GPT-5.5 vs. Claude Opus 4.7: Fürs Coding gibt es keinen pauschalen Sieger

Kurzfazit

Wenn es um bestehende Codebasen, Bugfixes, fehlgeschlagene Tests und kleine, reviewbare Patches geht, sollte Claude Opus 4.7 zuerst auf die Shortlist. Wenn der Schwerpunkt dagegen auf Build-Kommandos, Testläufen, Log-Auswertung und CLI-Automatisierung liegt, ist GPT-5.5 der naheliegende erste Kandidat.

Schnellauswahl nach Aufgabe

Wo Claude Opus 4.7 überzeugender wirkt

Claude Opus 4.7 ist vor allem dann interessant, wenn ein Modell nicht nur neuen Code ausspucken, sondern vorhandenen Code verstehen und gezielt ändern soll. Typische Aufgaben wären: einen fehlgeschlagenen Test lesen, die Ursache eingrenzen, eine kleine Änderung vornehmen und anschließend einen Patch liefern, den ein Mensch tatsächlich reviewen kann.

Der wichtigste öffentliche Hinweis darauf ist SWE-bench Pro. Anthropic bewirbt Claude Opus 4.7 dort mit 64,3 %, und ein Vergleichsbericht stellt GPT-5.5 mit 58,6 % gegenüber Claude Opus 4.7 mit 64,3 % dar. Das ist kein endgültiges Urteil über jede Art von Programmierarbeit, aber ein relevantes Signal für Arbeiten an realistischeren Repository-Aufgaben.

Auch Anthropics eigene Positionierung passt dazu. In den Claude-API-Release-Notes vom 16. April 2026 beschreibt Anthropic Claude Opus 4.7 als sein leistungsfähigstes allgemein verfügbares Modell für komplexes Schlussfolgern und agentisches Coding.

Hinzu kommen Funktionen, die auf längere Agentenläufe zielen. Claude Opus 4.7 führt in der Beta task budgets ein: Dabei bekommt Claude ein grobes Token-Ziel für den gesamten agentischen Ablauf, inklusive Thinking, Tool Calls, Tool-Ergebnissen und finaler Antwort. Das Modell sieht ein laufendes Restbudget und soll seine Arbeit entsprechend priorisieren. Außerdem teilte Anthropic mit, dass Opus-4.7-Nutzer standardmäßig mit xhigh effort arbeiten.

Claude Opus 4.7 sollten Teams daher zuerst prüfen, wenn sie vor allem solche Aufgaben automatisieren wollen:

• Bugs in bestehenden Repositories reproduzieren und beheben
• fehlgeschlagene Tests analysieren und mit minimalem Diff reparieren
• kleine Pull-Request-Patches vorbereiten
• Kontext in größeren Codebasen lesen und vorsichtig ändern

Der Haken: Daraus folgt nicht, dass Claude in jedem Coding-Szenario automatisch vorne liegt. SWE-bench existiert in mehreren Varianten, und es gibt den berechtigten Hinweis, dass Anbieter gerne die Kennzahlen betonen, die ihr Modell am besten aussehen lassen. Die Zahl ist also ein guter Startpunkt für eine Vorauswahl, aber kein Ersatz für Tests am eigenen Code.

Wo GPT-5.5 stärker aussieht

GPT-5.5 zeigt seine Stärke eher dort, wo ein Coding-Agent wie ein Entwickler im Terminal arbeitet: Befehl ausführen, Ausgabe lesen, Hypothese anpassen, nächsten Befehl wählen, wieder testen.

Dafür spricht Terminal-Bench 2.0. VentureBeat führt GPT-5.5 dort mit 82,7 Punkten und Claude Opus 4.7 mit 69,4. Nach der Beschreibung des Benchmarks geht es dabei um komplexe Kommandozeilen-Workflows, die Planung, Iteration und Tool-Koordination erfordern.

Das passt gut zu Aufgaben, bei denen nicht die einzelne Codezeile im Mittelpunkt steht, sondern der gesamte Entwicklungsablauf:

• Build-, Test-, Lint- oder Migrationsbefehle wiederholt ausführen
• Logs und Terminalausgaben auswerten und daraus den nächsten Schritt ableiten
• mehrere CLI-Tools kombinieren, um ein Problem einzugrenzen
• eine Entwicklungsumgebung steuern, statt nur Code zu generieren

Auch hier ist Vorsicht nötig. Ein hoher Wert auf Terminal-Bench 2.0 bedeutet nicht automatisch, dass GPT-5.5 die besseren Pull Requests schreibt oder jede Fehlerbehebung sauberer löst. Terminal-Arbeit und Patch-Qualität überschneiden sich, messen aber nicht exakt dasselbe.

Bei Tool-Nutzung gibt es kein einfaches Schwarz-Weiß

Sobald Browsing und Tool-Aufrufe ins Spiel kommen, wird das Bild gemischt. In OpenAIs GPT-5.5-Materialien liegt GPT-5.5 bei BrowseComp mit 84,4 % vor Claude Opus 4.7 mit 79,3 %. Bei MCP Atlas dreht sich das Verhältnis: GPT-5.5 wird mit 75,3 % angegeben, Claude Opus 4.7 mit 79,1 %.

Darum reicht die Kategorie „kann Tools benutzen“ als Entscheidungskriterium nicht aus. Entscheidend ist, welche Tools und welcher Arbeitsstil wichtig sind: Web-Recherche, lokaler Terminalzugriff, Repository-Bearbeitung, Testausführung oder eine Mischung daraus.

Drei typische Denkfehler bei Benchmarks

Erstens: Ein allgemeines Modellranking ist kein Coding-Ranking. BenchLM führt beispielsweise GPT-5.4 mit 88 Punkten und Claude Opus 4.7 mit 86 Punkten im Overall-Ranking auf; das betrifft aber GPT-5.4, nicht GPT-5.5, und ist keine reine Coding-Bewertung.

Zweitens: SWE-bench Pro allein entscheidet nicht jede Coding-Frage. Die SWE-bench-Familie hat mehrere Varianten, und Anbieter können unterschiedliche Benchmarks hervorheben.

Drittens: Terminal-Benchmarks sind keine vollständigen Codequalitäts-Benchmarks. Terminal-Bench 2.0 ist besonders auf Kommandozeilenplanung, Wiederholung und Tool-Koordination ausgerichtet; ob ein Reviewer den resultierenden Patch wirklich mergen würde, muss separat geprüft werden.

So sollten Teams beide Modelle testen

Öffentliche Benchmarks helfen, Kandidaten zu sortieren. Die endgültige Entscheidung sollte aber im eigenen Repository fallen. Für einen fairen A/B-Test sollten die Rahmenbedingungen möglichst gleich sein:

• gleicher Branch und gleicher Commit als Ausgangspunkt
• gleiche Issue-Beschreibung und gleiche Reproduktionsschritte
• gleiche Testbefehle und Timeouts
• gleiche Tool- und Dateisystemrechte
• gleiches Zeit- oder Token-Budget
• gleiche Review-Kriterien für beide Ergebnisse

Wichtiger als ein abstrakter Score ist die Frage, welches Modell im Alltag weniger Nacharbeit erzeugt. Sinnvolle Bewertungspunkte sind:

• Bestehen die Tests beim ersten Versuch?
• Wie viele Wiederholungen oder menschliche Eingriffe sind nötig?
• Bleibt der Diff klein und nachvollziehbar?
• Entstehen keine neuen Sicherheits-, Performance- oder Typisierungsprobleme?
• Würde ein Reviewer den Patch tatsächlich mergen?
• Passen Kosten und Latenz zur geplanten Nutzung?

Empfehlung

Für klassische Coding-Aufgaben in bestehenden Codebasen — Bug beheben, Tests grün bekommen, Pull Request vorbereiten — ist Claude Opus 4.7 der bessere erste Testkandidat. Der veröffentlichte SWE-bench-Pro-Vergleich fällt zugunsten von Claude Opus 4.7 aus.

Für Terminal-Agenten, die Befehle ausführen, Logs lesen, Builds und Tests wiederholen und CLI-Tools koordinieren, sollte GPT-5.5 zuerst geprüft werden. Terminal-Bench 2.0 zeigt hier deutlich stärkere veröffentlichte Werte für GPT-5.5.

Die pragmatische Kurzform lautet: Für Patch-Arbeit im Repository zuerst Claude Opus 4.7 testen; für Terminal-Automatisierung zuerst GPT-5.5. Die endgültige Wahl sollte das Modell sein, das im gleichen Repository häufiger grüne Tests liefert und mit weniger Nacharbeit mergefähigen Code produziert.