Drei Modelle, drei Preisklassen
Mit dem GPT-6-Leitfaden beschreibt OpenAI, wie Unternehmen die neue Modellfamilie in der Praxis einsetzen sollen. Der Kern ist eine Abwägung zwischen Qualität, Tempo und Kosten. Dafür gibt es drei Modelle, die Preise gelten je eine Million Tokens:
- GPT-6 Astra: das stärkste Modell, 10 US-Dollar Eingabe und 50 US-Dollar Ausgabe
- GPT-6.1 Sol: nah an Astra zu einem Fünftel des Preises, 2 und 10 US-Dollar
- GPT-6 Luna: für Alltagsaufgaben in großer Menge, 0,10 und 0,50 US-Dollar
Der Preisabstand zwischen Astra und Luna liegt beim Faktor 100. Wer jede Anfrage über das größte Modell schickt, zahlt für Routineaufgaben wie Klassifikation oder Extraktion ein Vielfaches. Sinnvoll ist eine Aufteilung: Luna für Masse, Sol als Standard, Astra für die wenigen schweren Fälle.
Denkaufwand bewusst wählen
Alle GPT-6-Modelle lassen sich mit unterschiedlichem Denkaufwand (Reasoning Effort) betreiben. OpenAI empfiehlt eine klare Staffelung:
- Low für Routine wie das Herauslesen von Daten
- Medium für Entscheidungen mit Abwägungen
- High für komplexes Debugging oder Analysen
- Very high und Max nur, wenn High nicht reicht
Laut OpenAIs Entwicklerdoku liefert Astra schon auf niedriger Stufe oft bessere Ergebnisse als ältere Modelle auf hoher. Der Start mit Low oder Medium spart also Zeit und Geld, ohne dass die Qualität automatisch leidet.
Prompts: Ziel statt Regelwerk
Auffällig ist, wie stark der Leitfaden von starren Vorgaben abrät. Ein guter Prompt beschreibt das gewünschte Ergebnis, die Zielgruppe, den Kontext, die Grenzen und wann die Aufgabe erledigt ist. Seitenlange Regelwerke, wie sie für ältere Modelle üblich waren, braucht GPT-6 laut OpenAI nicht mehr.
Wichtig für Agenten: Der Prompt sollte festlegen, was das Modell selbst entscheiden darf und wann es nachfragen muss. Ohne diese Grenze fragt ein Agent entweder ständig nach oder trifft Entscheidungen, die eigentlich eine Freigabe bräuchten.
Lange Aufgaben steuern
Ein großer Teil des Leitfadens dreht sich um Agenten, die minutenlang oder länger an einer Aufgabe arbeiten. Dafür gibt es neue Werkzeuge:
- Steering: Über die WebSocket-API lassen sich Anweisungen während der Antwort ändern, ohne bereits erledigte Schritte zu verwerfen.
- Asynchrone Tool-Aufrufe: Das Modell arbeitet weiter, während ein Werkzeug noch läuft.
- Sub-Agenten: GPT-6.1 Sol kann unabhängige Teilaufgaben an Unteragenten delegieren.
- Computer Use: Die Modelle können Websites und Desktop-Anwendungen bedienen.
Für die Kosten wichtig: Zwischengespeicherte Eingaben (Prompt Caching) kosten bis zu 95 % weniger. Wer lange Systemprompts oder dieselben Dokumente immer wieder mitschickt, sollte das gezielt nutzen. Context Compaction kürzt zudem lange Verläufe, ohne den nötigen Zustand zu verlieren.
Die Checkliste für den Produktivbetrieb
Am Ende steht eine kurze Liste, die sich gut als Abnahmekriterium für eigene Projekte eignet: überflüssigen Kontext entfernen, unabhängige Schritte parallel laufen lassen, Erfolgsquote, Latenz und Kosten pro Aufgabe messen sowie Datenkontrollen und eine Überwachung auf Fehlverhalten einrichten. Gerade die Kosten pro Aufgabe fehlen in vielen Projekten, obwohl sie die Wahl zwischen Astra und Sol erst begründbar machen.
Fazit
Der Leitfaden ist weniger Produktankündigung als Betriebsanleitung, und genau deshalb lesenswert. Für IT-Teams heißt er konkret: Aufgaben nach Schwierigkeit sortieren, jedem Typ ein Modell und eine Denkstufe zuordnen und die Kosten pro Aufgabe messen. Wer bisher alles über ein Modell schickt, findet hier das größte Sparpotenzial.