Claude Fable 5 liefert starke Ergebnisse, verursacht aber hohe Nutzungskosten. Wie lässt sich ein solches Spitzenmodell sinnvoll einsetzen, ohne jede Aufgabe vollständig darüber laufen zu lassen?
Anthropic empfiehlt dafür zwei Architekturansätze, bei denen Fable 5 nicht dauerhaft als ausführendes Modell arbeitet, sondern gezielter eingesetzt wird: als Berater oder als Planer. Die eigentliche Umsetzung übernehmen kleinere Modelle wie Sonnet 5.
Beim sogenannten Advisor-Muster führt Sonnet 5 die Aufgabe aus und ruft Fable 5 nur dann hinzu, wenn zusätzlicher Rat nötig ist. Laut Anthropic erreicht diese Kombination auf SWE-bench Pro rund 92 Prozent der Leistung von Fable 5 allein, verursacht aber nur etwa 63 Prozent der Kosten. Fable 5 wird dabei pro Aufgabe ungefähr einmal aufgerufen.
Der zweite Ansatz nutzt Fable 5 als Planungsinstanz. Das Modell zerlegt Aufgaben und verteilt sie an Sonnet-5-Arbeitsagenten. Auf BrowseComp soll diese Variante 96 Prozent der Fable-5-Leistung erreichen, bei lediglich 46 Prozent der Kosten.
Unterstützt werden beide Muster über Claude Managed Agents. Jeder Sub-Agent nutzt dabei einen eigenen Cache, damit Kontext nicht mehrfach bezahlt werden muss. Anthropic verweist für die Umsetzung auf die offizielle Dokumentation.
Die Empfehlungen zeigen, wie wichtig Kostensteuerung bei leistungsstarken KI-Modellen wird. Statt immer das teuerste Modell durchgehend einzusetzen, rückt eine arbeitsteilige Architektur in den Vordergrund: starke Modelle planen, prüfen oder beraten, kleinere Modelle setzen um.
Der Schritt passt auch in ein Marktumfeld mit wachsendem Preisdruck. Chinesische Open-Source-Modelle drücken ohnehin auf westliche Preisstrukturen. Gleichzeitig setzt auch GPT-5.6 Sol mit deutlich niedrigeren Tokenpreisen und angeblich höherer Token-Effizienz neue Vergleichsmaßstäbe.