Fable ist wieder verfügbar. Nach Wochen, in denen der politische Eingriff in die Modell-Verfügbarkeit und die Frage nach europäischer Souveränität die Diskussion bestimmt haben, kann ich mit dem stärksten Modell der Claude-Familie wieder arbeiten. Die interessanteste Erkenntnis aus meinen ersten Tagen damit ist aber eine ganz andere: Dieses Modell verändert nicht primär, was wir mit KI machen können. Es verändert, wie wir arbeiten.

Ein Task, der bisher fünf Minuten gedauert hat, dauert jetzt auch mal 30. Das klingt zunächst nach einem Rückschritt. Tatsächlich steckt darin die wichtigste Verschiebung, die ich gerade in der täglichen Arbeit mit KI beobachte: Arbeit mit KI bedeutet nicht automatisch schneller und günstiger. Manchmal bedeutet sie langsamer und teurer. Und genau daran müssen sich Organisationen jetzt gewöhnen.

Die Rückkehr kommt mit Fußnoten

Kurz zur Einordnung: Mitte Juni waren Fable und Mythos infolge einer US-Export-Direktive zeitweise nicht verfügbar. Die Debatte darüber, was es für Europa bedeutet, wenn Modell-Zugang zum außenpolitischen Instrument wird, ist seitdem bis auf Regierungsebene gelaufen. Diese Souveränitätsfrage ist ein eigenes Thema, das uns noch lange begleiten wird.

Jetzt ist das Modell zurück, allerdings nicht exakt in dem Zustand, in dem es verschwunden ist. In meiner täglichen Arbeit fällt auf, dass das System in bestimmten Bereichen schneller auf Opus 4.8 zurückfällt als vorher. Ob dahinter Kapazitätssteuerung, Vorsicht oder eine Produktentscheidung steckt, lässt sich von außen nicht beurteilen.

Wichtiger als die Ursache ist der Befund dahinter: Solche Anpassungen ohne Ankündigung gehören inzwischen zum Normalbetrieb. Wer KI produktiv im Unternehmen einsetzt, plant nicht mehr mit einem statischen Werkzeug, sondern mit einem Dienst, der sich regelmäßig verändert.

Vom Fünf-Minuten-Task zum 30-Minuten-Task

Die eigentliche Beobachtung ist eine andere. Fable arbeitet an denselben Aufgaben signifikant länger als Opus 4.8. Nicht weil es träge wäre, sondern weil es länger selbständig arbeitet: mehr Zwischenschritte, mehr eigene Kontrolle, mehr Recherche, bevor ein Ergebnis zurückkommt. Aus einem Fünf-Minuten-Task wird so in meiner Praxis regelmäßig ein 30-Minuten-Task.

Das verändert den Arbeitsrhythmus grundlegend. Wer vor einem laufenden 30-Minuten-Task sitzt und wartet, verschwendet seine eigene Zeit. Also starte ich mehrere Aufgaben parallel. Genauer gesagt: Ich muss parallelisieren, sonst entsteht Leerlauf, während die Maschine arbeitet.

Damit verschiebt sich die eigene Rolle. Aus dem Dialog mit einem Assistenten wird die Steuerung mehrerer gleichzeitiger Arbeitsstränge: Aufträge formulieren, wegschicken, zwischendurch anderer Arbeit nachgehen, später abnehmen. Das ist näher an der Arbeit einer Führungskraft mit mehreren Mitarbeitern als an der Bedienung eines Tools. Und es will gelernt sein, denn die meisten von uns haben ihren Arbeitstag nie um wartende Hintergrundprozesse herum organisiert.

Wenn man einen Schritt zurücktritt, ist das die konsequente Fortsetzung einer Linie, die sich seit Jahren abzeichnet. Erst hat KI einzelne Sätze vervollständigt, dann ganze Antworten im Chat geliefert, jetzt übernimmt sie zusammenhängende Arbeitspakete über eine halbe Stunde. Mit jeder Generation wandert der Schwerpunkt weiter von Interaktion zu Delegation. Wer seine Arbeitsweise noch auf die Chat-Phase ausgerichtet hat, arbeitet bereits gegen das Werkzeug statt mit ihm.

In der Praxis heißt das auch: Der eigene Kalender braucht eine andere Struktur. Lange Läufe stößt man sinnvollerweise vor Meetings, vor der Mittagspause oder am Ende eines Arbeitsblocks an, damit die Wartezeit in ohnehin belegte Zeit fällt. Wer das nicht plant, erlebt ein neues, fast absurdes Phänomen: Leerlauf, weil die Maschine gerade die eigene Arbeit macht.

Lange Laufzeit ist kein Qualitätsbeweis

Jetzt die unbequeme Hälfte der Beobachtung. Ein Modell, das 30 Minuten arbeitet, liefert nicht automatisch ein korrektes Ergebnis. Ich erlebe regelmäßig, dass nach langer Laufzeit ein Resultat zurückkommt, das inhaltlich nicht stimmt oder am Auftrag vorbeigeht. Dann ist nicht ein Fünf-Minuten-Versuch verloren, sondern eine halbe Stunde Rechenzeit plus die eigene Zeit für Prüfung und Nacharbeit.

Dazu kommt die Kostenseite. Fable verbraucht deutlich mehr Token und belastet das Usage-Volumen meiner Subscription spürbar. Die Rechnung verändert sich damit fundamental: Bei einem schnellen, günstigen Modell ist ein Fehlversuch billig. Bei einem langsamen, teuren Modell wird jeder unpräzise Auftrag zur teuren Wette.

Daraus folgt ein Arbeitsschritt, der in vielen KI-Diskussionen unterschlagen wird: die Abnahme. Ergebnisse aus langen autonomen Läufen brauchen eine echte Prüfung, keine Sichtkontrolle im Vorbeigehen. Wer vorab definiert, woran ein brauchbares Ergebnis zu erkennen ist, prüft in Minuten. Wer es nicht tut, merkt den Ausschuss erst, wenn er weiterverarbeitet wurde, und dann wird es wirklich teuer.

Für Unternehmen heißt das: Die Frage, welches Modell für welche Aufgabe läuft, ist keine Techniker-Präferenz mehr. Sie ist eine Entscheidung über Zeit, Kosten und Fehlerrisiko, also eine Management-Entscheidung.

Mein Alltagsmodell bleibt Opus 4.8

Aus dieser Rechnung ziehe ich eine klare Konsequenz. Mein Brot-und-Butter-Modell bleibt aktuell Opus 4.8: schnell, performant und im Rahmen der Subscription ausreichend verfügbar. Der Großteil meiner täglichen Arbeit, von Recherche über Dokumente bis zu Routineaufgaben, läuft damit schlicht wirtschaftlicher.

Fable setze ich gezielt ein, für Aufgaben, die die zusätzliche Tiefe wirklich brauchen. Und dann mit einer ordentlichen Auftragsbeschreibung: sauberer Kontext, klare Anforderungen, definierte Abnahmekriterien. Je länger ein Modell autonom arbeitet, desto stärker entscheidet die Qualität des Auftrags über die Qualität des Ergebnisses. Ein unscharfer Zweizeiler, der bei einem schnellen Modell noch als Iteration durchgeht, produziert bei einem 30-Minuten-Lauf teuren Ausschuss.

Das Muster dahinter kennen wir aus der Arbeitswelt: Einem erfahrenen Mitarbeiter, der eine halbe Stunde konzentriert an etwas arbeitet, gibt niemand eine hingeworfene Halbinstruktion. Genau diese Sorgfalt wandert jetzt in die Zusammenarbeit mit den stärksten Modellen.

Bei der Bewertung hilft eine einfache Verschiebung der Messgröße. Entscheidend sind nicht die Kosten pro Anfrage oder pro Minute Laufzeit, sondern die Kosten pro brauchbarem Ergebnis, inklusive der eigenen Zeit für Auftrag, Prüfung und Nacharbeit. In dieser Rechnung gewinnt das Spitzenmodell nur dort, wo seine Tiefe den Mehraufwand tatsächlich hereinholt. Überall sonst bleibt das schnelle Alltagsmodell die wirtschaftlichere Wahl.

Der Agent arbeitet fünf Minuten, der Kunde meldet einen Fehler

Wie ungewohnt diese neue Zeitrechnung ist, habe ich kürzlich bei einem Kunden erlebt. Ich habe dort einen Agenten ausgeliefert, der Rechnungen und Lieferscheine gegeneinander prüft und Abweichungen aufdeckt. Kurz nach dem Start kam die Rückmeldung, der Agent sei fehlerhaft: Er rechne so lange, er hänge sich auf.

Tatsächlich hat der Agent fünf Minuten gearbeitet, für einen vollständigen Abgleich mehrerer Dokumente. Eine komplexe Prüfaufgabe, die diese Zeit auch haben darf. Der vermeintliche Fehler war keine Fehlfunktion, sondern eine gebrochene Erwartung: Die Nutzer haben mit Chat-KI gelernt, dass Antworten in Sekunden erscheinen. Ein Agent, der minutenlang still arbeitet, passt nicht in dieses Bild.

Die Lehre daraus nehme ich in jeden Rollout mit. Erwartungsmanagement ist Teil der Auslieferung: sagen, wie lange ein Lauf dauert, woran man Fortschritt erkennt und warum die Wartezeit der Preis für ein belastbares Ergebnis ist. Sonst wird jede Minute Laufzeit als Absturz gelesen und das Vertrauen in ein funktionierendes System erodiert an der falschen Stelle.

Interessant ist dabei die Parallele zur eigenen Erfahrung mit Fable. Mir geht es mit dem neuen Modell nicht anders als dem Kunden mit seinem Agenten: Ein System, das plötzlich sechsmal länger arbeitet, fühlt sich zunächst falsch an, selbst wenn das Ergebnis besser wird. Diese Irritation ist keine Schwäche der Nutzer, sondern eine normale Reaktion auf ein Werkzeug, das seine Spielregeln ändert. Umso wichtiger, dass jemand die neuen Spielregeln erklärt.

Anpassung ist der Dauerzustand, nicht die Ausnahme

Beide Geschichten, das neue Modell und der vermeintlich hängende Agent, erzählen dieselbe Verschiebung aus zwei Blickwinkeln. Jedes Modell und jeder Agent verändert gerade unsere Arbeitsweise und wir passen uns an. Wer heute Arbeitsabläufe um ein bestimmtes Modellverhalten herum baut, sollte einplanen, dass sich dieses Verhalten in Monaten wieder ändert: in der Geschwindigkeit, in der Verfügbarkeit, im Preis.

Dazu gehört auch eine Ehrlichkeit, die in der aktuellen KI-Begeisterung selten ausgesprochen wird. Arbeit mit KI bedeutet nicht immer schneller, günstiger oder gar kostenlos. Sie bedeutet manchmal langsamer und teurer. Und es wird Bereiche geben, in denen wir am Ende feststellen, dass menschliche Arbeit effizienter ist als der Umweg über die Maschine. Das anzuerkennen ist kein Rückschritt, sondern die Voraussetzung dafür, KI dort einzusetzen, wo sie sich tatsächlich rechnet.

Ein Teil davon ist schlicht Gewöhnung. So wie sich Organisationen einmal an E-Mail, an Videocalls und an geteilte Dokumente gewöhnt haben, gewöhnen wir uns jetzt an Systeme, die selbständig arbeiten, unterschiedlich schnell antworten und unterschiedlich viel kosten. Diese Gewöhnung lässt sich nicht verordnen, aber sie lässt sich organisieren: durch klare Zuständigkeiten, durch geteilte Erfahrungen im Team und durch Führungskräfte, die den Wandel selbst vorleben statt ihn nur anzukündigen.

Was sich daraus für die Praxis ergibt:

→ Modell-Portfolio bewusst steuern: ein wirtschaftliches Alltagsmodell für die Masse der Aufgaben, das Spitzenmodell gezielt für Tiefe. Pro Aufgabentyp entscheiden, nicht pauschal.

→ Aufträge wie Arbeitspakete formulieren: Kontext, Anforderungen, Abnahmekriterien. Je autonomer und länger das Modell arbeitet, desto mehr zahlt sich diese Vorarbeit aus.

→ Parallelität in den eigenen Tag einbauen: lange Läufe anstoßen und die Zwischenzeit produktiv nutzen, statt auf Fortschrittsbalken zu starren.

→ Erwartungen aktiv kalibrieren: im eigenen Team und beim Kunden. Laufzeit erklären, Fortschritt sichtbar machen, Wartezeit als Qualitätsmerkmal einordnen.

→ Kosten und Nutzen pro Aufgabentyp messen: inklusive der eigenen Prüf- und Nacharbeitszeit. Erst diese Gesamtrechnung zeigt, wo KI wirklich Effizienz bringt.

Die Rückkehr von Fable ist eine gute Nachricht. Die bessere Nachricht ist, was sich daran lernen lässt: Wer die Arbeit mit KI als laufenden Anpassungsprozess begreift, statt als einmalige Effizienz-Entscheidung, ist auf die nächste Verschiebung vorbereitet. Sie kommt bestimmt.