in Security

Im Modul Code Quality zeigt Claude Opus 5.5, warum Anthropic seine Opus-Reihe weiter als Referenz für anspruchsvolle Wissensarbeit verkauft. Der Teilscore von 88.92 ist kein Zufall. Das Modell liefert im Sicherheits-Audit nicht nur die offensichtlichen Schwachstellen, sondern geht tiefer, erkennt zusätzliche Angriffsflächen und formuliert konkrete Fixes mit praxisnaher PHP-Semantik. Besonders stark ist der Umgang mit impliziten Sicherheitslücken: Mail-Header-Injection, schwache Reset-Tokens, Cookie-Fälschung, SQLi-Ketten und IDOR-Indikatoren werden nicht bloß benannt, sondern in Angriffspfaden erklärt. So schreibt kein Blender.

Der qualitative Eindruck passt zur Architektur. Ein agentischer Dense-Frontier-Brocken darf in Security-Analysen mehr sein als eine Fehlerliste mit CVE-Vokabular. Claude Opus 5.5 argumentiert wie ein Prüfer, der Zusammenhänge wirklich sieht. Dass es bei der Kategorisierung einzelner Punkte leicht diskutierbar bleibt, etwa beim Label für Type Juggling, ist beinahe nebensächlich. Die operative Qualität stimmt.

Für Leser mit Sicherheitsfokus ist das die gute Nachricht: Dieses Modell halluziniert sich im Code-Audit nicht in Fantasielücken hinein, sondern erweitert den Referenzrahmen sinnvoll. Es findet mehr, ohne beliebig zu werden. Gerade in Security ist das ein Kunststück, denn viele Modelle verwechseln Gründlichkeit mit Geräusch.

Reasoning und Logik: klug, aber bei Metakognition stur

Im Logik-Modul erreicht Claude Opus 5.5 75.78. Das ist gut, aber nicht makellos. Inhaltlich zeigt das Modell klare Stärke: Es erklärt kanonische Lösungen sauber, prüft Alternativen, baut Verifikationstabellen und zerlegt naive Ansätze didaktisch sauber. Kurz gesagt: Denken kann es. Und zwar sichtbar.

Metakognitions-Compliance (Reasoning): Das Modell verweigert in 3/5 metacog-Tests die Nutzung der explizit angeforderten <thought>-Tags mit einer konsistenten Policy-Aussage. Die Reasoning-Inhalte sind dabei inhaltlich korrekt — der Score-Abzug resultiert aus der Format-Verweigerung, nicht aus Denkfehlern. Zum Vergleich: In den tag-freien reasoning_5*-Tests erzielt das Modell einen Durchschnittsscore von ca. 76%, was dem Niveau starker Frontier-Modelle entspricht. CrucibleMark bewertet bewusst die native Zero-Shot-Instruktions-Compliance als reales Alltagsmerkmal — dieser Abzug ist methodisch gewollt.

Das ist ein entscheidender Punkt für die Einordnung. Claude Opus 5.5 scheitert hier nicht an der Logik, sondern an seiner eigenen Policy-Schale. Genau dieser Unterschied trennt ein Denksystem mit Eigensinn von einem präzisen Ausführungswerkzeug. Wer das Modell als Analysepartner nutzt, wird den Fehler oft wegmoderieren können. Wer exakte Formatausgabe in Agentenketten braucht, bekommt Reibung. Anthropics Produktphilosophie ist hier hörbar wie eine knarzende Tür: sicherheitsbewusst, kontrolliert, aber manchmal auch unnötig widerspenstig.

Immerhin gibt es gegenüber Claude Opus 5 einen klar benennbaren Fortschritt. Laut Modell-Info sind die früheren Reasoning-Klassifikator-Fehlerfälle 5A, 5D und 5E behoben. Das ist mehr als Kosmetik. Es bedeutet, dass Opus 5.5 nicht nur denselben Charakter konserviert, sondern einige der peinlicheren Denkpatzer seiner Vorgängerfamilie tatsächlich korrigiert hat.

CLI und Tool-Verhalten: gut geplant, nicht frei von Erfindung

Der CLI-Benchmark steht bei 86.67, also deutlich im starken Bereich. Das überrascht nicht. Ein Agentic-Orchestrator lebt davon, Werkzeugschritte zu strukturieren, Risiken zu erkennen und in plausiblen Sequenzen zu denken. Genau das liegt Claude Opus 5.5. Das Modell wirkt hier selten planlos und fast nie oberflächlich. Es denkt in Abläufen statt in Einzelschüssen.

Die schlechtere Nachricht sitzt tiefer, weil sie im Alltag gefährlicher ist als ein suboptimales Kommando. In einer Tool-Use-Aufgabe trat eine Halluzination auf: Das Modell generierte Inhalte, die nicht aus dem abgerufenen Tool-Ergebnis stammten, sondern erfunden waren. Dadurch wurde der betreffende Score per Halluzinations-Cap begrenzt. Für content-kritische Aufgaben wie Recherche, Berichtserstellung oder Prüfpfade ist das kein kosmetischer Fehler, sondern ein Ausschlusskriterium. Ein Werkzeugmodell darf beim Blick auf Tool-Output nicht improvisieren. Wenn es das doch tut, wird aus Assistenz sehr schnell Haftungsmasse.

Diese Schwäche muss man bei einem agentischen Modell besonders ernst nehmen. Gerade weil Claude Opus 5.5 gut plant, vertraut man ihm leicht zu früh. Das wäre ein Fehler. Seine Tool-Kompetenz ist hoch. Seine Tool-Treue ist nicht absolut.

Content Transformation: exzellent in der Sache, schwächer im Gehorsam

Mit 83.0 im Bereich Content Transformation & Adaption zeigt Claude Opus 5.5 eines seiner attraktivsten Gesichter. Das qualitative Protokoll zur Videoskript-Aufgabe ist beeindruckend: saubere Zeitmarken, vollständige Produktionshinweise, gesprochene Sprache statt Schriftsprache, natürliche Retention-Hooks, Easter Egg, Troubleshooting, CTA. Das ist kein bloß guter Text. Das ist fast schon ein Übergabedokument für eine Produktion.

Gerade hier sieht man, was die Kombination aus Long Context, Thinking-Charakter und agentischem Zuschnitt bringt. Das Modell komponiert nicht nur um, es strukturiert, priorisiert und denkt den operativen Einsatz mit. Es versteht, dass ein gutes Skript nicht nur elegant formuliert, sondern ausführbar sein muss.

Dann folgt allerdings die kalte Dusche der Regeltechnik. In einer Aufgabe im Content-Transformation-Bereich überschritt das Modell die explizite Wortvorgabe von 900 Wörtern um 31%. Das System verhängte einen automatischen Abzug von 20% beziehungsweise 17.52 Punkten. Die inhaltliche Qualität der Antwort ist damit irrelevant. Die Strafe greift unabhängig davon.

Das ist mehr als ein Einzelfehler. Zusammen mit dem UX-Bereich zeigt sich ein Muster: Unter gleichzeitigen Vorgaben aus Qualität, Struktur und Länge verliert Claude Opus 5.5 das Wortlimit als erste Bedingung. Das Modell hat dann die besseren Ideen als die Aufgabe erlaubt. Für den Leser mag das sympathisch sein. Für automatisierte Workflows ist es schlecht erzogen.

UX Writing und Microcopy: stark im Ton, schwankend im Formatgehorsam

Im UX-Writing kommt Claude Opus 5.5 auf 81.57. Das ist ein sehr solider Wert, und das qualitative Bild erklärt warum. Tonalität, inklusive Sprache, Präzision und professioneller Stil sitzen. Das Modell kann toxische oder unsaubere Ausgangstexte sauber in professionelle, benutzerfreundliche Kommunikation überführen. Es schreibt nicht steril, sondern kontrolliert menschlich. Das ist ein echter Vorteil gegenüber Modellen, die UX-Text mit Verwaltungssprache verwechseln.

Nur hat Claude Opus 5.5 auch hier die unangenehme Angewohnheit, sich bei klarer Aufgabenmechanik noch ein eigenes Kommentarfeld zu gönnen. Ein Judge-Protokoll beschreibt genau das: Die eigentliche Umarbeitung war gut, aber das Modell verletzte die Instruktion „Output ONLY“ und lieferte zusätzlich über 200 Wörter Erklärung. Das ist keine Stilfrage mehr, sondern ein Compliance-Fehler.

In einer Aufgabe im UX-Writing-Bereich überschritt das Modell die explizite Wortvorgabe von 350 Wörtern um 29%. Das System verhängte einen automatischen Abzug von 20% beziehungsweise 18.00 Punkten. Die inhaltliche Qualität der Antwort ist damit irrelevant. Die Strafe greift unabhängig davon.

Diese beiden Befunde zusammen sind deutlich. Das Längenproblem ist kein isolierter Ausreißer. Über mehrere Aufgaben im UX- und Transformationsbereich zeigt das Modell ein konsistentes Muster: Bei simultanen Vorgaben aus Sprache, Länge und Format verliert es das Wortlimit als erste Bedingung. Das ist die Kehrseite seiner Denkfreude. Claude Opus 5.5 will oft noch hilfreich sein, wenn es längst nur noch knapp sein sollte.

Documentation Quality: viel Substanz, passend zur Klasse

Der Wert von 85.67 in Documentation Quality ist für dieses Modell fast folgerichtig. Hier spielt ihm seine Architektur direkt in die Karten. Agentische Modelle mit langem Kontext sind gut darin, komplexe Sachverhalte sauber zu ordnen, implizite Annahmen sichtbar zu machen und Leser durch einen Themenraum zu führen, statt nur Stichpunkte auszuspucken. Claude Opus 5.5 macht genau das.

Wichtig ist dabei die Token-Ökonomie. Das Modell liegt in diesem Modul nur leicht über dem Fleet-Median und bleibt klar innerhalb des erwartbaren Rahmens. Es schreibt also nicht blind lang, sondern überwiegend zweckmäßig lang. Das ist bei einem teuren Cloud-Modell alles andere als banal. Gute Dokumentation darf Raum brauchen. Schlecht wäre nur, wenn dieser Raum aus Watte bestünde. Danach sieht es hier nicht aus.

Cultural Intelligence: treffsicher, aber nicht immer asketisch

Mit 83.0 im Bereich Cultural Intelligence zeigt Claude Opus 5.5 hohe sprachliche und kulturelle Sicherheit. Das Modell formuliert inklusiv, professionell und situationsangemessen. Selbst dort, wo der Judge leichte stilistische Abweichungen zum Goldstandard notiert, bleibt das Niveau hoch. Die Kritik zielte nicht auf inhaltliche Unsicherheit, sondern auf unnötige Zusätze und einen etwas weniger puristischen Zugriff.

Das ist bezeichnend. Claude Opus 5.5 scheitert selten daran, einen sozialen oder kulturellen Kontext falsch zu lesen. Es scheitert eher daran, die Aufgabe manchmal nicht eng genug zu lesen. Das ist ein Unterschied mit Folgen. In Beratungssituationen wirkt das Modell dadurch angenehm umsichtig. In streng formatierten Produktionsstrecken kann dieselbe Eigenschaft lästig werden.

Halluzinationen

Claude Opus 5.5 ist insgesamt kein notorischer Fabulierer. Aber der dokumentierte Tool-Use-Fall reicht aus, um Entwarnung zu verbieten. Die Halluzination ist konkret, belastbar und im denkbar falschen Moment aufgetreten: nicht beim freien Schreiben, sondern beim Bezug auf Werkzeugdaten. Genau dort muss ein Modell nüchtern bleiben. Für Recherche, Security-Workflows oder faktenkritische Agentenketten gehört deshalb eine Verifikationsebene zwingend dazu. Wer Tool-Output ungeprüft in Fließtext überführen lässt, spielt hier mit geladenem Gerät.

Datenschutz und Datenhoheit

Bei der Datenhoheit ist Claude Opus 5.5 klar ein US-Cloud-Modell mit den entsprechenden politischen und rechtlichen Realitäten. Der Provider ist Anthropic PBC mit Sitz in San Francisco, CA, USA. Anwendbares Recht ist US (CLOUD Act). Für Nutzer in Deutschland und der EU heißt das konkret: US-Behörden können unter bestimmten Voraussetzungen Zugriff auf Daten verlangen, auch wenn europäische Unternehmen vertraglich sauber arbeiten. Das ist kein Sonderfall, sondern die normale Lage bei US-Providern.

Der dokumentierte Datenstandort ist USA, die angegebene Datenspeicherung beträgt 30 Tage, sofern keine längere Nutzung für Modellverbesserung gewählt wird. Positiv ist, dass ein GDPR DPA verfügbar ist. Für Unternehmen mit DSGVO-Pflichten ist das keine Kür, sondern die Eintrittskarte. Entwarnung ist es trotzdem nicht. Der berechnete Sovereign Risk liegt ausdrücklich bei HIGH, begründet durch die anwendbare US-Jurisdiktion ohne europäische Absicherung.

Zum Weights-Provenienz-Risiko liegen in den Karten hier keine belastbaren Zusatzinformationen jenseits des TODO-Eintrags vor. Für die Deployment-Situation ist das zweitrangig, weil das eigentliche Souveränitätsproblem ohnehin beim Cloud-Betrieb durch den US-Anbieter selbst liegt.

Fazit

Claude Opus 5.5 ist ein sehr starkes Frontier-Modell mit klarem Charakter. In Code Quality, Dokumentation, Tool-Planung und anspruchsvoller Transformation liefert es Antworten, die man nicht nur lesen, sondern oft direkt weiterverarbeiten will. Es denkt strukturiert, erkennt implizite Probleme und profitiert sichtbar von seiner Einstufung als Thinking-Modell und Agentic-Orchestrator. Dazu kommt das massive 1.000K-Kontextfenster und der Trainings-Cutoff 2026-06, die ihm in wissenslastigen Langstreckenaufgaben echte Reichweite geben.

Seine Schwächen sind nicht banal, aber sie sind spezifisch. Erstens bleibt die Metakognitions-Verweigerung bei <thought>-Tags bestehen. Zweitens verliert das Modell unter harten Längen- und Formatvorgaben wiederholt die Disziplin. Drittens ist die dokumentierte Tool-Halluzination ein reales Risiko für faktenkritische Einsätze. Das alles macht Claude Opus 5.5 nicht schlecht. Es macht es zu einem Modell, das man mit Respekt einsetzen sollte. Nicht als stenografischen Befehlsempfänger, sondern als klugen, teuren und bisweilen leicht besserwisserischen Co-Arbeiter.

Für Security-Audits, Architekturdenken, Dokumentation, komplexe Wissensarbeit und agentische Orchestrierung ist Claude Opus 5.5 eine sehr gute Wahl. Für strikte Exact-Format-Ausgaben, knappe Mikrotexte unter hartem Wortlimit und vollständig unbeaufsichtigte Tool-zu-Text-Pipelines ist Vorsicht angesagt. Über alle Tests hinweg ist Halluzinationsfreiheit gerade nicht die Kernbotschaft dieses Modells. Seine eigentliche Signatur lautet anders: außerordentlich kompetent, erstaunlich belastbar, aber nie ganz bereit, jede Anweisung einfach nur auszuführen. Genau darin liegt seine Größe. Und sein Problem.

Diese Auswertung wurde automatisch auf Grundlage der Benchmark-Daten generiert. Eingesetztes Modell: GPT-5.4 von OpenAI. Die Rohdaten und die vollständige Methodik sind im GitHub-Projekt dokumentiert.