OpenAI kündigte am 30. Juli deutliche Preissenkungen für zwei Modelle seiner GPT-5.6-Familie an: Die Kosten für GPT-5.6 Luna sanken um 80 %, für GPT-5.6 Terra um 20 %.
GPT-5.6 Luna, das schnellste und kostengünstigste Modell des Unternehmens, kostet jetzt 0,20 US-Dollar pro Million Eingabe-Token und 1,20 US-Dollar pro Million Ausgabe-Token. Terra, das als mittlere Option für alltägliche Arbeitslasten positioniert ist, wird auf 2 US-Dollar pro Million Eingabe-Token und 12 US-Dollar pro Million Ausgabe-Token gesenkt.
OpenAI-CEO Sam Altman kündigte den Schritt auf X an, bezeichnete ihn als „heutige deutliche Preissenkungen“ – darunter die Senkung um 80 % für Luna und um 20 % für Terra. Das Unternehmen erklärte, die Preissenkungen seien auf Verbesserungen bei seinen Modellen, Inferenzsystemen und Agenten-Tools zurückzuführen, durch die GPT-5.6-Modelle Aufgaben effizienter erledigen können.
Umfangreiche Intelligenz zu niedrigen Kosten
Die Preisänderung bringt GPT-5.6 Luna direkt in Konkurrenz zu kostengünstigeren Inferenzangeboten rivalisierender Anbieter, darunter Googles Gemini 3.5 Flash-Lite sowie Angebote chinesischer Start-ups.
Laut von OpenAI angeführten Benchmarks erreicht Luna bei den Fähigkeiten ungefähr das Niveau von Spitzenmodellen von vor einem Jahr – zu etwa 6 Cent pro Dollar und Aufgabe – und arbeitet dabei fast neunmal schneller. Im professionellen Benchmark Agents' Last Exam behauptet OpenAI, Luna übertreffe Anthropics Claude Fable 5 „bei geschätzten Kosten pro Aufgabe, die fast 99 % niedriger sind“.
OpenAI führte die Preissenkungen auf interne Effizienzgewinne zurück, die GPT-5.6 Sol autonom selbst erzielt habe. Innerhalb eines von Menschen geleiteten Entwicklungsprozesses veränderte Sol Kernel der Produktionssoftware und führte Experimente zur Token-Erzeugung durch. Nach Angaben des Unternehmens reduzierten diese automatisierten Anpassungen die End-to-End-Bereitstellungskosten der Modelle um 20 % und steigerten die Effizienz bei der Token-Erzeugung um über 15 %.
Der Wandel vom Modellzugang zur Stückkostenökonomie
Da sich die Nutzung durch Unternehmen von experimentellen Bereitstellungen hin zu operativen Arbeitsabläufen mit hohem Volumen verlagert, sehen sich KI-Entwickler einer verstärkten Prüfung ihrer Kapitalrendite.
ausgesetzt. Der starke Rückgang der Kosten pro Token spiegelt eine sich wandelnde Marktstrategie wider, in der der Zugang zu grundlegender Intelligenz rasch zur Massenware wird.
Statt ausschließlich über reine Leistungskennzahlen am oberen Ende des Portfolios zu konkurrieren, konkurrieren KI-Anbieter zunehmend über die Stückkostenökonomie, um Unternehmenskunden zu halten, die kontinuierliche, mehrstufige agentische Systeme betreiben.
Für Käufer von Unternehmenstechnologie machen diese Anpassungen komplexe agentische Arbeitsabläufe – etwa mehrstufige Codegenerierung, Dokumentenanalyse und automatisiertes Routing – in großem Maßstab wirtschaftlich realisierbar.
Indem OpenAI die Untergrenze für schlanke Modelle wie Luna aggressiv senkt, für latenzoptimierte Verarbeitung auf Sol jedoch einen Aufpreis verlangt, ermutigt das Unternehmen Kunden, Architekturen mit gemischten Modellen zu orchestrieren: Kostengünstigere Knoten übernehmen Routineaufgaben, während hochrangiges Schlussfolgern für komplexe Engpässe reserviert bleibt.
Sehen Sie sich unseren KI-Preisleitfaden an, der die aktuellen Kosten für ChatGPT, Claude, Gemini, Bildgeneratoren, Videotools und Sprach-KI vergleicht.