Claude Haiku 5.5 vs. GPT-6 Luna im Vergleich

Anthropic hat Claude Haiku 5.5 am 7. Oktober veröffentlicht – zu einem Preis von 0,10 $ pro Million Input-Token und 0,50 $ pro Million Output-Token für Prompts mit bis zu 100K Token. GPT-6 Luna wird seit dem 22. September für exakt dieselben 0,10 $ und 0,50 $ angeboten, und auch die Cache-Preise stimmen überein: 0,01 $ fürs Lesen, 0,125 $ fürs Schreiben. Neun Tage nachdem Sonnet 5.5 mit GPT-6 Sol bei 2 $ und 10 $ gleichzog, vollzog das Einstiegssegment dieselbe Entwicklung.

Identische Preise machen die Entscheidung nicht leichter, sondern schwerer. Denn genau im Low-Cost-Segment fällt das Gros des Volumens an: Triage, Zusammenfassungen, Test-Scaffolding – also jene Aufgaben, die, wie wir bereits dargelegt haben, auf eine günstige Runtime gehören. Entscheidet man rein nach Bauchgefühl, landen am Ende ohnehin beide Modelle auf dem Board – eines in Claude Code und eines in Codex. Danach weiß niemand mehr genau, welcher Agent wofür zuständig ist, welcher Durchlauf abgeschlossen wurde oder welcher Agent die Triage-Zusammenfassung verfasst hat, die letzten Dienstag zur Fehlleitung eines Bugs geführt hat.

TL;DR

Claude Haiku 5.5 und GPT-6 Luna kosten nur bei Prompts unter 100K Token dasselbe. Darüber steigt Haiku 5.5 auf 0,50 $/2,50 $ an, während Luna bis 272K beim Listenpreis bleibt und erst danach auf 0,20 $/0,75 $ klettert – lange Agenten-Sessions sind also der Punkt, an dem die Kosten auseinanderdriften. Anthropics Launch-Tabelle, die einzige Übersicht eines Anbieters mit beiden Modellen, sieht Haiku 5.5 in jeder gemeinsamen Kategorie vorne. Die Kostendiagramme zeigen Luna jedoch bei Wissensarbeit auf jeder Aufwandsstufe günstiger pro Versuch. Bei Computer Use ist Luna auf allen Stufen außer „medium“ günstiger, wo beide gleich viel kosten und Haiku 5.5 rund 16 Punkte besser abschneidet. Allerdings stammt diese Tabelle von einem einzelnen Anbieter, und unabhängige Benchmarks für Haiku 5.5 stehen noch aus. Entscheiden Sie das Routing nach Prompt-Größe und Ihren eigenen Messungen bei konkreten Tasks – beide Runtimes parallel beizubehalten, ist eine absolut vertretbare Lösung.

Identische Preise – bis die Prompts zu lang werden

Der viel zitierte Preisgleichstand gilt nur für einen bestimmten Bereich von Prompt-Größen. Beide Anbieter passen die Preise für lange Prompts an – allerdings ab unterschiedlichen Schwellenwerten und in unterschiedlicher Höhe:

Anthropics Preisdokumentation bringt es klar auf den Punkt: Prompts mit mehr als 100.000 Token kosten mehr. Auf OpenAIs Modellseite zu Luna werden Prompts mit über 272K Input-Token für den gesamten Request mit den doppelten Input- und Cache-Raten sowie dem 1,5-Fachen beim Output abgerechnet. Batch-Processing halbiert beide Tarife.

Für Agenten fällt dies wesentlich stärker ins Gewicht als bei reinen Chat-Anwendungen, da eine Agenten-Session ihren Kontext in jedem Turn erneut mitsendet. Laut Anthropic lagen zwar 90 % der Anfragen an Haiku 4.5 unter 100K Token, doch eine ausgedehnte Coding-Session ist keine gewöhnliche Anfrage. Claude Code verdichtet native 1M-Kontext-Modelle (einschließlich Haiku 5.5) standardmäßig automatisch bei rund 967K Token. Ein langer Claude-Code-Durchlauf mit Haiku 5.5 kann somit die meisten Turns oberhalb der 100K-Grenze verbringen – zum Fünffachen des beworbenen Basistarifs. Codex mit Luna bietet vor dem Aufschlag noch weitere 172K Token Spielraum, und fällt der Zuschlag dann an, fällt er deutlich moderater aus.

Hinzu kommt, dass sich Token-Zahlen zwischen verschiedenen Anbietern nicht 1:1 vergleichen lassen. Nach Angaben von Anthropic erzeugt derselbe Text auf Haiku 5.5 etwa 30 % mehr Token als auf Haiku 4.5. Ein Kommentator auf Hacker News schätzte, dass 100K moderne Claude-Token ungefähr 60K bis 65K modernen GPT-Token entsprechen. Das ist zwar nur eine Schätzung und keine exakte Messung, deutet aber in dieselbe Richtung: Dasselbe Repository schöpft das günstige Preiskontingent von Haiku 5.5 deutlich schneller aus.

Was Anthropics Vergleichstabelle zeigt

Der Launch-Beitrag zu Haiku 5.5 enthält sechs Zeilen mit Vergleichswerten zu Luna. Die Werte für Haiku 5.5 wurden bei maximalem Aufwand („max effort“) ermittelt:

Haiku 5.5 führt in jeder einzelnen Zeile. Zwei Vorbehalte verhindern jedoch, dass man daraus ein endgültiges Urteil ableiten kann: Zum einen handelt es sich um eine Tabelle von Anthropic selbst. Zum anderen stellt die Launch-Seite die Testergebnisse den Kosten pro Versuch gegenüber – und das zeichnet ein ganz anderes Bild als die reinen Scores:

Bei GDPval-AA ist Luna auf jeder Aufwandsstufe pro Task günstiger. Bei OSWorld ist Luna auf jeder Stufe günstiger – mit Ausnahme von „medium“, wo beide etwa 13 Cent pro Versuch kosten. Bei Computer-Use-Aufgaben ist der Performance-Vorsprung so groß, dass der Preis kaum ins Gewicht fällt: Haiku 5.5 auf „medium“ schlägt Luna auf „max“ für weniger Geld. Bei Wissensarbeit hingegen schrumpft der Abstand fast vollständig: Haiku 5.5 auf „high“ und Luna auf „max“ kosten beide rund neun Cent pro Task und liegen lediglich 17 Elo-Punkte auseinander – während Haiku 5.5 auf „max“ fast das Zehnfache von Luna kostet.

Zwei weitere Einschränkungen kommen hinzu: Das Hauptergebnis von OSWorld basiert auf Teilwertungen („partial credit“). Anthropics System Card beziffert die strikte Erfolgsquote („strict pass rate“) von Haiku 5.5 auf 37,1 % und nennt für Luna überhaupt keine strikten Werte. Welche Auswirkungen das auf die Review-Queue hat, behandeln wir in unserem Beitrag zu Browser-Agenten. Zudem übernimmt keines der beiden Modelle die Führungsrolle beim Coding: Anthropic selbst betont, dass Sonnet 5.5 und Opus 5.5 weiterhin die bessere Wahl für anspruchsvolles agentisches Programmieren bleiben.

Die Runtime hinter dem jeweiligen Modell

Das Modell ist nur die halbe Miete. Beide Modelle werden üblicherweise in unterschiedlichen Runtimes ausgeführt – und diese verhalten sich auf einem Board keineswegs gleich.

Claude Code auf claude-haiku-5-5. Hierfür ist Claude Code v2.1.293 oder neuer erforderlich; der Start erfolgt über claude --model claude-haiku-5-5 oder durch einen Wechsel mittels /model. Der Alias haiku verweist ausschließlich in der Anthropic-API auf Haiku 5.5 und löst auf Bedrock, Google Cloud, Microsoft Foundry und Claude Platform on AWS weiterhin Haiku 4.5 auf – pinnen Sie daher die vollständige ID. Das standardmäßige Effort-Level ist „medium“, und Claude Code kann das Thinking bei Haiku 5.5 nicht deaktivieren. Das neue monatliche API-Guthaben für Max- und Team-Pläne deckt Claude Code nicht ab und kann somit nicht für diese Runtime genutzt werden.

Codex auf gpt-6-luna. Luna läuft in Codex in den Tarifen Plus, Pro, Business, Enterprise und Edu. Der API-Reasoning-Aufwand reicht von „none“ bis „max“, standardmäßig ist „medium“ voreingestellt – beide Modelle starten also auf „medium“, sofern dies nicht manuell geändert wird.

Ein wesentlicher Verhaltensunterschied gehört direkt aufs Board statt in eine Fußnote: Haiku 5.5 nutzt Safety-Klassifikatoren, die Anfragen ohne serverseitigen Fallback ablehnen können. Laut Anthropics System Card wies das Modell im automatisierten Verhaltensaudit mehr ungerechtfertigte Ablehnungen („over-refusals“) auf als jedes andere Modell. Ein Refusal bedeutet einen Durchlauf, der ohne Ergebnis abbricht. Ein solcher Abbruch muss im Task als sichtbarer Fehler ausgewiesen werden und darf nicht einfach unbemerkt in einem Terminal verschwinden, das niemand im Blick hat.

So vergleichen Sie beide Modelle anhand eigener Tasks

Sharkly wählt keine Modelle automatisch aus. In der Agents-Dokumentation heißt es: „The Agent follows the Runtime’s default model. It does not promise or display a specific model name. To change models, specify one in Custom arguments on the Agent or Runtime, for example specify model: model-name.“ Es gibt beim Agent kein Dropdown-Menü zur Modellauswahl. Der Aufbau besteht folglich aus zwei Agents – einer pro Runtime, jeweils benannt nach seinem Einsatzbereich:

Agent A:  Claude Code Runtime, Custom arguments  model: claude-haiku-5-5
Agent B:  Codex Runtime,       Custom arguments  model: gpt-6-luna
Tasks:    the same description and starting commit, one Task per Agent,
          drawn from jobs you actually hand the cheap tier
Accept:   one acceptance check, written before either run starts
Record:   accepted y/n, review minutes, reruns, refusals,
          whether the run crossed 100K (Haiku) or 272K (Luna) input tokens,
          provider cost from your own Anthropic and OpenAI bills

Die Modellnutzung läuft über die Abonnements oder API-Schlüssel, die in den jeweiligen Tools hinterlegt sind; die Abrechnung erfolgt also weiterhin direkt über die Provider. Die vollständige Methodik inklusive der Erfassung von Review-Minuten finden Sie in unserem Vergleich zwischen Sonnet 5.5 und GPT-6 Sol sowie im Leitfaden Vergleich von Coding-Agenten auf der eigenen Codebasis. Die spezifische Konfiguration für Haiku ist unter Claude Haiku 5.5-Agenten in Sharkly ausführen beschrieben.

Die entscheidende zusätzliche Spalte, die bei diesem Modellpaar erforderlich ist, betrifft die Prompt-Größe. Ein vermeintlich günstiger Durchlauf mit Haiku 5.5, der die 100K-Grenze überschritten hat, kostete eben nicht zehn Cent – und ein Durchlauf, der zwei Reruns benötigte, war keineswegs billig, wie unser Artikel darüber zeigt, wann günstige Modelle teurer werden.

Warum „Beide“ eine legitime Antwort ist

Aus den vorliegenden Daten geht kein eindeutiger Gesamtsieger hervor – und die Preisstruktur sorgt nahezu zwangsläufig für eine Aufteilung der Workloads.

Setzen Sie auf Haiku 5.5, wenn Prompts unter 100K Token bleiben, wenn Aufgaben im Browser oder auf dem Desktop anfallen (wo der Vorsprung in OSWorld am deutlichsten ist) oder wenn die Low-Cost-Aufgaben als Subagent unter der Leitung eines übergeordneten Claude-Modells laufen (unser Beitrag über Subagenten oder eigenständige Agents beleuchtet, wo diese Aufgaben am besten angesiedelt sind). Nutzen Sie Luna, wenn Workloads regelmäßig 100K bis 272K Kontext-Token umfassen – etwa bei umfangreichen Log-Analysen oder großen Diffs – oder wenn schlicht der niedrigste Preis pro Versuch den Ausschlag gibt. Wenn Sie ausschließlich Claude Code nutzen und Ihre einfachen Aufgaben kurz sind, benötigen Sie unter Umständen überhaupt keine zweite günstige Runtime.

Beide parallel zu betreiben funktioniert allerdings nur dann, wenn der Task und nicht die Runtime als „System of Record“ dient. Agenten recherchieren, führen aus, testen und berichten. Menschen geben die Richtung vor, erteilen Freigaben und nehmen Ergebnisse ab. Zwei KI-Labore haben ihr Einstiegssegment innerhalb von drei Wochen auf den Cent genau identisch bepreist, und jeder der beiden könnte den nächsten Schritt machen. Kontext, Fortschritt, Blocker, Ergebnisse und das menschliche Review müssen von der Anforderung bis zum Release nachvollziehbar bleiben – ganz gleich, welche Runtime in der nächsten Runde die Nase vorn hat. Genau für Entwicklerteams, die mehrere Coding-Agenten flexibel nutzen möchten, anstatt sich auf ein einziges Ökosystem festzulegen, wurde Sharkly entwickelt.