Am 11. Juni 2026 kündigte Anthropic eine mehrjährige Allianz mit DXC Technology an, die Claude in genau die Systeme bringt, in denen „move fast“ normalerweise heißt: „Schreib erst mal einen Rollback-Plan.“ DXC sagt, Claude sei bereits das standardmäßige Foundation Model für die agentischen Workflows von DXC OASIS, Claude habe die Softwareauslieferung von OASIS schätzungsweise um den Faktor 10 beschleunigt, und mehr als 95 % des OASIS-Codes seien von Claude generiert worden, bevor Engineers ihn geprüft haben (Anthropic, PRNewswire).
Das ist der spannende Teil. Nicht „AI schreibt Code“. Diese Demo hat inzwischen jeder gesehen. Die eigentliche Geschichte ist, dass DXC agentische Codegenerierung in Banken, Airlines, Versicherungen, Fertigungsunternehmen und Behörden bringt — also dorthin, wo die harten Probleme Dependency-Archäologie, Release-Governance, Auditierbarkeit, Security und das Nicht-Zerschießen eines 30 Jahre alten Batch-Prozesses sind, der um 2 Uhr morgens echtes Geld verrechnet.
Das Signal: AI zieht in die Managed-Services-Schicht ein
DXC startete OASIS am 28. April 2026 als intelligente Orchestrierungsplattform für Managed Services. Der erklärte Zweck: als gesteuerte, sichere Schicht über der bestehenden IT-Landschaft einer Organisation liegen und den Betrieb von reaktivem Support zu Echtzeit-Ausführung verschieben (DXC).
Das ist wichtig, weil Modernisierung in regulierten Branchen selten mit einem sauberen Repo und einem Greenfield-Ziel beginnt. Sie beginnt mit:
- Batch-Jobs, für die sich niemand wirklich vollständig verantwortlich fühlt
- Applikationsservern jenseits normaler Supportfenster
- COBOL, Java EE, PL/SQL, Shell und Vendor-Workflow-Klebstoff
- Compliance-Kontrollen, die teils im Code und teils in Runbooks stecken
- fragilen Integrationen zu Zahlungs-, Schaden-, Buchungs-, Lager-, Identitäts- oder Case-Management-Systemen
Claude in OASIS zu stecken bedeutet: DXC behandelt das Modell nicht als Chatbot neben der eigentlichen Arbeit. DXC platziert das Modell in Orchestrierungsworkflows, die bereits Incidents, Change Windows, Ticket-Kontext, Runbooks, Umgebungen und Kundenrestriktionen kennen. Das ist der Unterschied zwischen „generiere ein Refactoring“ und „generiere ein Refactoring, das eine CAB-Prüfung überlebt.“
Anthropic sagt, DXC werde über die Anthropic Academy Zehntausende Claude-zertifizierte Forward-Deployed Engineers ausbilden, ergänzt durch ein eigenes DXC-Curriculum für geschäftskritische Systeme (Anthropic). Genau so muss es aussehen. Regulierte Modernisierung braucht Menschen, die ein System lesen können — keine Prompt-Touristen.
Was Entwickler kopieren sollten
Das DXC-Muster ist auch dann nützlich, wenn du nicht in DXC-Größenordnung arbeitest. Die Lektion lautet nicht: „Lass das Modell das Repo besitzen.“ Die Lektion lautet: Pack die Arbeit des Modells in einen Workflow, in dem Kontext, Constraints, Review und Nachweise Objekte erster Klasse sind.
Ein praktischer Agent für Legacy-Modernisierung sollte nicht mit „schreib diesen Service in Go neu“ anfangen. Er sollte mit einem eng begrenzten Plan anfangen:
1. Inventory modules, entry points, data stores, and external contracts.
2. Identify dead code and risk hotspots.
3. Propose the smallest behavior-preserving refactor.
4. Generate tests around current behavior before changing code.
5. Open a reviewable patch with traceable rationale.
6. Attach evidence: tests, static analysis, dependency impact, rollback notes.Das klingt langweilig. Gut. Langweilig ist, wie regulierte Systeme geändert werden.
DXCs öffentliche Zahlen sind offensiv: geschätzt 10-mal schnellere Softwareauslieferung und mehr als 95 % von Claude generierter Code für OASIS, geprüft durch Engineers (Anthropic). Behandle das als deployment-spezifische Aussage, nicht als universelle Produktivitätskonstante. Für Entwickler zählt das Betriebsmodell: hoher Modellbeitrag, verpflichtendes Human Review und eine Plattform, die die Arbeit dokumentiert.
Bei einer Bank-Core-Migration könnte das heißen, dass Agents Transaktionsflüsse kartieren und Characterization Tests generieren. Bei einer Airline könnten Agents Reservierungs- oder Wartungsworkflows entwirren und dabei externe Nachrichtenformate stabil halten. Bei einem Versicherer können sie Policy-Admin-Regeln mit dem Verhalten im Schadenprozess vergleichen. In der Fertigung können sie ERP-, MES- und Supply-Chain-Abhängigkeiten nachverfolgen, bevor jemand Code anfasst.
Die Modellwahl wird zur Architekturentscheidung
Zwei Tage vor der DXC-Ankündigung brachte Anthropic am 9. Juni 2026 Claude Fable 5 und Claude Mythos 5 heraus. Fable 5 ist Anthropics allgemein verfügbares Modell der Mythos-Klasse, während Mythos 5 über Project Glasswing und Trusted-Access-Programme beschränkt ist. Anthropic listet Fable 5 mit 10 US-Dollar pro Million Input-Tokens und 50 US-Dollar pro Million Output-Tokens, einem Kontextfenster von 1M Tokens und 128k maximalem Output in der aktuellen API-Dokumentation (Anthropic, Claude Docs).
Eine kompakte Preisübersicht aus Anthropics Modellüberblick:
| Modell | Eingabe | Ausgabe | Kontext | Max. Ausgabe |
|---|---|---|---|---|
| Claude Fable 5 | $10 / MTok | $50 / MTok | 1M Tokens | 128k |
| Claude Opus 4.8 | $5 / MTok | $25 / MTok | 1M Tokens | 128k |
| Claude Sonnet 4.6 | $3 / MTok | $15 / MTok | 1M Tokens | 64k |
| Claude Haiku 4.5 | $1 / MTok | $5 / MTok | 200k Tokens | 64k |
Der falsche Schluss lautet: „Immer das stärkste Modell nehmen.“ Die bessere Architektur heißt Model Routing.
Nutze das stärkste Modell für Systemdenken: Dependency Discovery, Migrationsplanung, unbekannte Frameworks, Cross-Repo-Refactorings und Fehleranalyse. Nutze günstigere Modelle für Zusammenfassungen, einfache Testgenerierung, Dokumentationsbereinigung und mechanische Edits. Lege deterministische Tools um beide: Compiler, Test Runner, Schema-Diff-Tools, SAST, SBOM-Erzeugung und Policy Checks.
Anthropic sagt außerdem, Fable 5 habe Schutzmechanismen, die bei bestimmten Anfragen zu Cybersicherheit, Biologie, Chemie oder Distillation auf Claude Opus 4.8 zurückfallen, und frühe Daten zeigten, dass mehr als 95 % der Fable-Sessions keinen Fallback haben (Anthropic). Für Entwickler in regulierten Umfeldern ist das keine Fußnote. Wenn ein Workflow Security Remediation, Schwachstellenanalyse oder sensible Forschung berührt, muss deine Agent Runtime Model-Fallbacks erkennen, protokollieren und entscheiden, ob der resultierende Output noch deine Assurance-Schwelle erfüllt.
Human Review ist das Produkt, nicht die Steuer
Der Satz „mehr als 95 % von Claude generierter Code“ wird die Schlagzeilen bekommen. Der Satz „danach von Software Engineers geprüft“ ist der Teil, der das Ganze deploybar macht.
In regulierter Modernisierung ist Review keine zeremonielle Pull-Request-Freigabe. Review muss konkrete Fragen beantworten:
- Hat sich Verhalten geändert, und wo sind die Testnachweise?
- Welche Datenverträge, Schemas, APIs und Batch-Dateien sind betroffen?
- Verändert der Patch Autorisierung, Aufbewahrung, Logging oder Audit Trails?
- Gibt es einen Rollback-Pfad?
- Kann jemand, der die Änderung nicht geschrieben hat, sechs Monate später verstehen, warum sie existiert?
Genau hier schlagen Agent-Workflows lose Chats. Ein guter Workflow kann erzwingen, dass jeder generierte Patch seine eigene Erklärung, seinen Testplan, seine Risikoklassifizierung und seine Karte betroffener Systeme mitbringt. Er kann Merges auch blockieren, wenn das Modell einen abhängigen Service nicht inspiziert hat oder wenn generierte Tests nur den Happy Path beweisen.
Die Entwicklerkompetenz verschiebt sich vom Tippen jeder einzelnen Zeile hin zum Design reviewbarer Arbeitspakete. Das ist immer noch Engineering. In vielen Legacy-Landschaften ist es genau das Engineering, das gefehlt hat.
Ein kleines Muster für agentische Modernisierung
Wenn ich das in einem regulierten Softwareteam bauen würde, müsste jede Modernisierungsaufgabe vor dem Code Review vier Artefakte erzeugen:
inventory.md: Einstiegspunkte, Abhängigkeiten, Konfigurationen, Datenspeicher, externe Verträge.risk.md: betroffener Geschäftsprozess, berührte Compliance-Kontrollen, Rollback-Notizen.tests/: Characterization Tests, die das aktuelle Verhalten festnageln.patch.diff: die kleinste verhaltenserhaltende Änderung.
Das Modell kann alle vier generieren. Engineers sollten alle vier prüfen. CI sollte die langweiligen Teile erzwingen.
Für lokale Experimente ist Claude Fable 5 außerdem über OneHop als Drop-in Anthropic Messages Endpoint verfügbar. OneHops Fable-5-Seite listet den Endpoint derzeit als https://api.onehop.ai/anthropic, den Modellnamen als anthropic/claude-fable-5 und ein 10-Dollar-Guthaben für neue Accounts ohne Kreditkarte; die angezeigten Promo-Preise liegen bei 5 US-Dollar Input und 25 US-Dollar Output pro Million Tokens und damit mehr als 30 % unter Anthropics Listenpreis von 10/50 US-Dollar (OneHop).
from anthropic import Anthropic
client = Anthropic(
base_url="https://api.onehop.ai/anthropic",
api_key="<ONEHOP_KEY>",
)
message = client.messages.create(
model="anthropic/claude-fable-5",
max_tokens=1024,
messages=[{"role": "user", "content": "Map risks in this legacy migration plan."}],
)Nutze solche Endpoints für Prototypen und Evaluation Harnesses. Für regulierte Produktionsworkloads bleibt der harte Teil deine Kontrolllandschaft: Datenhandling, Aufbewahrung, Zugriff, Nachweise, Model Routing und menschliche Freigabe.
Die eigentliche Wette: Modernisierung wird kontinuierlich
Die meisten Unternehmen behandeln Legacy-Modernisierung wie ein Programm, das einmal pro Jahrzehnt stattfindet. Großes Budget. Großer SI. Großes Risiko. Und dann beginnt die neue Plattform ab Tag eins zu altern.
DXCs OASIS-Geschichte deutet auf ein besseres Modell: Modernisierung als kontinuierlicher Managed-Service-Workflow. Agents inspizieren, schlagen vor, testen, refactoren, dokumentieren und routen Arbeit an Engineers. Engineers prüfen, begrenzen und genehmigen. Die Plattform hält Nachweise fest. Das System verbessert sich in kleineren, sichereren Schritten.
Darum lohnt es sich, diese Allianz zu beobachten. Die nützliche Frage ist nicht, ob Claude Code schreiben kann. Kann es. Die nützliche Frage ist, ob eine Organisation generierten Code in gesteuerte, reviewbare, produktionssichere Änderungen über Systeme hinweg verwandeln kann, die nicht ausfallen dürfen.
DXC reklamiert frühe Belege dafür, dass das in ernstzunehmender Größenordnung funktionieren kann: 115.000 Mitarbeitende in 70 Ländern, OASIS produktiv bei mehr als 50 Kunden, Zehntausende geplante Claude-zertifizierte Forward-Deployed Engineers und Claude als Standardmodell in agentischen OASIS-Workflows (Anthropic, PRNewswire).
Für Entwickler ist die Richtung klar: Hör auf, AI als Autocomplete zu betrachten. Fang an, Agent-Workflows zu entwerfen, die Tests, Diffs, Erklärungen und Audit Trails hinterlassen. Genau das hat Legacy-Modernisierung schon immer gebraucht. Das Modell macht den Papierkram und die Code-Bewegung endlich billig genug, um sie kontinuierlich zu erledigen.
Wenn du die Model-Routing-Seite testen willst, ohne einen kompletten Enterprise-Stack aufzusetzen, nimm ein schmales Repo, eine Characterization-Test-Aufgabe und einen Fable-5-Endpoint wie Claude Fable 5 auf OneHop. Behalte das Human-Review-Gate. Miss akzeptierte Diffs, fehlgeschlagene Tests, Review-Zeit, Rollback-Qualität und Kosten pro gemergter Änderung. Dann entscheide, ob der Workflow sich ein größeres System verdient hat.
