GPT-5.6 Sol vs Fable 5: der Praxistest 2026

Phillip Pham, AI Developer bei Pexon Consulting | 9 Min. Lesezeit | 28.08.2026

TL;DR

Sol vs Fable entscheidet sich nicht am Benchmark, sondern an der Aufgabe. Claude Fable 5 liefert bei offenen, kreativen Aufträgen die bessere Qualität und kostet mit 10 US-Dollar je Million Eingabe-Token das Doppelte von GPT-5.6 Sol. Bei kurzen, klar umrissenen Aufgaben gewann Sol in unserem Test 24 von 27 Durchläufen.

Das Problem: Benchmarks beantworten die falsche Frage

Ein Benchmark misst, ob ein Modell eine gestellte Aufgabe löst. Er misst nicht, was es kostet, das Ergebnis in Ihrem Arbeitsablauf brauchbar zu machen.

Auf Terminal-Bench 2.1, dem derzeit meistzitierten Test für agentisches Programmieren, liegt GPT-5.6 Sol bei 88,8 Prozent, im Ultra-Modus bei 91,9 Prozent. Claude Mythos 5 kommt auf 88,0 Prozent, GPT-5.5 ebenfalls auf 88,0 Prozent. Vier Werte, die dicht beieinanderliegen und aus denen sich keine Kaufentscheidung ableiten lässt.

Was diese Werte nicht sagen: wie gut das Ergebnis aussieht, wenn niemand einen Prüfrahmen vorgibt. Wie oft das Modell die Antwort verweigert. Wie viele Token es für dieselbe Aufgabe verbrennt. Genau diese drei Punkte haben in unserem Test den Ausschlag gegeben.

Die Eckdaten

Beide Modelle sind seit Sommer 2026 allgemein verfügbar.

Ein Punkt, der bei der Kalkulation gern untergeht: OpenAI hat die API- und Credit-Preise für Sol am 21. August 2026 für drei Monate um über 20 Prozent gesenkt. Wer das Preisverhältnis heute als dauerhaft in eine Kalkulation schreibt, rechnet mit einem Aktionspreis.

Die Zeile, die in der Praxis am meisten Wirkung hatte, ist die vorletzte rechts: Fable 5 bringt Sicherheits-Klassifikatoren mit, die Anfragen ablehnen können. Das steht so in der Anbieterdokumentation, und es erklärt einen Großteil unserer Testergebnisse.

Drei Bau-Aufgaben, identischer Auftrag

Wir haben beiden Modellen dieselben offenen Aufträge gegeben, jeweils mit freiem gestalterischem Spielraum und ohne Vorgabe des Lösungswegs.

Die Bewertung fiel nicht einheitlich aus, und genau das ist das Ergebnis.

Bei den ersten beiden Aufgaben war das Resultat von Fable 5 deutlich besser: größere Welt, durchdachtere Interaktion, mehr Wirkung beim ersten Ansehen. Nicht ein bisschen besser, sondern erkennbar. Es war aber nicht 17-mal besser, und das ist der Punkt, an dem die Rechnung anfängt, unangenehm zu werden.

Bei der dritten Aufgabe ging das Urteil an Sol. Es hatte die bessere Vorstellung davon, was fünf verschiedene visuelle Elemente unterscheidbar macht, und lieferte das für rund ein Fünfzehntel der Kosten.

Unsere Einordnung dazu ist unbequem für beide Lager: Wer aus drei Aufgaben einen Sieger ableitet, hat zu wenig getestet. Wer daraus ableitet, dass die Modelle gleichwertig sind, hat die Ergebnisse nicht angesehen.

Die kurzen Aufgaben: ein klares Bild

Anders sah es bei kurzen, zustandslosen Aufgaben über die API aus. Hier gab es keine offene Gestaltungsfrage, sondern klar umrissene Aufträge mit prüfbarem Ergebnis.

Die letzte Zeile ist die wichtigste und wird am häufigsten übersehen. Wo Fable geantwortet hat, war die Antwort praktisch gleichwertig. Der Rückstand entstand nicht durch schlechtere Antworten, sondern dadurch, dass Fable einen erheblichen Teil der Anfragen gar nicht beantwortet hat.

Das ist kein Zufallsbefund. Anthropic dokumentiert die Sicherheits-Klassifikatoren als Eigenschaft des Modells. Für ein Team, das Fable in einen automatisierten Ablauf einbaut, heißt das: Ein Teil der Durchläufe endet ohne Ergebnis, und der Ablauf muss damit umgehen können. Wer das nicht einplant, baut eine Fehlerquelle ein, die im Test mit fünf Anfragen nie auffällt und im Betrieb mit fünftausend täglich.

Manager und Arbeiter

Aus den Ergebnissen lässt sich eine Rollenteilung ableiten, die sich in unserer eigenen Arbeit bewährt hat.

Die Kombination ist wirksamer als jede Einzelwahl: das teure Modell plant und entscheidet, mehrere günstige führen aus. Wir betreiben unsere eigenen Agenten nach genau diesem Muster.

Damit das nicht als Marketing-Formel stehen bleibt, hier die Grenze: Die Rollenteilung lohnt sich erst, wenn genug gleichartige Aufgaben anfallen, dass die günstige Route ins Gewicht fällt. Bei zwanzig Anfragen am Tag ist der Aufwand für die Verteilung höher als die Ersparnis.

Wie eine Routing-Regel aussieht

Technisch ist die Umsetzung unspektakulär. Entscheidend ist, dass die Regel an einer Stelle liegt und nicht in jeder Anwendung neu geschrieben wird.

# Grobe Zuordnung nach Aufgabentyp, nicht nach Nutzergruppe.
# Der teure Pfad ist die Ausnahme, die begründet werden muss.
ROUTEN = {
    "konzept":        "claude-fable-5",   # offene Gestaltung, Kundenartefakte
    "analyse_tief":   "claude-fable-5",   # lange Belege, hoher Kontextbedarf
    "extraktion":     "gpt-5.6-sol",      # klar umrissen, hohe Stückzahl
    "klassifikation": "gpt-5.6-sol",
    "verifikation":   "gpt-5.6-sol",      # bewusst ein anderes Modell als beim Erzeugen
}

def waehle_modell(aufgabentyp: str, budget_knapp: bool = False) -> str:
    modell = ROUTEN.get(aufgabentyp, "gpt-5.6-sol")
    # Bei knappem Budget fällt der teure Pfad auf den günstigen zurück,
    # außer bei Artefakten, die beim Kunden landen.
    if budget_knapp and aufgabentyp != "konzept":
        return "gpt-5.6-sol"
    return modell

Zwei Details, die in der Praxis den Unterschied machen. Erstens wird nach Aufgabentyp zugeordnet, nicht nach Person. Eine Führungskraft, die eine Datei umbenennen lässt, braucht kein Frontier-Modell. Zweitens läuft die Verifikation bewusst auf einem anderen Modell als die Erzeugung. Ein Modell, das den eigenen Fehler prüfen soll, findet ihn selten.

Wie sich das mit einem Gateway sauber verdrahten lässt, steht in unserem Beitrag zu LiteLLM als Router für Modelle und Kosten.

Was Sie aus einem Modellvergleich mitnehmen sollten

Und was nicht.

1. Testen Sie mit Ihren Aufgaben, nicht mit fremden. Unsere drei Bau-Aufgaben sagen etwas über offene Gestaltungsaufträge. Über Ihre Vertragsanalyse sagen sie nichts.
2. Rechnen Sie in Gesamtkosten je Aufgabe. Der Token-Preis ist irreführend, wenn ein Modell für dasselbe Ergebnis das Vierfache an Runden braucht.
3. Prüfen Sie die Verweigerungsquote. Bei einem Modell mit Sicherheits-Klassifikatoren gehört sie in jeden Belastungstest, sonst finden Sie sie im Betrieb.
4. Halten Sie die Modellwahl austauschbar. Sol war einen Monat nach Fable verfügbar und hat die Rangfolge verschoben. Die nächste Version tut das wieder.
5. Fassen Sie Aktionspreise nicht als Grundlage auf. Die Sol-Preissenkung vom 21. August 2026 läuft nach drei Monaten aus.

Der Punkt, auf den es hinausläuft: Die Frage ist nicht, welches Modell gewinnt, sondern ob Ihre Architektur einen Wechsel übersteht, ohne dass jemand Anwendungen umbaut. Wie eine solche Architektur aussieht, steht auf unserer Seite zur KI-Plattform ohne Vendor Lock-in.

Häufig gestellte Fragen

Welches Modell ist besser, Sol oder Fable?

Keines universell. Fable 5 lieferte bei offenen, gestalterischen Aufgaben die überzeugenderen Ergebnisse. Sol gewann bei kurzen, klar umrissenen Aufgaben 24 von 27 Durchläufen, überwiegend weil Fable einen Teil der Anfragen ablehnte. Bei den beantworteten Anfragen lagen beide praktisch gleichauf.

Was kostet Claude Fable 5 im Vergleich zu GPT-5.6 Sol?

Fable 5 liegt bei 10 US-Dollar je Million Eingabe-Token und 50 US-Dollar je Million Ausgabe-Token, Sol bei 5 und 30 US-Dollar. In unseren Bau-Aufgaben lag das tatsächliche Kostenverhältnis zwischen 3 zu 1 und 17 zu 1, weil Fable zusätzlich deutlich mehr Token erzeugte.

Warum lehnt Claude Fable 5 Anfragen ab?

Anthropic hat Sicherheits-Klassifikatoren in das Modell integriert, die Anfragen zurückweisen können. Das ist dokumentiert und beabsichtigt. Für automatisierte Abläufe heißt es, dass ein Teil der Durchläufe ohne Ergebnis endet und der Ablauf einen Rückfallpfad braucht.

Lohnt sich Modell-Routing für ein mittelständisches Unternehmen?

Ab einem gewissen Volumen ja. Bei zwanzig Anfragen am Tag übersteigt der Aufwand für die Verteilung die Ersparnis. Sobald automatisierte Agenten dauerhaft laufen oder mehrere hundert Menschen mit KI arbeiten, ist es der wirksamste Kostenhebel, den wir kennen.

Wie oft muss ich diese Entscheidung überprüfen?

Häufiger als angenehm ist. Zwischen dem Erscheinen von Fable 5 und Sol lag ein Monat, und die Rangfolge verschob sich. Wir empfehlen, die Modellwahl als Konfiguration zu behandeln und einmal im Quartal gegen die eigenen Aufgaben nachzumessen.

Nächster Schritt

Wenn Sie heute ein Modell fest in Ihren Anwendungen verdrahtet haben, ist der Vergleich zweitrangig. Der erste Schritt ist, die Modellwahl aus dem Code herauszuziehen.

Verwandte Themen

Weitere Vergleiche