Executive Summary
Am 24. Juli 2026 veröffentlichte Anthropic Claude Opus 5 zu 5 USD je Million Input-Token und 25 USD je Million Output-Token — derselbe Preis wie Opus 4.8, halb so teuer wie Fable 5 und in etwa auf Höhe von OpenAIs GPT-5.6 Soul. Anthropics eigene Einordnung war vorsichtig formuliert: ein Modell, das „der Frontier-Intelligenz von Fable 5 zum halben Preis nahekommt", positioniert als Standard auf Claude Max und stärkstes Modell auf Claude Pro (Anthropic).
Die veröffentlichte Benchmark-Tabelle war weniger vorsichtig als die Einordnung. Opus 5 erzielte 43 Punkte auf Frontier Bench gegenüber 33 bei Fable 5, hob ARC-AGI-3 von zuvor rund 8 % auf 30 %, gewann rund 100 Punkte auf GDPval hinzu und verbesserte BrowseComp von 87 % auf 90 % — während es bei einem juristischen Benchmark (13,3 zu 11,7), bei HealthBench Professional und marginal bei DeepSui Boden abgab. In der Summe schlug die günstige Stufe eines Unternehmens dessen teure Stufe. So soll eine Preisleiter eigentlich nicht funktionieren.
Das folgenreichere, was Anthropic tat, war nicht das Modell. Es war das Diagramm. Die Launch-Materialien führten mit Kosten-pro-Aufgabe-Pareto-Kurven — Score gegen Dollar pro Aufgabe, nicht Score gegen Dollar pro Million Token. Ein Anbieter, der pro Token abrechnet und sich entscheidet, nicht über den Token zu konkurrieren, räumt damit ein, dass der Preis pro Token als aussagekräftige Vergleichseinheit ausgedient hat. Jede unabhängige Evaluation, die in den folgenden zehn Tagen erschien, bestätigte diese Einordnung entweder — oder nutzte sie aus, und die, die sie ausnutzten, fanden reale Grenzen: LlamaIndex maß Opus 5 beim Dokumenten-Parsing mit rund 8 Cent pro Seite gegenüber einem Spezialisten bei einem Sechstel davon, und stellte fest, dass Anthropics höchster Thinking-Modus bei einem Fünftel bis einem Drittel der von Anthropic selbst berichteten Benchmarks schlechter abschneidet als der zweithöchste.
Das Ergebnis ist ein Markt, in dem die richtige Frage nicht mehr lautet, welches Modell das beste ist — nicht einmal, welches das günstigste ist —, sondern welches Modell Ihre konkrete Aufgabe für die wenigsten Dollar abschließt. Eine Zahl, die kein Anbieter für Sie veröffentlichen kann, weil sie von Ihrer Workload abhängt. Dieser Wandel ist Gegenstand dieses Reports.
Die Kennzahl änderte sich vor dem Modell
Die klarste Formulierung des Kosten-pro-Aufgabe-Arguments in diesem Zyklus kam nicht aus einem Labor. Sie kam von Matthew Berman, dessen Argumentation auf Artificial-Analysis-Daten beruht, die Kimi K3 bei 0,95 USD pro abgeschlossener Aufgabe zeigen und GPT-5.6 Soul bei 1,04 USD — nahezu identisch, obwohl Kimis Preis pro Token nur etwa halb so hoch ist (Matthew Berman). Kimi verbraucht rund doppelt so viele Token, um zum selben Ergebnis zu kommen, sodass der Rabatt vollständig aufgezehrt ist, bevor er auf der Rechnung ankommt. Über eine vollständige Benchmark-Suite hinweg lagen die Gesamtsummen bei rund 2.700 USD für Kimi K3, 2.800 USD für GPT-5.6 Soul und 5.600 USD für Fable 5.
Bermans Begriff für die zugrunde liegende Eigenschaft ist Intelligenzdichte — wie viel Reasoning in jedem Token steckt. Das ist ein nützlicher Rahmen, gerade weil er erklärt, warum die beiden Achsen auseinandergedriftet sind. Der Preis pro Token misst, was Ihnen für eine Einheit Output berechnet wird. Kosten pro Aufgabe misst, wie viele Einheiten das Modell dafür braucht. Ein Modell kann bei der ersten Metrik klar gewinnen und bei der zweiten verlieren — und Käufer haben bislang nur die erste gelesen.
Anthropics technische Aussagen folgen derselben Achse. Alex Albert beschrieb das übergeordnete Ziel als Token-Effizienz statt roher Fähigkeit: Das Team habe „enorm viel Arbeit hineingesteckt, dieses Modell domänenübergreifend token-effizient zu machen und gleichzeitig die Intelligenz-Messlatte zu heben", und er berichtet, Opus 5 bei vielen Coding-Aufgaben gegenüber Fable 5 zu bevorzugen (Alex Albert). Prompt Engineerings praktische Review fand in den Aufwand-gegen-Leistung-Diagrammen einen besseren Preis bei gleicher oder höherer Leistung gegenüber Opus 4.8, wobei die Kosten erst auf den höchsten Aufwandsstufen anstiegen (Prompt Engineering).
Bermans operative Empfehlung folgt aus der Rechnung, nicht aus einer Modellvorliebe. Er schlägt vor, einen Coding-Workflow in drei Stufen aufzuteilen und jeder ein anderes Modell zuzuweisen: Planen mit dem stärksten verfügbaren Modell, das die gesamte Codebasis liest und input-lastig ist; Ausführen mit einem günstigen, schnellen, kompetenten Coder, der output-lastig ist; Review mit einem anderen Frontier-Modell, wieder input-lastig. Sein durchgerechnetes Beispiel setzt Fable-only bei 81 USD an, GPT-5.6-only bei 46,50 USD und die Mischung bei 25,55 USD — bei gleichem oder besserem Output. Die strukturelle Erkenntnis dahinter: Output-Token kosten rund das Sechsfache von Input-Token, und die output-dominierte Stufe — Code aus einem bestehenden Plan schreiben — ist die einfachste Stufe. Genau diese Stufe sollte deshalb nicht auf einem Frontier-Modell laufen.
Zwei Vorbehalte stecken in diesem Argument und gehen leicht verloren. Erstens: Latenz ist eine Kostenposition — ein Modell, das halb so teuer ist, aber die doppelte Wanduhrzeit braucht, ist in keinem Workflow mit einem wartenden Menschen billiger. Zweitens: Der modellübergreifende Review-Schritt ist nicht nur ein Kostentrick — als solche offengelegte Sponsordaten von Greptile zeigen, dass ein von Claude verfasster Pull Request, von GPT-5.5 reviewt, mehr Bugs zutage förderte als Claude beim Review der eigenen Arbeit, wobei sich die Fehlerklassen je nach Modell gruppierten. Das ist ein Argument für Heterogenität aus Qualitätsgründen, das zufällig auch noch günstiger ist.
Die Akteure und die zerbrochene Preisleiter
Drei Modelle stehen derzeit auf der Preis-Leistungs-Pareto-Front: Opus 5, GPT-5.6 Soul und Kimi K3. Das dritte ist Open Weights — ein 2,8-Billionen-Parameter-Modell von Moonshot zu 3 USD je Million Input und 15 USD Output. Dass ein offenes Modell eine Frontier-Position bei der Kosteneffizienz hält, nicht nur bei der Fähigkeit allein, ist die eigentlich neue Tatsache in dieser Konstellation, und sie verändert die Verhandlungsposition jedes nachgelagerten Käufers.
In der Preisleiter innerhalb von Anthropics eigenem Katalog beißt die Inversion am stärksten. Fable 5 wird nicht eingestellt; es wird fester Bestandteil der Max- und Team-Premium-Abos, allerdings gedeckelt auf 50 % der normalen wöchentlichen Nutzungsgrenzen und ausgeschlossen von Pro und Team Standard, die weiterhin kreditbasierten Zugang plus ein einmaliges Guthaben von 100 USD behalten (Anthropic, Lev Selector). Anthropic räumte ein, die Nachfrage nach Fable sei „schwer vorherzusagen" gewesen und der gestaffelte Rollout sei „frustrierend" gewesen. Liest man das neben einer Benchmark-Tabelle, in der das günstigere Modell gewinnt, ist die Rationierung stimmig statt widersprüchlich: Fable 5 wird gedrosselt, weil es teuer im Betrieb ist — nicht, weil es bei der mittleren Aufgabe besser wäre.
Anthropics eigene Positionierungssprache spiegelt die Unbeholfenheit wider. Die Empfehlung lautet, Opus 5 als tägliches Arbeitspferd zu behandeln und es für Planung, Brainstorming oder die schwersten Bugs mit Fable zu kombinieren — eine Absicherung, die sich unbehaglich zu den am selben Tag veröffentlichten Zahlen verhält. Prompt Engineering zog die strukturelle Schlussfolgerung: Wenn ein Modell der Opus-Klasse ein Modell der Fable-Klasse in einer einzigen Iteration übertreffen kann, könnten Modelle der Fable- und Mythos-Klasse aufhören, überhaupt Konsumentenprodukte zu sein, und zu einer eingeschränkten Kategorie werden — bei gleichzeitig einfach gehaltener Endkunden-Benennung.
Coding-Benchmarks von Drittanbietern stützen die Inversion in der Breite, grenzen sie aber zugleich ein. Cursors Evaluation setzt Opus 5 auf max nahe an Fable 5 auf max, bei weniger als halbem Preis, und auf high übertrifft es Fable 5 klar; Cognitions Frontier Code stellt beide gleichauf. Opus 5 schlägt GPT-5.6 Soul auf max, während es selbst nur auf extra-high läuft. Das sind bedeutsame Abstände, aber sie werden bei Coding und agentischer Arbeit gemessen — genau dort, wo sich alle drei Anbieter konzentriert haben. Anthropic und OpenAI konvergieren beide weg von Multimodalität hin zu Coding und analytischer Arbeit und überlassen die multimodale Spur standardmäßig Google und den chinesischen Laboren.
Zwei strukturelle Anmerkungen gehören hierher. Anthropic lieferte gemeinsam mit dem Modell automatische API-Fallbacks aus: Von Sicherheitsklassifikatoren markierte Anfragen können automatisch an ein anderes Modell weitergeleitet werden, und der Aufrufende zahlt den Preis des Fallback-Modells. Nutzer berichteten, dass eine cyber-nahe Ablehnung innerhalb von Stunden nach Launch still und leise Opus 4.8 auslieferte. Separat davon soll die Klassifikator-Intervention rund 85 % niedriger liegen als bei Fable 5 — ein stilles Eingeständnis, dass die Über-Ablehnung von Fable 5 ein bekanntes Produktproblem war und kein Gerücht.
Was die unabhängigen Benchmarks zeigten
Die unabhängigen Evaluationen, die innerhalb weniger Tage nach dem Launch erschienen, sind das nützlichste Material in diesem Cluster, weil sie sich auf lehrreiche Weise widersprechen.
Der Vals-AI-Index — ein BIP-gewichtetes Aggregat aus CorpFin, Finance Agent V2, SWE-Bench Verified, Terminal-Bench 2.1 und VibeCodeBench — führte Opus 5 mit Platz zwei ein, bei leicht niedrigerer Genauigkeit als der Spitzenreiter, aber rund 20 % niedrigeren Kosten. Box ließ dokumentengestützte Aufgaben über zwölf Branchen laufen und maß den Sprung von Opus 4.8 zu Opus 5 von 63 auf 78 im Gesamtdatensatz, von 65 auf 76 bei Due Diligence und von 67 auf 69 beim Report-Entwurf, bei flachem Expert Review und sechs Punkten Zugewinn bei der Datenanalyse; die Gewinne konzentrieren sich auf erschöpfende Multi-Step-Analyse. Box' Evaluation war eine offengelegte bezahlte Platzierung in Bermans Coverage und enthielt keinen Vergleich mit GPT-5.6 Soul — eine Lücke, die Berman selbst markierte. Greg Kamradt vom ARC Prize nannte es das beeindruckendste Modell, das sein Team je gesehen habe, und merkte an, dass die bei 20 % gedeckelte Y-Achse des ARC-AGI-3-Leaderboards neu gezeichnet werden müsse.
Das Gegengewicht ist LlamaIndex' ParseBench-Durchlauf, und er ist präzise statt gehässig. Beim Dokumentenverständnis liegt Opus 5 in etwa gleichauf mit Opus 4.8 — ein paar Punkte schwächer bei dichten Tabellen, etwas besser bei Diagrammen und visueller Verankerung — zu rund 8 Cent pro Seite. Gemini 3.6 Flash schlägt es bei Tabellen zum halben Preis; LlamaParse im agentischen Modus schlägt es auf ganzer Linie einschließlich Tabellen, zu einem Sechstel des Preises (LlamaIndex). Die Demonstration war pointiert: Ließ man Anthropics eigene 193-seitige Opus-5-System-Card, dicht mit beschrifteten und unbeschrifteten Diagrammen, durch beide laufen, parste LlamaParse unbeschriftete Linien- und Balkendiagramme mit nahezu perfekter Genauigkeit für 1,25 Cent pro Seite, während Opus 5 beim Parsen seiner eigenen PDF eine um 20–30 % reduzierte Diagrammgenauigkeit zeigte und, je nach Thinking-Modus, zwischen 8 und über 33 Cent pro Seite kostete. Die Empfehlung war explizit und wegen ihrer Form ein Zitat wert: Opus 5 so viel wie gewünscht für Coding und Wissensarbeit einsetzen, aber nicht für Dokumenten-Parsing im großen Maßstab.
Das ist das Kosten-pro-Aufgabe-Argument, gewendet gegen den Anbieter, der es populär gemacht hat. Ein Frontier-Generalist und ein aufgabenspezifischer Parser konkurrieren nicht um Intelligenz; sie konkurrieren um Dollar pro fertiger Seite, und auf dieser Achse verliert der Generalist um den Faktor sechs.
Der zweite Befund aus derselben Quelle ist beunruhigender für alle, die eine Routing-Schicht bauen. Bei rund 20–30 % der von Anthropic berichteten Benchmarks schneidet max-Thinking schlechter ab als xhigh (LlamaIndex). Das ist kein Rundungsartefakt — Berman beobachtete unabhängig davon, dass Opus 5' Score auf Frontier Bench bei der höchsten Thinking-Stufe sank, während die Kosten stiegen. Ob es sich um eine emergente Eigenschaft stärkerer Modelle oder ein Post-Training-Problem handelt, ist tatsächlich offen. Die operative Konsequenz ist es nicht: Die höchste Einstellung ist nicht der sichere Standard, und jedes System, das bei einem Fehlschlag die Thinking-Stufe eskaliert, eskaliert in ein Regime, in dem es für eine schlechtere Antwort mehr zahlen kann.
Eine Anmerkung zur Glaubwürdigkeit verdient es, festgehalten zu werden, ohne aufgebauscht zu werden. Prompt Engineering entdeckte einen Fehler in Anthropics eigenen Launch-Materialien, wo bei agentischem Coding ein Score von 53,4 als höher dargestellt wurde als 53,5. Das Delta ist unerheblich; die Einordnung des Reviewers — dass man das von Anthropic nicht erwartet hätte — ist der Teil, den man behalten sollte, denn Launch-Tag-Diagramme sind inzwischen die Grundlage für Beschaffungsentscheidungen, die innerhalb von Stunden getroffen werden.
Der Mechanismus: Ein Flaggschiff, das zum Trainings-Asset wurde
Die glaubwürdigste Erklärung dafür, wie ein günstigeres Modell ein teureres schlagen konnte, lautet: Das teure Modell hat es gebaut. Die Hypothese, die durch mehrere unabhängige Kanäle kursiert, lautet, dass Opus 5 eine Destillation von Fable 5 ist oder von Fable 5 trainiert wurde — ein Optimierungsdurchlauf der zweiten Generation über einen Frontier-Trainingslauf. Nathan Lamberts öffentliche Einschätzung liefert den Mechanismus: Er beschreibt für Opus 5 wahnwitzige Zahlen, angetrieben von schnellerer Iterationsgeschwindigkeit und skaliertem Reinforcement Learning, wobei Fable „noch zu groß ist, um ebenso gut per RL trainiert zu werden".
Sollte sich das bestätigen, ist branchenweit ein Wandel darin zu erwarten, wofür ein Frontier-Trainingslauf überhaupt da ist. Ein überdimensioniertes Modell trainieren und es dann in ein günstigeres, einsetzbares Modell ernten. Das teure Modell wird zum Trainings-Asset statt zum Produkt — genau die Haltung, die Anthropics Rationierung von Fable 5 bereits impliziert, und sie erklärt, warum das Flaggschiff auf 50 % der wöchentlichen Limits gedeckelt werden kann, ohne dass der Anbieter sein eigenes Spitzenmodell aufzugeben scheint.
Ein Ergebnis zweiter Ordnung ist die Entkopplung von Sicherheit und Fähigkeit, der anomale Befund des Launches. Opus 5 ist bei Cybersecurity-Aufgaben insgesamt stärker als Opus 4.8, erzielt aber bei Exploitation Success nur 4 Punkte, wo Mythos 5 13 und Opus 4.8 0 Punkte erzielten. Fähigkeit wurde selektiv entfernt, ohne die flächendeckende Verschlechterung, die Guardrails sonst üblicherweise begleitet. Prompt Engineering schreibt dieser bewussten Reduktion zu, dass das Modell fahrplanmäßig ausgeliefert werden konnte, statt auf eine behördliche Prüfung zu warten — ein Konsumentenvorteil, erzeugt durch eine Sicherheitsentscheidung, was nicht die übliche Richtung dieses Trade-offs ist.
Die Fähigkeit selbst zeigt sich am besten nicht anhand von Benchmarks, sondern daran, was Praktiker in der ersten Woche gebaut haben. Andrej Karpathy gab dem Modell den ersten Absatz von Der Herr der Ringe, ein 1M-Token-Budget zu rund 10 USD, und bat um ein three.js-Render; es lief rund zwei Stunden und produzierte 5.500 Zeilen Code, die die Geschichte prozedural darstellen (Andrej Karpathy). Seine ökonomische Lesart ist die relevante: Niemand bei klarem Verstand würde so etwas Maßgeschneidertes von Hand schreiben — Modell-Ausdauer verschiebt die Arbeit also von das würde niemals jemand tun zu klar, warum nicht, es ist praktisch kostenlos. Er benennt auch die Grenze, die die Domäne offenlegt — das Modell kann Video oder Gameplay nicht effizient wahrnehmen, prüfte seine eigene Arbeit deshalb mühsam per Screenshot und produzierte trotzdem noch Ruckler.
In größerem Maßstab entstand mit Matt Shumers Gauntlet-Loop-Methode Modern Claudefare, ein browsernativer Call-of-Duty-Klon mit 84.100 Zeilen, vier Maps und Voice-Chat-Multiplayer, in wenigen Tagen auf Opus 5 im High-Modus (Matt Shumer). Die Methode zählt hier mehr als das Artefakt: dem Agenten eine Messlatte geben, an der er nicht vorbeireden kann, die Arbeit über Sub-Agenten aufteilen und den Builder niemals sich selbst bewerten lassen. Das ist eine an ein günstiges Modell angeflanschte Verifikationsschleife — und es ist derselbe Trade-off, den das Kosten-pro-Aufgabe-Argument aus verschiedenen Richtungen immer wieder hervorbringt. Man erkauft Korrektheit durch Struktur, nicht durch Modellstufe.
Was das für jeden bedeutet, der Token kauft
Die kommerziell schärfste Betrachtung dieses Zyklus kam von Sarah Sachs, die Notions Modellverträge verhandelt, und ihre Einordnung lässt sich über Notion hinaus verallgemeinern (AI Engineer). Ihre zentrale Tatsache: Ihr Lieferant ist Ihr Wettbewerber — man kauft Token mit Aufschlag von einer Instanz, die dieselbe Fähigkeit als eigenes Erstanbieter-Produkt zu ganz anderen Gestehungskosten anbietet, und verkauft sie dann mit einem weiteren Aufschlag weiter. Und sie benennt zwei Preisereignisse, auf die Notion etwa monatlich stößt und die beide still und leise die Unit Economics zerstören — ein Reasoning-Modell, das bei identischer Preisstruktur pro Token upgegradet wird und dabei die dreifache Menge an Output-Token verbraucht, sowie ein Versionssprung zu 40 % mehr Kosten als beim Vorgänger, der dann nach vier Monaten schon wieder abgekündigt wird.
Beides sind Kosten-pro-Aufgabe-Ereignisse, die auf einem Preisblatt pro Token unsichtbar bleiben. Ihre operative Anweisung: über Kosten pro Fähigkeit pro Sekunde nachdenken, nicht über Token; von Anfang an für Multi-Model bauen, weil es schwer ist, den Cache zu killen und mitten im Transkript das Modell zu wechseln; und Preis als schwaches Qualitätssignal behandeln — wer knapp hinter der Frontier liegt, muss nur rund 1 USD pro Million günstiger sein, um den Rest des Marktes zu übernehmen, weshalb der Preis die Wettbewerbsposition widerspiegelt, nicht die Fähigkeit.
Ihre günstigste Optimierung ist die, die man in einem Report über Modellauswahl am leichtesten vergisst: kein Modell einsetzen. Notion liefert genau dafür deterministische Worker aus — mit der Begründung, dass man kein LLM braucht, um eine CSV in eine PDF zu verwandeln, ein Tool mit CLI aufzurufen oder eine deterministische SQL-Abfrage auszuführen. Fehlgeleitetes Routing ist in beide Richtungen teuer — großangelegte Datenanalyse rechtfertigt ein Modell der Opus-Klasse, und ein E-Mail-Postfach damit zu triagieren, betrügt in ihren Worten sowohl den Kunden als auch sich selbst.
Die Abo-Stufe erzählt dieselbe Geschichte aus Sicht des Praktikers. Der Betreiber hinter dem BridgeMind-Stream fährt zwei Claude-Max-Abos, lag bei 84 % seines wöchentlichen Fable-5-Limits und stufte seine Codex-Stufe herab — sein genannter Grund für den Wunsch nach Opus 5 war Spielraum, nicht Intelligenz (BridgeMind). Genau dafür hat Anthropic das Modell bepreist, und es identifiziert die heute bindende Beschränkung agentischer Arbeit als Nutzungslimits, nicht als Fähigkeit.
Dieselbe Quelle liefert den nützlichsten Widerspruch in diesem Cluster. Benchmark-seitig steht Kimi K3 auf der Kosten-pro-Aufgabe-Frontier; praxisseitig, bei Produktions-Workloads mit 18–25 Token pro Sekunde und 8,7 Sekunden Latenz, lautet sein Urteil, es nicht als Hauptmodell einzusetzen, weil es zu langsam ist. Beides ist wahr, und die Auflösung besteht darin, dass ein Kosten-pro-Aufgabe-Diagramm einen Serving-Engpass nicht sehen kann. Und doch war der Swarm-Modus desselben Modells die meistgelobte Fähigkeit in seinem Stream: 20–30 Sub-Agenten gleichzeitig, über 70 parallele Agenten bei nur 33 % eines Fünf-Stunden-Limits, gegenüber seiner Schätzung, dass 30 Fable-5-Sub-Agenten nicht einmal durch einen einzigen Prompt kämen. Langsam-aber-reichlich und schnell-aber-rationiert sind unterschiedliche Fähigkeitsklassen, keine Substitute, und parallele Breite kann Einzelstrang-Geschwindigkeit bei der Wanduhrzeit bis zur fertigen Aufgabe schlagen.
Zum Schluss eine Bias-Korrektur, die es sich lohnt, in jeden Evaluationsprozess einzubauen. Eno Reyes von Factory AI brachte es unverblümt auf den Punkt: Wenn er nicht weiß, welches Modell er nutzt, hält er es für großartig; weiß er, dass es das Frontier-Modell ist, setzt sein Bias ein. Blinde Evaluation ist hier keine methodische Spitzfindigkeit — sie ist die einzige Verteidigung dagegen, einen Aufpreis für ein Label zu zahlen.
Ausblick
Die kurzfristige Richtung ist ablesbar. Kosten pro Aufgabe sind jetzt die Achse, auf der Anbieter konkurrieren, und weil sie workload-abhängig ist, kann die entscheidende Zahl von keinem Anbieter überhaupt veröffentlicht werden. Die praktische Konsequenz: Käufer, die keine eigene Evaluation fahren, übernehmen strukturell den Workload-Mix des Anbieters als Proxy für ihren eigenen — und das ParseBench-Ergebnis zeigt, wie weit das auseinanderliegen kann, mit einer Faktor-sechs-Lücke bei einer Aufgabe, die das Frontier-Modell kompetent, aber nicht wirtschaftlich bewältigt.
Drei Dinge lohnen die Beobachtung. Erstens, ob sich das Destillations-Muster bestätigt — also ob das nächste Flaggschiff eines beliebigen Labors primär als Trainings-Asset ausgeliefert wird, mit einem günstigeren geernteten Modell als Konsumentenprodukt —, wird entscheiden, ob die Stufeninversion ein Einzelfall war oder die neue Form eines Release-Zyklus. Zweitens, ob sich das nicht-monotone Thinking-Level-Ergebnis anbieterübergreifend reproduziert, wird bestimmen, wie Routing-Schichten bei einem Fehlschlag eskalieren sollten; heute lautet die ehrliche Antwort, dass die Eskalation auf maximalen Aufwand nicht zuverlässig eine Verbesserung, aber zuverlässig teurer ist. Und ob Open-Weights-Modelle ihre Pareto-Frontier-Position halten, zählt über den Preis hinaus: Wie Notions Darstellung deutlich macht, ist eine glaubwürdige offene Alternative Verhandlungsmacht gegenüber einem Oligopol aus zwei oder drei Anbietern — und diese Verhandlungsmacht setzt nicht voraus, dass sie tatsächlich jemand einsetzt.
Was sich bereits geändert hat, ist kleiner und dauerhafter. Ein Anbieter, der pro Token abrechnet, führte seinen eigenen Launch mit einem Diagramm an, das pro Aufgabe bepreist. Dieses Zugeständnis ist nicht umkehrbar, und es reicht Käufern eine Frage weiter, die sie jetzt selbst beantworten müssen.
