Fable 5 als Chef, OpenAIs neues Sol als Arbeiter: mein Orchestrator-Setup

OpenAI hat am 9. Juli seine neue Modellfamilie GPT-5.6 für alle freigeschaltet. Drei Modelle auf einen Schlag, und das spannendste daran ist nicht der Benchmark, sondern der Preis. Ich habe mein Setup deshalb umgebaut: Claude Fable 5 bleibt der Chef, der plant und kontrolliert. Die neuen OpenAI-Modelle machen als Arbeiter die Massenarbeit. Hier ist, wie das funktioniert und was die drei Neuen überhaupt können.

Die Kurzvorstellung: Sol, Terra und Luna

OpenAI hat mit GPT-5.6 ein neues Namensschema eingeführt. Die Zahl steht für die Generation, die Namen für dauerhafte Leistungsstufen:

Sol hat eine ungewöhnliche Geschichte hinter sich: Zwei Wochen lang durften es nur rund 20 Partnerorganisationen nutzen, die von der US-Regierung freigegeben waren. Grund waren die Cyber-Fähigkeiten des Modells, die vor der Veröffentlichung ein staatliches Sicherheitsreview durchlaufen mussten. Das gab es bei einem kommerziellen KI-Modell vorher noch nie. Seit dem 9. Juli ist Sol regulär in ChatGPT, Codex und der API verfügbar.

Zu den Leistungsdaten ein ehrliches Wort. OpenAI meldet für Sol 88,8 Prozent auf dem Terminal-Bench 2.1, im neuen Ultra-Modus sogar 91,9 Prozent. Sam Altman spricht von 54 Prozent besserer Token-Effizienz beim Coding. Das sind starke Zahlen, aber es sind bisher ausschließlich OpenAIs eigene Zahlen. Auf Reddit wird bereits angezweifelt, ob das Modell auf genau diese Benchmarks hin trainiert wurde. Unabhängige Tests stehen noch aus. Für mein Setup ist das aber fast egal, gleich siehst du warum.

Warum Chef und Arbeiter trennen

Die Logik kennst du vielleicht schon aus meinem Artikel zum Advisor- und Orchestrator-Muster: Dein bestes Modell soll denken, nicht Fließbandarbeit machen. Fable 5 ist Anthropics teuerstes Modell. Wer es den ganzen Tag Boilerplate tippen lässt, verbrennt Limit für Arbeit, die ein günstigeres Modell genauso erledigt.

Bisher habe ich als Arbeiter Sonnet-Subagents in Claude Code benutzt. Mit GPT-5.6 kommt eine zweite Option dazu, die preislich interessant ist: Luna kostet 1 Dollar pro Million Input-Tokens. Und weil die Executor-Aufgaben klar umrissen sind (baue Feature X nach dieser Vorgabe, schreib Tests für Y), braucht der Arbeiter gar nicht das tiefe Urteilsvermögen des Chefs. Er braucht eine präzise Anweisung. Die schreibt Fable.

Der zweite Grund ist praktischer: Abo-Limits. Mein Claude-Limit und mein ChatGPT-Limit sind zwei getrennte Töpfe. Wenn die Executor-Arbeit auf OpenAI läuft, bleibt mein Claude-Limit fast komplett fürs Planen und Reviewen übrig. An vollen Arbeitstagen macht das den Unterschied, ob ich abends noch Limit habe oder nicht.

Das Setup: das offizielle Codex-Plugin für Claude Code

Für die Verbindung der beiden Welten gibt es inzwischen einen offiziellen Weg. OpenAI stellt ein Codex-Plugin für Claude Code bereit, das Aufgaben aus einer Claude-Code-Session direkt an die lokal installierte Codex CLI übergibt. Claude bekommt dadurch einen Subagenten namens codex-rescue, der Arbeitsaufträge an Codex weiterreicht, plus Befehle wie /codex:review für eine Codex-Zweitmeinung auf deine Änderungen. Ich habe das Setup vor diesem Artikel einmal komplett durchgespielt, inklusive der Stolpersteine. Hier ist der Weg.

Schritt 1: Codex CLI installieren und einloggen.

npm install -g @openai/codex
codex login

Beim Login meldest du dich mit deinem ChatGPT-Konto an. Wichtig: Die CLI muss aktuell sein. Mit einer älteren Version bekam ich beim Sol-Aufruf nur den Fehler „The ‘gpt-5.6-sol’ model requires a newer version of Codex”. Ein npm install -g @openai/codex@latest hat das gelöst.

Schritt 2: Plugin in Claude Code installieren. In Claude Code:

/plugin marketplace add openai/codex-plugin-cc
/plugin install codex@openai-codex
/codex:setup

/codex:setup prüft, ob CLI und Login stehen, und meldet dir den Status.

Schritt 3: Sol als Executor-Modell festlegen. Das Modell steuerst du nicht über das Plugin, sondern über die Codex-Konfiguration. Entweder global in ~/.codex/config.toml oder pro Projekt über eine .codex/config.toml im Projektordner:

model = "gpt-5.6-sol"
model_reasoning_effort = "medium"

Der Projekt-Override greift nur, wenn Codex das Projekt als vertrauenswürdig kennt (einmal codex im Ordner starten und bestätigen). Ein Detail aus meinem Test: Ein --model sol als Kommando-Flag wird mit ChatGPT-Konto abgelehnt, der Weg über die config.toml funktioniert.

Schritt 4: Fable als Orchestrator, Codex als Arbeiter. In Claude Code stellst du Fable 5 als Hauptmodell ein (/model fable) und sagst ihm, dass Implementierungsarbeit an den Codex-Subagenten geht. Bei mir steht dazu in der CLAUDE.md des Projekts:

Du bist der Orchestrator. Deine Aufgaben: zerlegen, delegieren, prüfen.
Substanzielle Implementierungsarbeit erledigst du nicht selbst, sondern
übergibst sie an den codex-rescue-Subagenten aus dem Codex-Plugin.

Regeln für jeden Auftrag:
- Schreib den Auftrag so, als hätte Codex keinerlei Kontext: Ziel,
  betroffene Dateien, was explizit NICHT angefasst werden darf.
- Prüfe jedes Ergebnis selbst nach, bevor du es übernimmst: Diff lesen,
  Code kurz selbst ausführen.
- Kleinkram bleibt bei dir, dafür lohnt die Übergabe nicht.

Was gut läuft und was nervt

Gut: Die Arbeitsteilung passt zu dem, was die Modelle können. Fable ist beim Zerlegen von unklaren Aufgaben und beim Finden von Fehlern in fremdem Code spürbar besser als alles andere, was ich getestet habe. Die Executor-Aufgaben sind dagegen so klar umrissen, dass Codex sie sauber abliefert, im Test sogar mit eigenen Regressionstests. Und die Executor-Arbeit läuft gegen dein ChatGPT-Limit, dein Claude-Limit bleibt fürs Denken übrig.

Was nervt: Die Übergaben brauchen Disziplin. Ein schlampiger Auftrag an Codex produziert schlampigen Code, und dann zahlst du die Korrekturschleife doppelt. Deshalb steht die Kontext-Regel im Prompt oben ganz vorne. Dazu kommen zwei Login-Sessions, zwei CLIs und ein Plugin, also drei Stellen, an denen etwas klemmen kann. Bei mir klemmte es prompt an der CLI-Version. Für ein 20-Minuten-Projekt lohnt sich der Aufbau nicht. Für alles, woran du regelmäßig arbeitest, schon.

Ein Caveat noch zur Einordnung: Ob Sol wirklich an Fable heranreicht, wie OpenAI behauptet, kann ich nach zwei Tagen nicht seriös beurteilen, und die unabhängigen Benchmarks fehlen noch. Für dieses Setup musst du das auch gar nicht glauben. Der Executor muss keine Wunder vollbringen, er muss präzise Aufträge zuverlässig abarbeiten. Das hat Sol in meinem Test getan, und falls das nächste Modell besser oder billiger ist, tauschst du eine Zeile in der config.toml. Genau das ist der eigentliche Vorteil an der Chef-Arbeiter-Trennung: Der Chef bleibt, die Arbeiter sind austauschbar.