Falls du lieber liest als das ganze Video schaust: Hier ist mein Zwischenstand nach mehreren Tagen mit Claude Fable 5 und GPT-5.6 Sol.
Ich wollte die Modelle nicht mit einem isolierten Prompt vergleichen. Im Video arbeite ich an einem echten Pull Request für das Meeting Metrics MCP, prüfe eine bestehende Codebase und plane Browser-Tests mit mehreren Subagenten. Dabei sieht man auch Rückfragen, Fehler und ein Usage-Limit, das schneller erreicht war als erwartet.
Die Aufgabe: ein MCP prüfen und Browser-Tests planen
Das Meeting Metrics MCP soll Abonnenten ermöglichen, ihre Daten und Funktionen mit Claude, Claude Code oder ChatGPT zu verbinden. Zum Zeitpunkt der Aufnahme umfasste der Pull Request 16 Read-Tools, sechs Write-Tools und einen Authentifizierungsmechanismus. Der Agent sollte den Pull Request in einem eigenen Worktree untersuchen, lokal testen und Verbesserungen vorschlagen.
Parallel ging es um einen priorisierten Plan für eine vollständigere Browser-Test-Suite. Dafür sollte Fable sechs Research-Agenten koordinieren: je zwei mit Grok, GPT-5.6 Sol und Opus. Vor dem Start prüfte Fable die bestehende Testlandschaft und fragte unter anderem nach dem gewünschten Framework, den abzudeckenden Bereichen und dem erwarteten Ergebnis.
Fable versteht den Intent und verteilt die Arbeit
Fable hat in dieser Session besonders gut verstanden, worauf ich mit einem nicht ganz perfekten gesprochenen Prompt hinauswollte. Selbst falsch transkribierte Produktnamen waren kein ernstes Problem. Das Modell richtete den Worktree ein, stellte konkrete Rückfragen und zerlegte die Recherche anschliessend in passende Teilaufgaben.
Darin liegt für mich seine stärkste Rolle. Das teure Modell muss nicht jede Datei selbst lesen. Es kann Grok, GPT oder Opus als Worker einsetzen, deren Resultate zusammenführen und Widersprüche sichtbar machen. Auch bei Texten und Produktideen überzeugt mich Fable derzeit stärker als andere Modelle. Es ist allerdings teuer und eher langsam. Als universeller Worker wäre es deshalb keine effiziente Wahl.
GPT-5.6 Sol arbeitet hartnäckig weiter
GPT-5.6 Sol spielt seine Stärke aus, wenn Aufgabe und Ziel klar sind. Das Modell probiert Alternativen, arbeitet lange weiter und findet oft einen Weg zum Resultat. Die Oberfläche finde ich ebenfalls übersichtlicher: Subagenten, Browser-Previews und Background Commands sind gut sichtbar.
Beim Orchestrieren braucht das Setup noch Kontrolle. In einem früheren Lauf mit Ultra Reasoning startete Sol sehr viele eigene Subagenten mit derselben hohen Reasoning-Stufe. Dadurch war mein Kontingent nach ungefähr 20 Minuten aufgebraucht. Mit kurzer oder hoher statt maximaler Reasoning-Stufe blieb die Usage in den folgenden Sessions deutlich besser kontrollierbar. Die Reasoning-Stufe ist für mich deshalb Teil der Systemarchitektur und kein Regler, den man pauschal auf Maximum stellt.
Grok und Opus als Worker und Gegenstimme
Grok war bei der Recherche in der Aufnahme zuerst fertig. Ich nutze es gerne für schnelle, kosteneffiziente Recherche und Codearbeit. Opus ist langsamer und teurer, liefert dafür eine unabhängige Einschätzung. Als das Video endete, waren die Grok- und Opus-Berichte vorhanden; die GPT-Sol-Agenten liefen noch. Der endgültige Testplan war damit noch nicht abgeschlossen.
Ein solcher Vergleich ist nützlicher als ein pauschales Modellranking. Mehrere Agenten können dieselbe Frage aus verschiedenen Blickwinkeln prüfen. Der Orchestrator erkennt, wo sie übereinstimmen und wo ein menschlicher Review nötig bleibt.
Mein aktuelles Rollenmodell
- Fable: Orchestrierung, Intent-Verständnis, Planung und Synthese
- GPT-5.6 Sol: lange, klar definierte Ausführungsaufgaben und Tool-Nutzung
- Grok: schnelle Recherche und Codeanalyse
- Opus: anspruchsvolle zweite Meinung und Qualitätskontrolle
Das ist eine Momentaufnahme. Modelle, Kosten und Limits ändern sich schnell. Entscheidend ist für mich kein einzelner Gewinner, sondern ein Workflow mit klaren Rollen, sichtbaren Zwischenergebnissen, Usage-Grenzen und menschlichem Review.
