25.05.2025 AI Engineering 5 Minuten Lesezeit

Claude 4 und mehrstündige Coding-Aufgaben

Claude Opus 4 und Claude Sonnet 4, veröffentlicht am 22. Mai 2025, verlängern den nutzbaren Coding-Horizont von Minuten auf Stunden: 72,5 % auf SWE-bench Verified, Extended Thinking mit Tool-Nutzung, Memory-Dateien und ein siebenstündiger autonomer Refactor bei Rakuten. Wir analysieren, was sich für Engineering-Teams ändert — und wo menschliches Review bleiben muss.

Die Kohärenzgrenze

KI-Coding-Assistenten hatten bislang eine harte Grenze, die in keiner Benchmark-Tabelle auftaucht: Kohärenz über Zeit. Anthropics Alex Albert nennt eine Zahl — frühere Claude-Modelle lieferten etwa ein bis zwei Stunden lang brauchbaren, selbstreferenzierenden Output, bevor die Fehlerrate stieg. Ein begrenzter Bugfix passt in dieses Fenster. Ein querschneidender Refactor, eine Migration oder ein Feature über viele Dateien nicht.

Diese Grenze prägte die Nutzung. Teams setzten Modelle als Autocomplete oder als Pair-Programmer für Minuten ein — nicht als Kollegen, die Tagesarbeit übernehmen. Long-Horizon-Coding, also Aufgaben mit Tausenden abhängigen Schritten und wachsendem Zustand, blieb ein menschliches Monopol. Claude 4 ist Anthropics direkter Angriff auf diese Grenze.

Eine Anfrage kommt an — der Router stuft die Schwierigkeit ein. 1/4

Was Anthropic am 22. Mai liefert

Am 22. Mai 2025 hat Anthropic auf seiner ersten Entwicklerkonferenz Claude Opus 4 und Claude Sonnet 4 veröffentlicht. Beide sind hybride Reasoning-Modelle mit zwei Modi: nahezu sofortige Antworten und Extended Thinking. Die Preise bleiben unverändert — Opus 4 kostet 15/75 US-Dollar pro Million Input-/Output-Tokens, Sonnet 4 3/15 US-Dollar. Beide Modelle sind über die Anthropic-API, Amazon Bedrock und Google Cloud Vertex AI verfügbar.

Das Tooling kam mit. Claude Code wechselte von der Preview in die allgemeine Verfügbarkeit, mit Integrationen für VS Code und JetBrains, einer GitHub-Actions-Beta und einem SDK für eigene Agenten. GitHub kündigte Sonnet 4 als Basismodell für den neuen Coding-Agenten in Copilot an. Die Positionierung ist eindeutig: Modelle für Agenten, die arbeiten — nicht Chatbots, die antworten.

Benchmarks richtig lesen

Opus 4 erreicht 72,5 % auf SWE-bench Verified und 43,2 % auf Terminal-bench; Sonnet 4 kommt auf 72,7 % auf SWE-bench Verified. Das Scaffold ist bewusst minimal — ein Bash-Tool und ein Datei-Editor auf Basis von String-Ersetzungen, gewertet über alle 500 Aufgaben. Mit parallelem Test-Time-Compute und Best-of-N-Auswahl steigen die Werte auf 79,4 % und 80,2 %.

Was die Zahlen nicht sagen: SWE-bench-Aufgaben sind begrenzte Issues in einem einzelnen Repository mit vorhandenen Referenztests. Der Benchmark misst weder Acht-Stunden-Horizonte noch mehrdeutige Anforderungen noch die Kosten eines subtil falschen Merges. Lesen Sie die Werte als Reifegrad tool-gestützten Editierens — nicht als Beleg für Autonomie.

	Claude Opus 4	Claude Sonnet 4
SWE-bench Verified	72,5 %	72,7 %
SWE-bench Verified (paralleles Test-Time-Compute)	79,4 %	80,2 %
Preis pro 1 Mio. Tokens (Input / Output)	15 $ / 75 $	3 $ / 15 $
Deployment-Standard (System Card)	ASL-3	ASL-2

Extended Thinking mit Tool-Nutzung

Die folgenreichste API-Änderung ist Extended Thinking mit Tool-Nutzung, ausgeliefert als Beta. Beide Modelle können während der Reasoning-Phase Tools aufrufen — Websuche, Code-Ausführung, per Model Context Protocol angebundene Systeme — und wechseln zwischen Denken und Handeln, statt sich auf einen vorab festgelegten Plan festzulegen. Kombiniert mit paralleler Tool-Ausführung kann ein Agent Belege mitten im Gedankengang sammeln, statt zu raten.

Zwei Mechanismen stützen lange Aufgaben. Memory-Dateien: Mit lokalem Dateizugriff legen die Modelle eigene Notizen an und halten damit Zustand über Stunden. Thinking Summaries: Ein kleineres Modell fasst lange Reasoning-Traces zusammen; laut Anthropic sind nur rund 5 % der Traces lang genug, um die Zusammenfassung auszulösen, und ein Developer Mode liefert auf Wunsch die vollständigen Traces.

Sieben Stunden autonome Arbeit

Die zentrale Validierung des Launches stammt von Rakuten: Opus 4 lief dort sieben Stunden eigenständig auf einem anspruchsvollen Open-Source-Refactor — mit stabiler Leistung. Anthropic beschreibt kontinuierliche Arbeit über Tausende Schritte. Gegenüber der bisherigen Grenze von ein bis zwei Stunden ist das grob eine Vervierfachung des nutzbaren Horizonts.

Die Einordnung gehört dazu. Es ist ein einzelner veröffentlichter Datenpunkt, von einem Launch-Partner, auf einer Aufgabe. Sieben Stunden Aktivität sind nicht sieben Stunden korrekter Entscheidungen; der resultierende Diff brauchte weiterhin Engineering-Review. Und die Ökonomie ist real: Bei 75 US-Dollar pro Million Output-Tokens ist eine Opus-4-Session über einen ganzen Nachmittag kein Randkostenposten. Genau für diesen Trade-off gibt es Sonnet 4.

Vom Werkzeug zum Kollegen

Ein Modell, das Kontext über Stunden hält, ändert das Interaktionsmuster. Sie prompten nicht mehr, Sie delegieren: eine Aufgabenbeschreibung in Ticket-Qualität schreiben, Abnahmekriterien definieren, einen Branch übergeben, das Ergebnis reviewen. So arbeitet man einen Junior-Kollegen ein — so bedient man keine Completion-Engine. In unserer eigenen Projektarbeit strukturieren wir Agentenaufgaben exakt wie Tickets: Scope, Constraints, Definition of Done.

Zwei Modelleigenschaften machen Delegation vertretbarer als zuvor. Anthropic berichtet, dass beide Modelle auf anfälligen agentischen Aufgaben 65 % seltener Abkürzungen nehmen oder Schlupflöcher ausnutzen als Sonnet 3.7. Und die Steuerbarkeit ist verbessert, Vorgaben zur Vorgehensweise werden präziser befolgt. Was Delegation nicht abnimmt, ist die Pflicht zu spezifizieren. Ein vages Ticket erzeugt eine plausible falsche Lösung — bei Modellen wie bei Menschen.

Wo menschliches Review bleibt

Unsere Position ist an vier Punkten fest. Architektur- und Schnittstellenentscheidungen bleiben menschlich, weil sie Absichten kodieren, die keine Testsuite erfasst. Sicherheitsrelevanter Code und Änderungen an Abhängigkeiten bleiben menschlich. Alles mit regulatorischen oder datenschutzrechtlichen Folgen bleibt menschlich. Und die Merge-Verantwortung bleibt menschlich, weil ein Modell nicht haftbar sein kann.

Die System Card stützt die Vorsicht. Anthropic deployt Opus 4 unter dem AI-Safety-Level-3-Standard — als erstes Claude-Modell unter ASL-3-Schutzmaßnahmen — und Sonnet 4 unter ASL-2. Reward Hacking ist reduziert, nicht eliminiert. Ein Sieben-Stunden-Lauf erzeugt einen Diff, bei dessen Entstehung niemand zugesehen hat; Review verschiebt sich deshalb vom Lesen jeder Zeile hin zu Verträgen, die laut scheitern — Tests, die der Agent nicht anfassen darf, Property-Checks, CI-Gates und Budgets für Diff-Größen.

Ausblick vom Mai 2025

Geschrieben in der Woche des Releases, ist unsere Erwartung diese: Der nutzbare Horizont dehnt sich weiter, von Stunden Richtung Arbeitstagen innerhalb von ein bis zwei Modellgenerationen. Der Engpass wandert dann von der Generierung zur Verifikation. Teams, die präzise spezifizieren und mechanisch verifizieren können, realisieren die Gewinne; Review-Kapazität wird zur knappen Ressource, nicht Modellzugang.

Wir erwarten außerdem, dass die Kollegen-Metapher wörtlich wird: persistente Memory-Dateien, stehender Repository-Zugriff über das Model Context Protocol, Task-Queues statt Chat-Fenster. Manches davon wird später und unordentlicher ankommen, als ein Launch-Tag suggeriert. Aber die Richtung seit dem 22. Mai 2025 steht fest. Mehrstündige Softwarearbeit ist kein menschliches Monopol mehr — und die Teams, die sie gut reviewen lernen, entscheiden, was sie wert ist.