GPT-6 Astra und Claude Fable 5.1 haben denselben API-Grundpreis. Bei wiederverwendeten Eingaben, langen Aufgaben und Sicherheitskontrollen unterscheiden sie sich. Für Betriebe mit einem eigenen KI-Agenten zählt deshalb, was ein brauchbares Ergebnis tatsächlich kostet. Ich habe die Herstellerangaben und die aktuelle Dokumentation verglichen. Der gemeinsame Praxistest steht noch aus.
Warum mich dieser Modellvergleich interessiert
Bei uns arbeitet ein KI-Agent im laufenden Betrieb. Er bereitet E-Mails und Angebote vor, recherchiert und hilft bei der Website-Pflege. Ein neues Modell ist für mich deshalb interessant, wenn es diese Arbeit verlässlicher erledigt oder mir weniger Nacharbeit übrig lässt.
Anfang September haben OpenAI und Anthropic ihre neuen Spitzenmodelle vorgestellt. OpenAIs Dokumentation nennt inzwischen auch die Cache-Tarife. Damit lässt sich genauer rechnen.
Das Ergebnis vorweg: Fable 5.1 hat beim Lesen zwischengespeicherter Eingaben einen Preisvorteil. Astra liefert in mehreren veröffentlichten Tests für Software- und Büroaufgaben höhere Werte. Daraus ergibt sich noch kein Sieger für unseren Betrieb. Dafür müssen beide dieselben Aufträge unter vergleichbaren Bedingungen erledigen.
Gleicher Grundpreis, unterschiedliche Rechnung
Wer einen eigenen Agenten betreibt, bezahlt das Modell häufig über eine Programmierschnittstelle, kurz API. Abgerechnet werden unter anderem Tokens, die Textbausteine, in die das Modell Eingaben und Ausgaben zerlegt. Dazu können Gebühren für verwendete Werkzeuge kommen.
Ein Chat-Abo und die API-Abrechnung sind unterschiedliche Produkte. Die folgenden Zahlen beziehen sich auf die Standardpreise der direkten Modell-APIs in US-Dollar je Million Tokens. Steuern, Plattformgebühren und zusätzliche Werkzeugkosten sind nicht enthalten.
| Kostenart | GPT-6 Astra | Claude Fable 5.1 |
|---|---|---|
| Normale Eingabe ohne Cache | 10,00 USD | 10,00 USD |
| Ausgabe | 50,00 USD | 50,00 USD |
| Bereits gespeicherte Eingabe aus dem Cache lesen | 1,00 USD | 0,25 USD |
| Eingabe neu in den Cache schreiben | 12,50 USD | 12,50 USD bei 5 Minuten Speicherdauer |
Anthropic berechnet für Cache-Schreibvorgänge mit einer Stunde Speicherdauer 20,00 USD. Die Speicherregeln unterscheiden sich zwischen den Anbietern. Gleiche Schreibpreise bedeuten deshalb noch keine identischen Bedingungen. Die Tarife stehen in der OpenAI-Modellübersicht zu GPT-6 Astra und in Anthropics API-Preisliste.
Beim Cache geht es um Eingaben, die der Agent wiederholt braucht. Das können Arbeitsanweisungen, Werkzeugbeschreibungen oder ein längerer Gesprächsverlauf sein. Passt der nächste Aufruf zu den Cache-Regeln, kann der Anbieter diese bereits verarbeiteten Teile günstiger wiederverwenden.
Die günstige Cache-Zeile gilt also nicht für jede Eingabe. Entscheidend ist, wie oft der eigene Ablauf tatsächlich einen Cache-Treffer erzielt. Ein Agent mit häufig wechselnden Dokumenten kann eine andere Kostenstruktur haben als einer, der über viele Schritte am selben Auftrag arbeitet.
Bei langen Eingaben endet der Preisgleichstand
Für Astra nennt OpenAI einen Aufschlag oberhalb von 272.000 Eingabe-Tokens pro Anfrage. Dann verdoppeln sich die Eingabe- und Cache-Tarife, die Ausgabe kostet das 1,5-Fache. Das gilt für die gesamte betroffene Anfrage. Anthropic berechnet bei Fable 5.1 innerhalb des Kontextfensters von einer Million Tokens die Standardtarife. Quellen: Astra-Preise und Schwellenwert, Claude-Preise für langen Kontext.
Für kurze Aufträge spielt das keine Rolle. Wer große Dokumentensammlungen oder lange Arbeitsverläufe mitsendet, sollte diese Grenze in seiner Rechnung berücksichtigen. Ein Modell kann zum gleichen Grundpreis starten und bei einer bestimmten Aufgabenform trotzdem teurer werden.
Ein Rechenbeispiel für einen Agenten
Nehmen wir einen frei gewählten Abrechnungszeitraum mit vielen einzelnen Anfragen. Keine davon überschreitet Astras Grenze für lange Eingaben. Beide Modelle verbrauchen im Beispiel dieselben Tokenmengen. Die normalen Eingaben und Cache-Schreibvorgänge sind getrennte Mengen, nichts wird doppelt gezählt.
| Verbrauch im Beispiel | GPT-6 Astra | Claude Fable 5.1 |
|---|---|---|
| 1 Million normale Eingabe-Tokens | 10,00 USD | 10,00 USD |
| 1 Million Cache-Schreib-Tokens | 12,50 USD | 12,50 USD |
| 20 Millionen Cache-Lese-Tokens | 20,00 USD | 5,00 USD |
| 400.000 Ausgabe-Tokens | 20,00 USD | 20,00 USD |
| Summe der Tokenkosten | 62,50 USD | 47,50 USD |
Für Fable ist hier der Cache mit fünf Minuten Speicherdauer angesetzt. Unter diesen Annahmen beträgt der Unterschied 15 Dollar oder 24 Prozent zugunsten von Fable 5.1. Die Rechnung verwendet die oben verlinkten Standardtarife. Sie ist keine Prognose unserer Monatskosten.
In echten Aufträgen können beide Modelle unterschiedlich viele Tokens verbrauchen und verschiedene Cache-Trefferquoten erreichen. Hinzu kommen Werkzeugaufrufe, Wiederholungen und menschliche Kontrolle. Spart Astra einen zweiten Durchlauf, kann sich der Preisvergleich verschieben. Produziert Fable weniger Nacharbeit, gilt dasselbe in die andere Richtung.
Anthropic selbst schätzt die Ersparnis gegenüber Fable 5 auf etwa 25 Prozent bei gewöhnlicher Nutzung und bis zu rund 45 Prozent bei stark agentischen Aufgaben. Das sind Anbieterangaben zu dessen untersuchten Arbeitslasten. Sie vergleichen Fable 5.1 mit Fable 5, nicht mit Astra. Anthropics Ankündigung und Berechnungsgrundlage
Ich würde auf unserer Rechnung zuerst nachsehen, welchen Anteil Cache-Lesezugriffe bisher ausmachen. Ohne diese Zahl lässt sich eine angekündigte Ersparnis schwer auf den eigenen Betrieb übertragen.
Was die Benchmarks zeigen
Die folgende Auswahl stammt aus OpenAIs veröffentlichter Vergleichstabelle. Sie enthält eigene Messungen und übernommene Ergebnisse. Sie ist keine einheitliche, unabhängige Testreihe.
| Benchmark | GPT-6 Astra | Claude Fable 5.1 |
|---|---|---|
| Terminal-Bench 4.0, Programmieren im Terminal | 57,9 % | 55,8 % |
| DeepSWE v1.1, Software-Aufgaben | 74,1 % | 67,4 % |
| AutomationBench, Büroabläufe | 41,4 % | 31,4 % |
| FrontierCode 1.1 Main, Score | 53,3 | 50,9 |
| Humanity’s Last Exam, mit Werkzeugen | 57,2 % | 65,0 % |
| Artificial Analysis Intelligence Index v4.1.1, Indexwert | 61,2 | 65,7 |
Quelle: OpenAIs Vergleichstabellen zu GPT-6 Astra. Alle Werte sind in der jeweils angegebenen Einheit zu lesen. Die Prozentwerte und Indexwerte lassen sich nicht zu einer gemeinsamen Gesamtwertung verrechnen.
Für unseren Einsatz fällt mir vor allem AutomationBench auf. Hier liegen zehn Prozentpunkte zwischen den Modellen. Das ist ein Anlass, Astra bei Büroabläufen auszuprobieren. Es ist keine Aussage darüber, wie viele unserer Angebote oder E-Mails der Agent fehlerfrei bearbeiten wird.
Fable liegt in dieser Auswahl bei Humanity’s Last Exam und beim Artificial-Analysis-Index vorn. Ich würde daraus ebenso wenig eine allgemeine Überlegenheit ableiten. Diese Prüfungen erfassen andere Fähigkeiten als die Pflege eines Kundendatensatzes oder die Kontrolle einer WordPress-Seite.
Bei einem Vergleich interessieren mich deshalb auch die Bedingungen: Welche Werkzeuge durfte das Modell verwenden? Wie viel Rechenaufwand und wie viele Versuche waren erlaubt? Was zählt als Erfolg? Ohne diese Angaben beschreibt eine Zahl nur einen Teil des Ergebnisses.
Computerbedienung braucht einen eigenen Vergleich
OpenAI nennt für Astra auf einer Offline-Teilmenge von OSWorld 2.0 einen Teilwert von 72,6 Prozent. In einer Latenzsimulation benötigte es rund 40 Minuten pro Aufgabe, GPT-5.6 Sol rund 75 Minuten bei 65,7 Prozent. OpenAIs OSWorld-Angaben und Methodik
Anthropic veröffentlicht für Fable 5.1 einen OSWorld-Teilwert von 77,9 Prozent und einen strengen Erfolgswert von 41,7 Prozent. Die Aufgaben und Auswertungsbedingungen unterscheiden sich von OpenAIs Vergleich. Diese Zahlen ergeben daher keine belastbare Rangliste zwischen Astra und Fable. Anthropics OSWorld-Ergebnisse und Fußnote zur Vergleichbarkeit
Kürzere Laufzeit ist für mich trotzdem relevant. Während ein Agent arbeitet, wartet möglicherweise jemand auf das Ergebnis. Aber 47 Prozent weniger Zeit bedeuten nicht automatisch 47 Prozent weniger API-Kosten. Die Tokenrechnung hängt vom Verbrauch ab, die betriebliche Rechnung zusätzlich von Wartezeit und Nacharbeit.
Sicherheitskontrollen gehören in den Praxistest
Anthropic beschreibt Fable 5.1 und Mythos 5.1 als dasselbe Basismodell mit unterschiedlichen Schutzmaßnahmen. Mythos ist beim Start ausgewählten US-Organisationen vorbehalten. Fable darf Software-Schwachstellen identifizieren; für weitergehende Sicherheitsaufgaben bestehen weiterhin Einschränkungen. Die angekündigten rund 60 Prozent weniger Eingriffe beziehen sich auf Claude-Code-Sitzungen gegenüber den früheren Schutzmaßnahmen von Fable 5. Anthropics Erläuterungen zu Schutzmaßnahmen und Zugang
OpenAI beschreibt bei Astra zusätzliche Kontrollen im laufenden Betrieb. Sie können auch legitime Arbeit unterbrechen. In ChatGPT oder Codex kann eine Prüfung durch den Nutzer nötig werden; in der API stoppt die Aufgabe. OpenAIs Angaben zur Überwachung im Produktivbetrieb
Die beiden Produktnamen bei Anthropic bedeuten allerdings nicht, dass dort nur vorab festgelegte Sperren wirken. Auch Anthropic beschreibt automatisierte Schutzsysteme. Die tatsächlichen Unterbrechungen müssen wir deshalb bei beiden Anbietern messen.
Für einen Betrieb ist eine Unterbrechung zunächst ein konkreter Arbeitszustand. Ist das Angebot bereits angelegt? Wurde nur recherchiert? Hat der Agent einen Datensatz verändert, bevor er stoppte? Ein erneuter Start darf keine doppelten Positionen oder widersprüchlichen Änderungen erzeugen.
Ich will im Test deshalb sehen, ob der Agent seinen Stand verständlich dokumentiert und eine Aufgabe geordnet fortsetzen kann. Ebenso wichtig ist, dass er innerhalb des Auftrags bleibt. Eine Kontrolle, die eine ungewollte Änderung verhindert, ist nützlich. Eine Fehlunterbrechung bei einer erlaubten Tätigkeit kostet Zeit. Beides gehört getrennt erfasst.
Was ich für einen Betrieb in Österreich zusätzlich prüfen würde
Für unsere Auswahl reicht der Modellname nicht. Auch der konkrete Zugang muss passen. Ich würde festhalten, über welchen Anbieter der Agent arbeitet, welche Verarbeitungseinstellungen gelten und welche Informationen der Auftrag an das Modell übermittelt.
Das ist bei einem selbst betriebenen Agenten leicht zu übersehen. Sein Server kann in Europa stehen und trotzdem Eingaben an einen externen Modelldienst schicken. Im Hermes-Erfahrungsbericht beschreibe ich diese Grenze bereits für unseren Aufbau.
Eine konkrete Einschränkung betrifft Astras Schnellmodus. OpenAI nennt bis zu doppelte Geschwindigkeit zum doppelten Standardpreis. Mit EU-Datenresidenz steht dieser Modus laut aktueller Dokumentation nicht zur Verfügung. Wer diesen Verarbeitungsmodus benötigt, muss mit Standardverarbeitung planen. Astra-Schnellmodus, OpenAI-Dokumentation zur EU-Datenresidenz
Für einen ersten Vergleich würde ich öffentliche Inhalte und künstliche Beispieldaten verwenden. So lässt sich die Ergebnisqualität prüfen, ohne dafür echte Kundendaten in eine neue Konfiguration zu übernehmen.
So würde ich beide Modelle im Betrieb vergleichen
Bei uns läuft Hermes über OpenRouter mit Claude. Der Modellzugang ist austauschbar. Dieser Spielraum ist wertvoll, ersetzt aber keinen Funktionstest. Ein anderes Modell kann Aufgaben anders auslegen, Werkzeuge anders aufrufen oder mehr Rückfragen stellen. Unsere bisherigen Erfahrungen stehen im Beitrag Was ein KI-Agent bei uns wirklich übernimmt.
Ich würde mit zehn bis zwanzig repräsentativen Aufträgen beginnen und jeden mehrmals ausführen. Beide Modelle bekommen dieselben Ausgangsdaten, dieselben erlaubten Werkzeuge und vorab definierte Erfolgskriterien. Modellversion, Einstellungen und Nutzungskosten werden je Durchlauf festgehalten.
Für webflashers und unseren Betrieb wären etwa diese Aufgaben geeignet:
| Aufgabe | Wann das Ergebnis brauchbar ist |
|---|---|
| Eine öffentliche Website auf defekte Links prüfen | Der Bericht nennt betroffene Seiten und bestätigt die Fehler nachvollziehbar. |
| Einen Beitragsentwurf überarbeiten | Aussagen sind belegt, Links funktionieren und der Text passt zum Stil der Website. |
| Ein Angebot mit künstlichen Positionen vorbereiten | Mengen, Aufschläge, Rundungen und Gesamtsummen stimmen. |
| Eine Antwort auf eine Beispielanfrage verfassen | Die Antwort berücksichtigt alle Vorgaben und erfindet keine Zusagen. |
| Einen Fehler in einer Testkopie einer Website beheben | Der Fehler ist behoben und die betroffenen Funktionen wurden anschließend geprüft. |
Zu jedem Durchlauf würde ich erfassen, ob die Aufgabe beim ersten Versuch gelang, wie lange sie dauerte und welche Kosten anfielen. Dazu kommen die Minuten für menschliche Korrekturen sowie die Zahl und Ursache von Unterbrechungen.
Meine wichtigste Kennzahl wäre der Gesamtaufwand pro akzeptiertem Ergebnis. In die Summe gehören auch fehlgeschlagene Versuche. Sonst sieht ein günstiger Durchlauf besser aus, als der gesamte Arbeitsablauf tatsächlich ist.
Der Test muss außerdem mit unserem bisherigen Modell verglichen werden. Ein Spitzenmodell lohnt sich nicht automatisch für jeden kurzen Text oder jede Standardprüfung. Wenn das bisherige Werkzeug die Aufgabe bereits zuverlässig erledigt, muss ein Wechsel seinen Zusatznutzen erst zeigen.
Wo ich anfangen würde
Bei langen Arbeitsverläufen mit vielen wiederverwendeten Eingaben würde ich zuerst Fable 5.1 auf die tatsächliche Cache-Ersparnis prüfen. Bei Aufgaben mit vielen Schritten im Browser oder in anderen Programmen würde ich Astra gezielt gegen den bisherigen Ablauf antreten lassen. Das sind meine Startpunkte für den Test, noch keine Leistungsurteile aus eigener Messung.
Ein funktionierender Agent ist für mich mehr wert als ein erster Platz in einer Tabelle. Er muss einen Auftrag verstehen, korrekt ausführen und so dokumentieren, dass ich das Ergebnis prüfen kann. Erst dann wird aus einer technischen Fähigkeit eine Entlastung im Betrieb.
Der nächste Schritt ist deshalb eine Vergleichsreihe mit unseren eigenen Aufträgen. Die Kriterien stehen oben. Wenn die Ergebnisse vorliegen, gehören auch die gescheiterten Durchläufe und die tatsächlichen Kosten auf diese Seite.
Quellen und Transparenz
Die verlinkten Herstellerankündigungen und API-Dokumentationen wurden für diese Fassung am 6. September 2026 abgeglichen. Die Benchmarkwerte sind veröffentlichte Fremdergebnisse. Den Artificial-Analysis-Index gibt dieser Beitrag nach OpenAIs Tabelle wieder; die zugrunde liegende externe Messung wurde nicht separat geprüft.
Die Beispielrechnung und die vorgeschlagenen Testkriterien stammen aus dieser redaktionellen Einordnung. Es liegt noch kein eigener kontrollierter Direktvergleich von Astra und Fable 5.1 vor. Dieser Beitrag ist daher kein Webflashers-Proof-Test und vergibt kein Testsiegel.
Der erste Entwurf entstand mit Claude Fable 5.1. Die Überarbeitung und der ergänzende Quellencheck erfolgten mit Codex. Erfahrungen mit unserem bisherigen Agenten sind als solche beschrieben; die neuen Modelle erhalten daraus keine vorweggenommene Bewertung.
Schreibe einen Kommentar