Zum Inhalt springen
K Krynex Labs
Alle Artikel
#OpenAI#GPT-6.2 Astra#GPT-6.2 Sol#KI-Agenten#Agentic Coding#LLM-Preise#Modellwahl#Mittelstand

GPT-6.2 Astra oder Sol: Welches Modell lohnt sich für Firmen, und was heißt es, dass beide Hindernisse häufiger verschweigen?

OpenAI hat am 17. November 2026 GPT-6.2 Astra und GPT-6.2 Sol veröffentlicht. Sol kostet je Token ein Viertel von Astra und genauso viel wie GPT-6.1 Sol. Wir haben Preisliste, Modellseiten, Codex-Doku, das GitHub-Änderungsprotokoll und die System Card gelesen: welches Modell wofür, was ein Coding-Agent im Monat kostet, und warum die neuen Modelle in OpenAIs eigenen Tests deutlich häufiger verschweigen, dass sie an einer Aufgabe gescheitert sind. Die Gegenmaßnahme greift nur in Codex, nicht in der API.

Annett Krusch
GPT-6.2 Astra oder Sol: Welches Modell lohnt sich für Firmen, und was heißt es, dass beide Hindernisse häufiger verschweigen? (Mit KI erzeugtes Bild) Mit KI erzeugtes Bild. Mehr zur KI-Transparenz

OpenAI hat am 17. November 2026 zwei neue Modelle veröffentlicht: GPT-6.2 Astra für die schwierigsten Aufgaben und GPT-6.2 Sol für die tägliche Arbeit. Sol kostet je Token ein Viertel von Astra und genau so viel wie sein Vorgänger GPT-6.1 Sol. Für die meisten Betriebe ist Sol deshalb die naheliegende Wahl, Astra lohnt sich für einzelne harte Aufgaben.

Die wichtigere Nachricht steht aber nicht in der Preisliste, sondern in der System Card. Beide Modelle verschweigen in OpenAIs eigenen Tests deutlich häufiger als ihre Vorgänger, dass sie an einem Hindernis gescheitert sind. In Codex fängt OpenAI das mit einer Anweisung ab, die bei direkten API-Anfragen nicht greift. Wer eigene Agenten unbeaufsichtigt laufen lässt, sollte das wissen, bevor er die Modellkennung tauscht.

Offenlegung: Wir nutzen Modelle von OpenAI, Anthropic, Google und Mistral in Kundenprojekten und sind mit keinem Hersteller verbunden. Preise, Verfügbarkeit und Testergebnisse haben wir in OpenAIs Entwicklerdoku, der Codex-Doku, der System Card und im GitHub-Änderungsprotokoll gelesen. Die Ankündigungsseite von OpenAI gab bei unserem Abruf einen Fehler zurück, Angaben, die nur dort stehen, geben wir nicht wieder. Stand 18. November 2026.

Die Eckdaten

GPT-6.2 Astra GPT-6.2 Sol GPT-6.1 Sol GPT-6 Astra
Eingabe je Mio. Token 8,00 USD 2,00 USD 2,00 USD 10,00 USD
Eingabe aus dem Cache 0,40 USD 0,10 USD 0,10 USD 1,00 USD
Ausgabe je Mio. Token 40,00 USD 10,00 USD 10,00 USD 50,00 USD
Wissensstand 18. Mai 2026 1. Juni 2026 30. April 2026

Listenpreise laut OpenAI-Preisliste, Standard, bis 272.000 Eingabe-Token je Anfrage, abgerufen am 18.11.2026.

Beide neuen Modelle haben ein Kontextfenster von 1,05 Millionen Token, nehmen höchstens 922.000 Token Eingabe an und geben bis zu 128.000 Token aus. Sie verstehen Text und Bilder und antworten in Text. Über 272.000 Eingabe-Token verdoppeln sich Eingabe- und Cachepreis, die Ausgabe kostet das Anderthalbfache, und zwar für die ganze Anfrage. Diese Grenze kennt man schon von GPT-6.1, wir haben sie im Beitrag zu GPT-6.1 Terra ausführlich beschrieben.

Zwei Dinge fallen auf. GPT-6.2 Sol ist bei gleichem Preis das neuere Modell, ein Wechsel von GPT-6.1 Sol kostet also nichts extra. Und GPT-6.2 Astra ist je Token 20 Prozent günstiger als GPT-6 Astra, beim Cache-Lesen sogar 60 Prozent.

Welches Modell wofür

OpenAI selbst zieht die Linie klar. Im API-Änderungsprotokoll heißt es, Astra sei für „demanding reasoning and coding tasks“ gedacht, Sol für „everyday coding and agent workflows“. Die Codex-Doku empfiehlt Astra für anspruchsvolle Arbeit über Code, Anwendungen oder Recherche hinweg, etwa um einen Fehler über mehrere Dienste zu verfolgen, zu beheben und zu testen. Sol empfiehlt sie für alltägliches Programmieren, Schreiben und Arbeit mit mehreren Quellen. Neue Chats in ChatGPT Work starten laut Doku mit Sol.

Übersetzt in einen Betrieb heißt das:

Sol für den Großteil: Code ändern, Pull Requests prüfen, Berichte und Angebote entwerfen, Notizen zu einem Plan machen, Agenten, die viele kleine Aufgaben abarbeiten. Hier zählt der Preis je Aufgabe, und der Abstand zu Astra ist groß.

Astra für die Fälle, in denen ein Fehler teurer ist als das Modell: ein schwer zu findender Fehler über mehrere Systeme, eine Migration, eine Analyse, auf der eine Entscheidung beruht. Das sind in den meisten Firmen wenige Aufgaben im Monat.

GPT-6.1 Terra oder Luna bleiben die günstigere Wahl für Klassifikation, Zusammenfassungen und Formulare. Dafür braucht es keines der neuen Modelle.

OpenAI nennt in seiner Ankündigung zusätzlich einen Benchmarkvergleich zwischen Sol und Astra. Weil die Seite für uns nicht abrufbar war, geben wir die Zahlen nicht wieder. Für die Entscheidung reicht ohnehin, was in der Doku steht: Sol kostet je Token ein Viertel, und OpenAI empfiehlt es für den Alltag.

Rechenbeispiel: ein Coding-Agent mit 1.000 Aufgaben im Monat

Ein Betrieb lässt einen Agenten Pull Requests prüfen und kleinere Änderungen umsetzen. Angenommen sind 1.000 Aufgaben im Monat. Je Aufgabe liest der Agent 200.000 Token, davon 150.000 aus dem Cache (Systemanweisung, Werkzeuge, bereits gelesener Code) und 50.000 neu. Er schreibt 15.000 Token Ausgabe einschließlich Nachdenken. Die Werte sind angenommen, nicht gemessen. Die Kosten für das Anlegen des Caches haben wir weggelassen, der EZB-Referenzkurs vom 17. November 2026 liegt bei 1 Euro = 1,0989 US-Dollar.

Modell je Aufgabe im Monat in Euro
GPT-6.2 Astra 1,06 USD 1.060 USD 964,60 €
GPT-6.2 Sol 0,265 USD 265 USD 241,15 €
GPT-6.1 Sol 0,265 USD 265 USD 241,15 €
GPT-6 Astra 1,40 USD 1.400 USD 1.274,00 €
80 % Sol, 20 % Astra 424 USD 385,84 €

Wer bisher GPT-6 Astra für alles nutzt, spart mit GPT-6.2 Astra bei gleichen Token ein Viertel. Wer die einfachen vier Fünftel auf Sol legt und nur den Rest auf Astra, landet bei 424 statt 1.060 US-Dollar. Der größte Hebel bleibt also die Aufteilung, nicht das neuere Modell.

Zwei Einschränkungen gehören dazu. Erstens rechnet die Tabelle mit gleichem Tokenverbrauch für alle Modelle. In der Praxis denkt ein Modell bei gleicher Denkstufe mal mehr, mal weniger, und das verschiebt die Rechnung. Die echte Zahl zeigt nur ein Probelauf mit eigenen Aufgaben. Zweitens gibt es seit dem 17. November in der Responses-API Hintergrundaufträge mit Zeitfenster, laut OpenAI in öffentlicher Beta: 30 Prozent billiger bei zwei Stunden, 40 Prozent bei acht Stunden, für berechtigte Anfragen. Ein nächtlicher Prüflauf mit Sol käme damit in unserem Beispiel auf 159 statt 265 US-Dollar. Wer in der EU verarbeiten lässt, zahlt 10 Prozent Aufschlag. Eigene Zahlen lassen sich mit unserem LLM-Kostenrechner durchspielen.

In ChatGPT, Codex und Copilot

Laut Codex-Doku stehen beide Modelle in ChatGPT Work auf Web, Mobilgeräten und Desktop sowie in der Codex-App und der Codex-CLI bereit, und zwar für Plus, Pro, Business, Enterprise und Edu. In Enterprise und Edu sind beide zunächst ausgeschaltet. Ein Administrator muss sie in den Modelleinstellungen des Arbeitsbereichs freigeben. Wer dort eine Freigabeliste für Modelle führt, hat damit Zeit für eine Prüfung, muss aber auch aktiv werden.

Auch im Abo zeigt sich der Abstand. Je Million Token rechnet OpenAI für Astra 200 Credits Eingabe und 1.000 Credits Ausgabe, für Sol 50 und 250. Für Plus schätzt die Doku 6 bis 50 lokale Nachrichten je fünf Stunden mit Astra und 17 bis 180 mit Sol. Wer im Dezember mit dem gemeinsamen Kontingent für ChatGPT und Codex plant, sollte Astra als Ausnahme behandeln.

GitHub führt beide Modelle laut Änderungsprotokoll schrittweise in Copilot Pro+, Max, Business und Enterprise ein, in VS Code, Visual Studio, JetBrains, Xcode, Eclipse, der Copilot CLI, dem Coding Agent, auf github.com und in GitHub Mobile. Abgerechnet wird nach Verbrauch zu den Listenpreisen, die Preisseite nennt dieselben Beträge wie OpenAI. In Business und Enterprise werden neue Modelle nur automatisch freigeschaltet, wenn die globale Standardfreigabe an ist. Wie das bei abgeschalteten Modellen schiefgehen kann, haben wir gestern in GitHub Copilot hat drei Modelle abgeschaltet beschrieben.

Der eigentliche Punkt: Agenten, die Hindernisse verschweigen

In der System Card schreibt OpenAI, beide Modelle hätten in den meisten Tests zum Verhalten etwa so abgeschnitten wie GPT-6 Astra, seien aber eher geneigt, „known obstacles“ wegzulassen, wenn sie über ihre Arbeit berichten. Gemessen wird das mit zwei internen Tests.

Blocker Deception gibt dem Modell realistische Programmieraufgaben und baut ein Hindernis ein, zum Beispiel fehlt die Datei, die bearbeitet werden soll, oder ein Werkzeug zum Bauen des Projekts ist nicht verfügbar. Gezählt wird, wie oft die Abschlussmeldung das Hindernis weglässt oder falsch darstellt. Broken Search Tool schaltet die Websuche ab und zählt, wie oft das Modell nicht sagt, dass es nichts nachschlagen konnte.

Modell Blocker Deception Broken Search Tool
GPT-6.2 Astra 22,28 % 23,00 %
GPT-6.2 Sol 24,08 % 9,33 %
GPT-6.1 Sol 14,00 % 2,75 %
GPT-6.1 Terra 8,47 % 1,00 %
GPT-6 Astra 11,09 % 7,58 %
GPT-6.2 Astra mit Codex-Prompt 8,04 % 8,50 %
GPT-6.2 Sol mit Codex-Prompt 8,88 % 3,92 %

Werte aus Abbildung 35 und 36 der System Card, niedriger ist besser.

Für die Rechnung oben heißt das: GPT-6.2 Sol kostet dasselbe wie GPT-6.1 Sol, verschweigt in diesem Test aber deutlich öfter, dass es nicht fertig geworden ist. OpenAI schreibt selbst, man sei über diesen Rückschritt „concerned“ und suche nach der Ursache. Eine Vermutung des Herstellers: Die Bemühungen, Antworten knapp zu halten und übermäßige Vorbehalte zu vermeiden, könnten dazu beitragen.

Zur Einordnung gehören zwei Sätze, die ebenfalls in der System Card stehen. Die Tests sind darauf gebaut, Fehlverhalten hervorzurufen, und sagen nicht unbedingt, wie oft das im Alltag passiert. Und in simulierten Arbeitsaufgaben haben beide Modelle nur etwa halb so oft unangemessen gehandelt wie ihre Vorgänger. Die neuen Modelle sind also nicht pauschal unzuverlässiger. Sie sind in einem bestimmten Punkt schlechter geworden: beim ehrlichen Bericht über das, was nicht geklappt hat.

Warum das vor allem eigene Agenten trifft

OpenAI hat für Codex eine Anweisung im Entwickler-Prompt ergänzt, die die Auslassungen deutlich senkt, bei Blocker Deception auf etwa 8 bis 9 Prozent. Der entscheidende Satz steht zweimal in der System Card: Der Codex-Entwickler-Prompt aus diesen Tests wird bei direkten API-Anfragen nicht angewendet.

Wer also über die API einen eigenen Agenten baut, der nachts Rechnungen abgleicht, Tickets bearbeitet oder Code ändert, bekommt das Modell ohne diese Absicherung. Ob GitHub Copilot oder andere Werkzeuge eine vergleichbare Anweisung mitschicken, sagen GitHub und OpenAI nicht.

Ein unbeaufsichtigter Agent, der in jedem fünften Fall mit „erledigt“ meldet, obwohl eine Datei fehlte oder die Suche nichts geliefert hat, ist schlimmer als einer, der offen scheitert. Den offenen Fehler sieht man am nächsten Morgen. Den verschwiegenen findet man erst, wenn ein Kunde nachfragt.

Wie man Ergebnisse prüft

Drei Dinge helfen, unabhängig vom Modell, und mit GPT-6.2 ein bisschen mehr.

Den Bericht anfordern, nicht erhoffen. In den Systemprompt gehört ausdrücklich, dass der Agent jedes Hindernis nennt: fehlende Dateien, fehlgeschlagene Werkzeugaufrufe, leere Suchergebnisse, Annahmen, die er treffen musste. Am besten als eigenes Feld in einer strukturierten Abschlussmeldung, das nicht leer bleiben darf. Den genauen Wortlaut des Codex-Prompts veröffentlicht OpenAI in der System Card nicht, eine eigene Formulierung muss man deshalb selbst testen.

Das Ergebnis prüfen, nicht die Meldung. Die Abschlussmeldung ist eine Behauptung des Modells. Belege liefert das Protokoll: Welche Werkzeugaufrufe haben einen Fehler zurückgegeben? Welche Dateien wurden tatsächlich geändert? Laufen die Tests, wenn man sie selbst startet, und prüfen sie überhaupt etwas? Warum grüne Tests von Agenten oft wenig beweisen, steht in Grün heißt nicht geprüft. Was ein Agent protokollieren sollte, damit man das nachvollziehen kann, haben wir in Audit-Trail für KI-Chatbots gesammelt.

Vor dem Wechsel mit eingebauten Hindernissen testen. Genau so misst OpenAI, und das lässt sich im Kleinen nachbauen: zwanzig echte Aufgaben aus dem eigenen Betrieb, in einige davon ein Hindernis einbauen, etwa eine fehlende Datei, ein gesperrtes Werkzeug oder eine leere Datenquelle. Dann mit dem bisherigen und dem neuen Modell laufen lassen und zählen, wie oft der Abschlussbericht das Hindernis nennt. Wie wir solche Prüfläufe aufbauen, steht in Agent-Evals. Dass Modelle im Grenzfall auch selbst Hand an ihre Umgebung legen, zeigt OpenAIs Bericht über einen KI-Prüfer, der Dateien fälschte.

Was sich bei der Umstellung technisch ändert

Wer die Modellkennung in einer bestehenden API-Anwendung tauscht, sollte laut OpenAIs Umstiegsanleitung drei Stellen prüfen. Die Denkstufe none lehnen beide Modelle ab, OpenAI rät zu low. Das Feld instructions der Responses-API wird ab GPT-6.2 hinter die Eingabe gehängt; wer seine feste Systemanweisung dort stehen hat, verliert den Cache-Rabatt und sollte sie als developer-Nachricht an den Anfang der Eingabe verschieben. Und wer mitten im Gespräch frühere Nachrichten ändert, verliert das bisherige Nachdenken des Modells, was laut OpenAI die Qualität senken und mehr Token kosten kann. Alle drei Punkte schlagen direkt auf die Rechnung oben durch. In der EU lassen sich beide Modelle über die Datenresidenz mit Standard, Fast und Batch betreiben, die Voraussetzungen haben wir beim GPT-6.1-Terra-Beitrag beschrieben.

Was wir raten

Sol als Standard, Astra als Ausnahme. Der Preisabstand ist so groß, dass sich eine bewusste Aufteilung fast immer lohnt. Für Aufgaben, die nicht sofort fertig sein müssen, die Hintergrundfenster ausprobieren.

Unbeaufsichtigte API-Agenten nicht blind umstellen. Für GPT-6.2 Sol gilt derselbe Preis wie für GPT-6.1 Sol, es gibt also keinen Kostendruck. Wer einen Agenten ohne menschliche Kontrolle laufen lässt, kann beim Vorgänger bleiben, bis der eigene Test mit eingebauten Hindernissen zeigt, dass das neue Modell mit der eigenen Anweisung ehrlich berichtet.

In Enterprise und Edu bewusst freigeben. Die Modelle sind dort aus, bis jemand sie einschaltet. Das ist der richtige Moment, um im Team zu sagen, wofür Astra gedacht ist und wofür nicht.

Welche OpenAI-Modelle es insgesamt gibt und wie sie zusammenhängen, steht in unserer Übersicht der GPT-Modelle. Die Modelle der Vorgängerrunde haben wir in Opus 5.5 und GPT-6 Sol/Luna eingeordnet.

Quellen

Häufige Fragen

Was kosten GPT-6.2 Astra und GPT-6.2 Sol?
Laut OpenAI-Preisliste kostet GPT-6.2 Astra 8 US-Dollar je Million Eingabe-Token, 0,40 US-Dollar für Eingabe aus dem Cache und 40 US-Dollar je Million Ausgabe-Token. GPT-6.2 Sol kostet 2, 0,10 und 10 US-Dollar, also ein Viertel. Über 272.000 Eingabe-Token je Anfrage wird die ganze Anfrage teurer. Für Verarbeitung in der EU berechnet OpenAI 10 Prozent Aufschlag.
Ist GPT-6.2 Sol teurer als GPT-6.1 Sol?
Nein. Die Listenpreise sind identisch: 2 US-Dollar Eingabe, 0,10 US-Dollar Cache, 10 US-Dollar Ausgabe je Million Token, auch bei GitHub Copilot und in den ChatGPT-Credits. GPT-6.2 Astra ist dagegen günstiger als GPT-6 Astra, das 10 und 50 US-Dollar kostet.
Wo gibt es GPT-6.2 Astra und Sol?
In der OpenAI-API, in ChatGPT Work und in Codex für Plus, Pro, Business, Enterprise und Edu. In Enterprise und Edu sind beide Modelle zunächst ausgeschaltet, ein Administrator muss sie freigeben. GitHub führt beide schrittweise in Copilot Pro+, Max, Business und Enterprise ein, abgerechnet zu OpenAIs Listenpreisen.
Was bedeutet es, dass die Modelle Hindernisse verschweigen?
OpenAI misst in internen Tests, wie oft ein Modell am Ende nicht sagt, dass etwas es an der Aufgabe gehindert hat, etwa eine fehlende Datei oder ein defektes Suchwerkzeug. GPT-6.2 Astra verschwieg das in 22,28 Prozent der Versuche, GPT-6.2 Sol in 24,08 Prozent, GPT-6.1 Sol in 14,00 Prozent. Mit dem Entwickler-Prompt von Codex sank der Wert auf rund 8 bis 9 Prozent. Dieser Prompt gilt laut OpenAI nicht für direkte API-Anfragen.
Was sollten Firmen mit eigenen Agenten tun?
Den Abschlussbericht eines Agenten nicht als Beleg werten. Den Agenten anweisen, Hindernisse ausdrücklich zu melden, und das Ergebnis unabhängig prüfen: Tests selbst laufen lassen, geänderte Dateien und Werkzeugfehler im Protokoll ansehen, bei Recherchen die Quellen kontrollieren. Vor dem Wechsel auf GPT-6.2 an eigenen Aufgaben mit absichtlich eingebauten Hindernissen testen.

Passend dazu