TIMETOACT LLM Benchmarks Juli 2026

Eines der relevantesten Updates in diesem Monat ist die Verbesserung von GPT-5.5 Instant.

Im aktuellen Benchmark erreicht GPT-5.5 Instant einen Final Score von 95. Damit liegt es auf demselben Score-Niveau wie die Spitzengruppe unterhalb des manuellen GPT o1-pro-Laufs, und zwei Punkte über GPT-5.3 Chat Latest, das derzeit 93 erreicht.

Das ist wichtig, weil „Instant"-Modelle üblicherweise nicht nur nach reiner Qualität bewertet werden, sondern auch nach ihrer Nützlichkeit in realen Produktivsystemen: Antwortzeit, Kosten, Zuverlässigkeit und Eignung für High-Volume-Workflows. Ein Modell, das Top-Tier-Benchmark-Qualität erreicht und dabei vergleichsweise praxistauglich bleibt, ist für die Enterprise-Adoption oft interessanter als ein Premium-Modell, das nur für ausgewählte High-Value-Aufgaben geeignet ist.

Das Ergebnis bestätigt einen breiteren Trend: OpenAI verfügt weiterhin über ein sehr starkes Portfolio, aber die Entscheidung zwischen den OpenAI-Modellen ist nicht mehr eindeutig. Die beste Wahl hängt vom Workload-Typ, den Latenzanforderungen, der Kostensensitivität und davon ab, wie viel Reasoning-Qualität tatsächlich benötigt wird.

Ein weiteres interessantes Ergebnis liefert Claude Fable 5 (Reasoning Max).

Wir konnten das Modell testen, bevor es deaktiviert wurde. In unserem Benchmark erreichte es einen Final Score von 90 und damit Platz 12 insgesamt. Das ist ein starkes Ergebnis, insbesondere in einem Benchmark, der sich auf praxisnahe Enterprise-Fähigkeiten wie Coding, CRM, Dokumentenarbeit, Integrationen, Marketing-Aufgaben und Reasoning innerhalb des bereitgestellten Kontexts konzentriert.

Die Verfügbarkeitsfrage ist jedoch relevant. Für den Enterprise-Einsatz wird ein Modell nicht nur danach beurteilt, wie gut es in einem Benchmark abschneidet. Es muss auch verfügbar, stabil und vorhersehbar genug sein, um Systeme darauf aufzubauen. Claude Fable 5 ist daher ein interessanter Datenpunkt, aber noch keine verlässliche Option für die Produktionsplanung.

Fugu Ultra ist eine der ungewöhnlicheren Ergänzungen in diesem Monat.

Das Modell verfolgt einen router-basierten Ansatz. Statt sich auf ein einzelnes Modell zu verlassen, verteilt es Arbeit an leistungsstarke Frontier-LLMs und weist ihnen unterschiedliche Rollen zu, etwa Thinker, Worker und Verifier. Der Gedanke ist nachvollziehbar: Wenn verschiedene Modelle unterschiedliche Stärken haben, sollte die Orchestrierung theoretisch bessere Ergebnisse liefern.

In unserem Enterprise-Benchmark erreicht Fugu Ultra einen Final Score von 95, was eindeutig stark ist. Das praktische Bild ist jedoch weniger überzeugend. Die geschätzten Benchmark-Kosten liegen bei 67,46 €, bei einer Geschwindigkeit von nur 0,04 Anfragen pro Sekunde.

Das Ergebnis ist also technisch interessant, aber wirtschaftlich schwierig. Bei Business-Workloads performt Fugu Ultra ungefähr wie starke Frontier-Modelle, kostet dabei aber deutlich mehr. Für Experimente, Forschung und ausgewählte komplexe Workflows ist diese Art von Multi-Modell-Orchestrierung beobachtenswert. Für einen breiten Enterprise-Einsatz ist das Kosten-Nutzen-Verhältnis derzeit schwer zu rechtfertigen.

Auch Claude Sonnet 5 verdient Beachtung.

Die besten Claude-Sonnet-5-Konfigurationen erreichen einen Final Score von 86. In der Gesamttabelle liegt der stärkste Sonnet-5-Lauf auf Platz 25; ohne den manuellen GPT o1-pro-Lauf effektiv auf Platz 24. Das ist kein Top-Tier-Ergebnis, aber eine deutliche Verbesserung gegenüber Claude Sonnet 4.6, das 71 erreichte.

Das ist relevant, weil die Sonnet-Linie nach Claude 3.5 Sonnet v1 in unseren Benchmarks eher enttäuschend war. Spätere Sonnet-Versionen schnitten bei unseren Enterprise-Workloads oft schwächer ab als erwartet. Mit Sonnet 5 scheint Anthropic wieder an Qualität gewonnen zu haben.

Das Modell fordert die Spitzengruppe in unserem Benchmark weiterhin nicht heraus, aber die Richtung stimmt. Für Teams, die Claude bereits in dokumentenlastigen oder workflow-orientierten Anwendungsfällen einsetzen, lohnt es sich, Sonnet 5 gegen die eigenen Workloads erneut zu testen.

Das Juli-Update bestätigt die zentrale Erkenntnis aus dem Juni-Benchmark: Die beste Modellstrategie besteht nicht einfach darin, das bestplatzierte Modell zu wählen.

GPT-5.5 Instant zeigt, dass hochwertige Modelle für den alltäglichen Enterprise-Einsatz praxistauglicher werden können. Claude Fable 5 zeigt, dass starke Modelle kurzzeitig auftauchen, aber am Verfügbarkeitstest scheitern können. Fugu Ultra zeigt, dass Orchestrierung starke Ergebnisse liefern kann, Kosten und Geschwindigkeit aber einen Großteil des praktischen Nutzens zunichtemachen können. Claude Sonnet 5 zeigt, dass sich Modellfamilien nach schwächeren Generationen erholen können.

Für Unternehmen bedeutet das, Modellauswahl als Teil der KI-Architektur zu behandeln:

• starke Frontier-Modelle für High-Risk- und High-Value-Aufgaben einsetzen;
• günstigere, leistungsstarke Modelle für Volumen-Workloads nutzen;
• jedes ernstzunehmende Modell an den eigenen Geschäftsprozessen benchmarken;
• Kosten, Geschwindigkeit und Verfügbarkeit in die Entscheidung einbeziehen;
• und Routing zwischen Modellen als Optimierungswerkzeug behandeln, nicht als magische Lösung.

Der Markt entwickelt sich schnell weiter, aber die erfolgreiche Enterprise-Strategie bleibt dieselbe: Modelle an realen Workloads testen, die Gesamtbetriebskosten vergleichen und die Architektur wählen, die zum Geschäftsprozess passt.