Astra oder Fable: Welches Modell eignet sich für die Arbeit?

Astra gewinnt nicht überall, passt aber zu wertvollen Aufgaben

Diese Aufteilung erscheint mir aussagekräftiger als jedes Gesamtranking: Astra wird bei visuellen, räumlichen und analytischen Aufgaben deutlich besser wahrgenommen, während Fable dort stärker bleibt, wo funktionierender Code das Ergebnis sein muss. Es handelt sich nicht um einen Führungswechsel, sondern um eine recht klare Trennung der Spezialisierungen.

Im Modellkatalog von Microsoft wird Astra als Modell für komplexes Schlussfolgern und die Arbeit mit Unternehmenswissen beschrieben. Das deckt sich mit Rückmeldungen aus der ursprünglichen Nutzerdiskussion: Ein altes Projekt eines Business-Analysten, das zuvor kaum Nutzen gebracht hatte, wurde mit Astra für Investitionsrechnungen, Amortisationsanalysen und Wettbewerbsanalysen praktisch einsetzbar.

Ein anderer Teilnehmer hob ausdrücklich Astras visuelle Intelligenz und räumliches Denken hervor, bezeichnete ihren Code jedoch als schwächer als den von Fable. Das ist keine abstrakte Kritik am Antwortstil: In der agentischen Entwicklung ist Zuverlässigkeit beim Schreiben, Ändern und Debuggen von Code wichtiger als eindrucksvolles Nachdenken rund um die Aufgabe.

Auch die Zahlen liefern keinen eindeutigen Gewinner. In einem öffentlichen Vergleich erzielten Astra und Fable 5.1 jeweils 62 Punkte im Coding Agent Index. Andere Übersichten zeigten abweichende Ergebnisse, und Fable lag bei schwierigeren agentischen Tests der Softwareentwicklung häufiger vorn. Für mich ist das ein Signal, Bewertungen nicht über unterschiedliche Versionen und Testumgebungen hinweg zu mitteln.

Anfang September 2026 wurde berichtet, dass Fable 5.1 am 1. September allgemein verfügbar wurde, während Astra am 6. September für alle Stufen in der OpenAI-API erschien. Gleichzeitig führten die Schließungen von Astra-Abonnements zu Spekulationen über Preiserhöhungen und teurere Tarife, doch die Ausgangsdaten bestätigen diese Annahmen nicht.

Eine weitere plausible Erklärung lautet, dass der Dienst nach dem Aufbau einer Nutzerbasis an Grenzen der Rechenkapazität gestoßen ist. Auch das ist bislang nur eine Interpretation des Produktverhaltens und keine gesicherte Tatsache.

Die Wahl wird jetzt von der Form des Ergebnisses bestimmt

Für die Analyse von Dokumenten, Oberflächen, Bildern und Geschäftsszenarien wirkt Astra wie die passendere Wahl. Endet die Aufgabe in einem Pull Request, mehrstufigem Debugging oder autonomer Arbeit mit einem Repository, sprechen praktische Erfahrungsberichte eher für Fable.

Gemischte Prozesse sind schwieriger. Gutes räumliches Schlussfolgern gleicht keine Codefehler aus, und ein starker Coding-Agent versteht nicht zwangsläufig visuellen Kontext oder eine mehrdeutige analytische Aufgabenstellung besser. Ich würde zuerst nicht einen allgemeinen Benchmark prüfen, sondern die teuerste Fehlerart des konkreten Prozesses.

Die Abonnementgeschichte fügt ein weiteres Risiko hinzu: Modellqualität ist nutzlos, wenn der Zugang instabil ist oder sich die Wirtschaftlichkeit abrupt verändert. Die wichtigste offene Frage zu Astra betrifft deshalb nicht nur ihre Intelligenz, sondern auch, ob das Produkt seiner eigenen Popularität standhalten kann.

Wir haben bereits erläutert, wie KI-gestützte Entwicklung die Codequalität verschlechtern kann, wenn Modellergebnisse ohne ausreichende Prüfung übernommen werden. Astras schwächere Coding-Ergebnisse unterstreichen, dass Benchmark-Stärken bei anderen Denkaufgaben nicht automatisch verlässliche Softwarearbeit bedeuten.