Idag, den 28 maj 2026, släppte Anthropic Claude Opus 4.8. Jag brukar inte bygga om mitt arbetsflöde kring en punktversion — men jag testade det i några dagar mot kod som jag faktiskt skickar, och förarplatsen i min setup har just bytt ägare.
Några sammanhang först. Mitt dagliga AI-arbete sker inte på leksaksproblem. Det sker inom en verklig produktions e-handelsplattform: PrestaShop 8 på backend, en Next.js multibutik frontend, REST-överskrivningar, aggressiv caching och en multishop-katalog där en felaktig antagande om lager eller butikens kontext kostar verkliga intäkter. För det tunga lyftet har jag använt Codex, som kör GPT-5.5 — snabbt, billigt på tokens och lever i min terminal. Det är en hög standard för något som försöker ta dess plats.
Så detta är ingen benchmark-återblick. Det är vad som hände när jag riktade Claude Opus 4.8 mot det röriga.
Vad Claude Opus 4.8 faktiskt levererar
Pitchen är smal och, till Anthropics kredit, uppfriskande o-hypad: skarpare omdöme, mer ärlighet om sin egen utveckling, och uthållighet att arbeta självständigt längre. Anthropic beskriver det själv som ett modest men påtagligt steg upp från 4.7 — inte språket från ett företag som överdriver en lansering.
Vad som är nytt i korthet
Ärlighetsuppgraderingen
Huvuddraget är ärlighet, och det är mer än marknadsföring. Anthropics justering av skrivningen rapporterar anmärkningsvärt lägre nivåer av bedrägligt beteende — nära, påstår företaget, sin mycket större "Mythos" förhandsvisningsmodell. I praktiken visar det sig som en modell som berättar vad den inte är säker på istället för att dölja det.
Benchmarkarna, läs ärligt
Claude Opus 4.8 toppar de flesta kodningsborden. På SWE-Bench Pro — agentisk, flerstegs kodning — tidiga rapporter placerar det nära 69%, upp från 4.7:s ~64% och före GPT-5.5. På minst en "senior engineer" utvärdering slår det GPT-5.5 med en enda poäng medan det lämnar sin egen föregångare cirka 30 poäng bakom. Dess datoranvändningspoäng är också starka, med ett team som rapporterar 84% på Online-Mind2Web.
Men här är vad lanseringsdagstrådarna tenderar att hoppa över: Codex äger fortfarande terminalen. På Terminal-Bench 2.1 leder GPT-5.5; Claude Opus 4.8 hoppade mycket jämfört med 4.7 men ligger bakom. Och GPT-5.5 använder ungefär 72% färre utmatningstokens för jämförbart arbete — en verklig kostnads- och latensfördel, inte ett avrundningsfel.
Lästa tillsammans är berättelsen tydlig: Claude Opus 4.8 är den starkare resonören, GPT-5.5/Codex den smidigare operatören. Vilken som vinner beror helt på formen av ditt arbete — och på en lanseringsdag full av segervarv, är det värt att säga högt.
Mitt faktiska test: buggen Codex inte kunde stänga
Nu den ärliga delen — en verklig bugg från denna vecka.
På en av mina butiker hade add-to-cart en ful kall-laddningsglitch. Den allra första klicken på en nyinladdad sida blinkade en röd feltoast i en split sekund innan den gröna framgångstoasten dök upp. Inget misslyckades faktiskt, men på ett mörkt, orange-accenterat tema lästes det röda blixtrandet som en krasch. Det är den typen av liten, pinsam bugg som är svår att fånga eftersom den bara dyker upp vid en kall laddning och sedan gömmer sig.
Codex hade redan tagit ett försök på det och gjort toaståterkopplingen snabbare. Snabbare, men blixtrandet överlevde — eftersom hastighet inte var problemet. Problemet var sekvens: knappen hade inget laddningstillstånd, och meddelandet renderade kort en icke-framgångstillstånd innan begäran kom tillbaka.
När jag gav Claude Opus 4.8 samma problem, patchade det inte symptomet. Det spårade tillståndsflödet, namngav tidsproblemet och ändrade sedan tillvägagångssättet istället för att nudga tidsinställningen: en optimistisk toast. Visa det gröna framgångstillståndet omedelbart vid klick, bekräfta det — och starta dess automatisk dölja — när API:et lyckas, eller omvandla den samma toasten till ett fel om det misslyckas. En toast, inga konkurrerande timers, ingen blixtring.
Vad som faktiskt sålde mig var inte skillnaden. Det var beteendet runt det. Det vägrade att kalla fixen klar på mitt ord. Det kopplade upp en MutationObserver, klickade på add-to-cart och fångade den verkliga sekvensen av toast-tillstånd från den första renderade ramen — vilket bevisade att det fanns exakt en grön toast och noll röd blixtring. Sedan distribuerade det till staging och körde samma bevis mot den levande staging-URL:en innan det skulle säga "fixat."
Det är den ärlighetsegenskap som Anthropic säljer, utom som beteende snarare än en punkt. Det berättade för mig vad det inte var säkert på, och sedan verifierade det istället för att påstå. Efter ett år av AI-verktyg som glatt deklarerar seger på kod som faktiskt inte fungerade, är det den delen som flyttade mina standarder.
Varför "ärlig" slår "smart" i produktion
Det låter som en mjuk, marknadsföringsvänlig dygd. I min erfarenhet är det motsatsen — det är skillnaden mellan ett verktyg du kan låta gå och ett du måste övervaka.
En modell som är något smartare men överdrivet självsäker kommer gärna att skriva en plausibel fix, berätta för dig att det är klart och lämna dig att upptäcka klockan 2 på morgonen att det tyst sväljde ett fel eller gjorde en osupporterad antagande om butikens kontext. En modell som är lite mer försiktig — som trycker tillbaka på en svag plan, flaggar den del den är osäker på och insisterar på att bevisa förändringen — är en jag faktiskt kan delegera till. Omdöme ackumuleras över en lång session på ett sätt som en enda benchmarkpunkt aldrig fångar.
Det är den förändring jag kände denna vecka, och den stämmer överens med vad tidiga företagsprövare rapporterar: färre check-ins, längre obevakade körningar, färre "är du säker?" stunder.
Där Codex fortfarande förtjänar sin plats
Jag pensionerar inte Codex, och du borde förmodligen inte heller. I mina tester har varje verktyg en tydlig bana:
Den setup jag har landat på är den som många människor tyst konvergerar mot: Claude i förarplatsen, Codex som arbetare för snabb, billig utförande. Jag gillade den uppdelningen tillräckligt mycket att jag byggde en liten öppen källkod Claude Code-färdighet för att låta modellerna granska varandras kod — AI peer review över Claude, Codex och Gemini→ — och Claude Opus 4.8 gör Claude till en märkbar skarpare granskare i den loopen. Det är samma instinkt bakom testning av agenter head-to-head→ istället för att lita på ett spec-ark: den enda granskning som räknas är den på din egen maskin.
Vad alla andra säger
Reaktionerna lutar positivt, och — ovanligt — de klustrar på omdöme snarare än hastighet. Ingenjörer på Cursor (Michael Truell) och på Cognition, teamet bakom Devin (Scott Wu), pekade på renare verktygsanvändning och den konsekvens obevakade, långvariga agenter behöver. En Shopify-anställd ingenjör, Tom Pritchard, lyfte fram dess bättre omdöme och vana att fånga sina egna misstag. Det mesta av pressbevakningen lutade på ärlighet som den framträdande berättelsen.
Skeptikerna är värda att hålla i rummet, dock. Det är dag ett. Anthropics egen "modest men påtaglig" gör verkligt arbete i den meningen. En större Mythos-klassmodell har redan teasats för de kommande veckorna, vilket gör dagens flaggskepp till ett rörligt mål. Och lanseringsbenchmarkar plus första intryck är inte samma sak som månader av produktionsärr.
Min dom om Claude Opus 4.8
För det arbete jag faktiskt bryr mig om — långsiktiga, omdömesfyllda förändringar i en kodbas där en felaktig gissning kostar pengar — är Claude Opus 4.8 min nya standard. Inte för att ett diagram visar 69 till 62, utan för att det tryckte tillbaka på en svag plan, hittade en tävlingsvillkor som en tidigare, snabbare genomgång hade gått rakt förbi, och bevisade sin egen fix istället för att ta ett segervarv.
Codex behåller sin plats för hastighet och kostnad, och förar/arbetaruppdelningen är fortfarande hur jag får mest gjort på en dag. Men denna vecka, bytte föraren.
Och i andan av modellen själv, den ärliga förbehållet: detta är ett första intryck, på en verklig kodbas, dagar efter lansering. Ta det som en stark signal, inte en universell dom. Gå sedan och rikta Claude Opus 4.8 mot din egen fulaste repo — det är den enda benchmark som någonsin har betydelse.