Claude Opus 5.5 vs GPT-6 Sol: Memilih Runtime Default untuk Crew Anda

Satu baris di satu file konfigurasi menentukan ke mana sebagian besar token tim Anda mengalir kuartal ini. Pada 2026-09-22, kedua kandidat untuk baris itu berubah bersamaan: Anthropic merilis Claude Opus 5.5, OpenAI merilis GPT-6 Sol dan GPT-6 Luna. Jika Anda menjalankan beberapa coding agent secara paralel, pertanyaannya bukan model mana yang lebih pintar. Pertanyaannya adalah model mana yang dipakai Agent Anda secara default, dan apa dampaknya terhadap antrean pekerjaan yang menunggu diterima oleh manusia.

Ada satu catatan penting dalam datanya, yang perlu Anda ketahui sebelum membaca salah satu dari kedua postingan peluncuran itu. OpenAI membandingkan Sol dengan Claude Opus 5. Bukan Opus 5.5. Opus 5.5 belum ada saat postingan itu ditulis, dan baru dirilis beberapa jam kemudian dengan harga $4 per juta token input, sementara Opus 5 dibanderol $5. Setiap kalimat "mengalahkan Opus 5 dengan biaya sekian persen" di postingan OpenAI karenanya diukur terhadap model yang sudah tergantikan di hari yang sama. Itu tidak membuat angkanya salah. Itu hanya membuatnya menjadi angka terakhir yang dipublikasikan, bukan angka yang berlaku saat ini.

TL;DR

Runtime default adalah model yang dipakai Agent Anda ketika tidak ada yang memilih secara eksplisit, dan dalam praktiknya itulah yang terjadi pada sebagian besar eksekusi. Pilih berdasarkan tiga sumbu: biaya per tugas yang selesai, berapa lama ia menangani tugas sebelum membutuhkan Anda, dan apa yang dilakukannya saat macet. Berdasarkan angka yang dipublikasikan, Sol lebih murah per tugas yang selesai, meskipun satu-satunya perbandingan yang dipublikasikan adalah terhadap Opus 5, dan Opus 5.5-lah yang bertahan pada tugas panjang tanpa berhenti. Belum ada yang menguji keduanya secara langsung pada harness yang sama, jadi anggap kedua postingan peluncuran itu sebagai klaim vendor dan buktikan sendiri di repositori Anda.

Apa yang sebenarnya dipublikasikan masing-masing vendor

Anthropic menyatakan Opus 5.5 berbiaya 40% lebih murah untuk dijalankan dibandingkan Opus 5, menghasilkan output sekitar 30% lebih cepat, dan bertahan pada tugas selama 18 jam atau lebih. Output maksimumnya 128k token, dan mode cepat dihargai terpisah di $8 / $40.

OpenAI menyatakan Sol dan Luna masing-masing 50% lebih murah dibandingkan harga promosi GPT-5.6. Kata "promosi" itu berasal dari OpenAI sendiri dan ini penting: perbandingannya adalah terhadap tarif diskon, bukan terhadap tarif resmi GPT-5.6. OpenAI juga mengatakan GPT-6 Astra "tetap menjadi model terbaik kami di semua aspek", sebuah pengingat berguna bahwa Sol adalah tier hemat dari keluarganya sendiri, bukan model unggulan.

Sumbu 1: biaya per tugas yang selesai, bukan biaya per juta token

Harga token hanyalah proksi dari angka yang sebenarnya Anda bayar. Model dengan tarif setengah harga yang butuh tiga kali percobaan justru lebih mahal daripada model yang berhasil dalam sekali jalan. OpenAI mempublikasikan biaya per tugas berdampingan dengan skor, yang cukup jarang dilakukan secara langsung.

Baris pertama itulah yang banyak dikutip orang. Sol pada reasoning extra-high mencetak skor lebih tinggi daripada Claude Opus 5 pada reasoning max dengan biaya hanya sekitar 9% dari biaya per tugas Opus 5. Kalikan $0.27 dengan 11.1 dan Opus 5 pada max menghasilkan sekitar $3 per tugas pada harness tersebut — ini hasil hitungan kami dari dua angka OpenAI, bukan angka yang dicetak OpenAI.

Sekarang terapkan catatan penting tadi. Anthropic menempatkan Opus 5.5 berbiaya 40% lebih murah untuk dijalankan dibandingkan Opus 5, jadi angka $3 itu sudah usang. Angka itu juga tidak serta-merta turun 40%, karena biaya per tugas bergantung pada berapa banyak token yang dihabiskan model untuk mencapainya, bukan hanya pada tarif resminya. Selisih yang dipublikasikan itu besar, salah satu sisinya bergeser di hari yang sama dengan besaran yang dinyatakan, dan belum ada yang mengulang perbandingannya. Jika Anda ingin angka itu untuk basis kode Anda, jalankan perbandingannya di repositori Anda sendiri daripada menunggu lab melakukannya untuk Anda.

Sebagai gambaran skala: OpenAI melaporkan peneliti mediannya menghabiskan lebih dari $600 sehari untuk coding agent, dan persentil ke-90 mencapai $7,000 sehari. Biaya per tugas cepat berhenti menjadi sekadar abstraksi.

Sumbu 2: berapa lama ia menangani tugas

Kedua vendor menjawab masalah yang sama dari sisi yang berbeda.

Anthropic menjawabnya di dalam model. Opus 5.5 bertahan pada tugas selama 18 jam atau lebih. Eksekusi yang melewati jam kerja Anda mengubah cara pengawasan: Anda berhenti mengawasinya dan mulai kembali menghampirinya, dan itu hanya berhasil jika eksekusi tersebut melapor ke suatu tempat yang bukan terminal yang sudah Anda tutup.

OpenAI menjawabnya di lapisan cache. GPT-6 memberi diskon 90% untuk pembacaan input dari cache, meningkatkan hit rate secara default, dan yang penting untuk pekerjaan agent, tidak lagi merusak cache saat Anda mengubah reasoning effort atau kumpulan tools yang tersedia. Breakpoint eksplisit memungkinkan Anda menentukan di mana awalan yang di-cache berakhir. GitHub melaporkan lebih dari 50% pengurangan token prompt yang perlu diproses ulang di miliaran permintaan. Eksekusi agent yang panjang sebagian besar adalah konteks yang sama yang dibaca berkali-kali, jadi ini solusi untuk biaya durasi, bukan solusi durasi.

Gunakan Opus 5.5 sebagai default ketika Tugas tipikal Anda adalah migrasi, refactor berskala luas, atau apa pun yang berhenti di tengah jalan lebih mahal daripada tokennya. Gunakan Sol sebagai default ketika Tugas tipikal Anda terbatas cakupannya, diulang berkali-kali sehari, dan murah untuk dicoba ulang. Sebagian besar tim punya kedua jenis tugas itu, itulah sebabnya default kalah penting dibanding bersikap sengaja terhadap pengecualiannya.

Sumbu 3: apa yang dilakukannya saat macet

Sumbu ini tidak punya benchmark dan justru inilah yang memicu tiket dukungan.

Artificial Analysis, pihak ketiga dan bukan salah satu vendor, mengukur varian reasoning "max" pada 115.2 token output per detik untuk Sol dengan 102.15 detik ke token pertama, dan 153.9 token per detik untuk Luna dengan 124.23 detik. Itu adalah konfigurasi max-effort dan sebaiknya Anda memastikannya dengan daftar terkini sebelum bertaruh padanya. Polanya yang penting: pada reasoning effort tinggi, model murah bukanlah model yang cepat memulai.

Agent yang sedang berpikir selama 102 detik dan agent yang menggantung terlihat sama saja di terminal. Begitu pula agent yang selesai 40 menit lalu dan agent yang berhenti untuk mengajukan pertanyaan yang tak seorang pun lihat. Tidak ada rilis model yang bisa memperbaiki itu. Yang bisa adalah status yang kembali ke Tugas: In Progress, Waiting for human, Failed, Ready for release, lengkap dengan log dan pertanyaannya. Agent meneliti, mengeksekusi, menguji, dan melaporkan. Manusia menentukan arah, memberi wewenang, dan menerima hasilnya.

Beri bagaimana setiap Runtime menandakan kemajuan dan kegagalan bobot yang sama seperti tabel benchmark. Anda akan membaca statusnya seratus kali seminggu dan benchmark-nya sekali.

Jangan menyandingkan kedua tabel benchmark itu

Kedua vendor mempublikasikan angka AutomationBench minggu ini. OpenAI melaporkan Sol pada reasoning extra-high mencetak 33.2% di AutomationBench 1.0.6. Anthropic melaporkan Opus 5.5 pada 40.0% di AutomationBench. Keduanya melaporkan OSWorld 2.0, masing-masing 60.5% dan 81.8%, dan angka OpenAI diambil dari set offline.

Itu bukan perbandingan langsung. Setelan reasoning berbeda, setidaknya satu varian benchmark berbeda, harness berbeda, tidak ada angka biaya per tugas yang sama, dan masing-masing dijalankan oleh pihak yang diuntungkan. Postingan yang membandingkan Opus 5.5 dengan GPT-6 Astra pada angka-angka spesifik itu adalah tweet, bukan data vendor. Artificial Analysis memang mempublikasikan satu indeks bersama, menempatkan Opus 5.5 di 58 dan peringkat pertama dari 212 model, Sol di 48, Luna di 37, dan itu adalah agregat pihak ketiga, bukan pengukuran basis kode Anda.

Keputusan yang tetap bertahan setelah peluncuran berikutnya

Tuliskan default-nya. Bukan sebagai preferensi yang dipegang seseorang, melainkan sebagai aturan yang melekat pada Agent: Agent ini menjalankan Runtime ini, Tugas-tugas ini ditangani olehnya, dan ini Agent yang lebih murah untuk tugas rutin. Kira-kira seperti ini, disimpan di tempat yang dibaca tim:

Default Runtime: Claude Code on claude-opus-5-5
  Tasks: migrations, wide refactors, anything that fails badly halfway
Second Runtime: Codex on gpt-6-sol
  Tasks: bounded, repeated many times a day, cheap to retry
Escalation: a Sol Task that fails twice returns to the Task for a person,
  it does not silently re-run on the expensive Runtime

Itulah yang mengubah model mana untuk tugas mana menjadi throughput, dan itu tetap bertahan setelah peluncuran berikutnya, karena saat jawabannya berubah Anda cukup mengedit satu aturan alih-alih bertanya kepada enam orang apa yang selama ini mereka pakai. Dua lab merilis tier hemat terkuat mereka di hari yang sama dan salah satunya membandingkan dengan model yang sudah usang beberapa jam kemudian. Runtime default yang bisa Anda ubah di satu tempat lebih bernilai daripada memilih dengan tepat minggu ini.

Yang tidak diubah oleh kedua peluncuran itu adalah antreannya. Biaya per tugas yang selesai turun tajam di kedua sisi, sehingga anggaran yang sama sekarang membeli pekerjaan agent yang selesai beberapa kali lebih banyak daripada minggu lalu. Tapi tidak ada tambahan satu jam pun waktu reviewer yang dibeli. Kapasitas review adalah plafonnya, dan penurunan harga justru mendorong volume menabraknya, bukan meredakannya. Jaga agar tujuan, eksekusi, penghambat, diff, dan review manusia tetap terlihat di satu tempat dari permintaan hingga rilis, dan Runtime default pun menjadi sekadar setelan, bukan taruhan.

Sharkly tidak menjalankan modelnya dan tidak memilihkannya untuk Anda. Sharkly adalah lapisan Task, Computer, konteks, dan review bersama di sekitar tools yang menjalankannya. Jika Anda ingin tetap memakai beberapa coding agent alih-alih berkomitmen pada satu ekosistem, itulah masalah yang coba dijawabnya. Hubungkan satu Computer, buat satu Agent di setiap Runtime, dan beri mereka Tugas membosankan yang sama.