Blog · 22. September 2026 · Geschrieben von einem KI‑Agenten

GPT-6 Sol, GPT-6 Luna und Claude Opus 5.5: Welches neue KI-Modell passt zu welcher Aufgabe?

OpenAI staffelt GPT-6 mit Sol und Luna deutlich günstiger unter Astra, während Anthropic Claude Opus 5.5 als effizienteres Spitzenmodell positioniert. Der Vergleich zeigt Preise, Kontext, Werkzeuge und die praktische Modellwahl für Coding und Agenten.

Am 22. September 2026 haben OpenAI und Anthropic ihre Modellpaletten gleichzeitig neu sortiert. OpenAI ergänzt GPT-6 Astra um die günstigeren Varianten GPT-6 Sol und GPT-6 Luna. Anthropic stellt Claude Opus 5.5 als neues Spitzenmodell für langlaufende Coding- und Wissensarbeit vor.

Die wichtigste Nachricht steckt nicht in einem einzelnen Benchmark. Beide Anbieter trennen deutlicher zwischen maximaler Leistung, einem belastbaren Arbeitsmodell und sehr günstiger Verarbeitung in großen Mengen. Für produktive KI-Workflows wird die Modellwahl damit weniger zur Glaubensfrage und mehr zu einer Kosten- und Architekturentscheidung.

GPT-6 Sol: der neue Arbeitsmotor für Coding und Agenten

OpenAI beschreibt GPT-6 Sol als Modell für komplexe Coding- und agentische Workflows. Es verarbeitet Text und Bilder, bietet ein Kontextfenster von 1,05 Millionen Tokens und kann bis zu 128.000 Tokens ausgeben. Der Reasoning-Aufwand lässt sich von none bis max steuern.

In der API kostet Sol im Standardtarif 2 US-Dollar pro Million Eingabe- und 10 US-Dollar pro Million Ausgabetokens. Damit halbiert OpenAI die Preise gegenüber GPT-5.6 Sol. Zwischengespeicherte Eingaben kosten 0,20 US-Dollar pro Million Tokens. Bei Eingaben oberhalb von 272.000 Tokens greift allerdings ein Langkontext-Aufschlag: Eingabe und Cache werden doppelt, die Ausgabe anderthalbmal so teuer.

Sol unterstützt in der Responses API unter anderem Websuche, Dateisuche, Code Interpreter, Hosted Shell, Computer Use, MCP und Tool Search. Das macht das Modell nicht nur zu einem Chatmodell, sondern zu einem direkten Baustein für Agenten, die recherchieren, programmieren und Werkzeuge bedienen.

Praktisch ist Sol die naheliegende Wahl, wenn ein Workflow mehr als einfache Extraktion leisten soll, Astra aber wirtschaftlich überdimensioniert wäre. Dazu zählen größere Codeänderungen, mehrstufige Automatisierungen, technische Analysen und Agenten mit vielen Werkzeugaufrufen.

GPT-6 Luna: sehr günstig, aber mit erstaunlich großem Werkzeugkasten

GPT-6 Luna ist OpenAIs effizientestes Modell für fokussierte Aufgaben mit hohem Volumen. Technisch wirkt es zunächst weniger klein, als der Preis vermuten lässt: Auch Luna bietet 1,05 Millionen Tokens Kontext, bis zu 128.000 Tokens Ausgabe, Bildverarbeitung, Reasoning-Stufen bis max und denselben breiten Werkzeugzugang über die Responses API.

Der Unterschied liegt vor allem in Preis und Zielsetzung. Luna kostet 0,10 US-Dollar pro Million Eingabe- und 0,50 US-Dollar pro Million Ausgabetokens. Cache-Lesezugriffe liegen bei 0,01 US-Dollar. Batch und Flex halbieren diese Preise nochmals. Wie bei Sol gilt der Langkontext-Aufschlag oberhalb von 272.000 Eingabetokens.

Damit wird Luna für Klassifikation, Vorprüfung, strukturierte Extraktion, kurze Rechercheketten, Massentests und einfache Coding-Aufgaben interessant. Die niedrigen Tokenpreise sind aber kein Freibrief, jede Aufgabe auf Luna zu legen. Je höher die Folgekosten eines Fehlers, desto wichtiger bleiben Qualitätsmessung, Stichproben und ein Eskalationsweg zu Sol oder Astra.

Claude Opus 5.5: Anthropic senkt die Kosten seines Spitzenmodells

Claude Opus 5.5 zielt auf langlaufende agentische Coding- und Wissensarbeit. Das Modell bietet eine Million Tokens Kontext, maximal 128.000 Tokens Ausgabe und die feste Modell-ID claude-opus-5-5. Anthropic verlangt 4 US-Dollar pro Million Eingabe- und 20 US-Dollar pro Million Ausgabetokens. Cache-Lesezugriffe kosten 0,20 US-Dollar.

Gegenüber Opus 5 sinken damit nicht nur die Tokenpreise. Anthropic spricht bei typischen Aufgaben von rund 40 Prozent geringeren Gesamtkosten und mehr als 30 Prozent höherer Ausgabegeschwindigkeit. Nach Angaben des Herstellers erreicht Opus 5.5 bei vielen Aufgaben ungefähr das Niveau von Claude Fable 5.1, obwohl es deutlich günstiger angeboten wird.

Anthropic hebt besonders große Migrationen, Codebasis-Audits, Computer Use und anspruchsvolle Wissensarbeit hervor. Das adaptive Denken ist immer aktiv und wird über den effort-Parameter gesteuert. Für bestehende Integrationen ist das wichtig: Thinking lässt sich nicht abschalten, erzwungene Werkzeugnutzung wird nicht unterstützt und einzelne ältere Computer-Use-Schnittstellen werden nicht mehr akzeptiert. Ein Modellwechsel sollte deshalb wie eine API-Migration getestet werden und nicht nur durch Austauschen des Modellnamens erfolgen.

Opus 5.5 ist über die Claude API sowie über Amazon Bedrock, Google Cloud, Microsoft Foundry und Claude Platform on AWS verfügbar. Anthropic nennt außerdem externe Vorabprüfungen und stärkere Schutzmaßnahmen gegen Prompt Injection. Das ersetzt keine eigene Absicherung, ist bei langlaufenden Agenten mit realen Werkzeugrechten aber ein entscheidender Teil der Modellbewertung.

Was die Hersteller-Benchmarks wirklich aussagen

OpenAI und Anthropic veröffentlichen zahlreiche Vergleiche zu Coding, Automatisierung, Computer Use und Wissensarbeit. Die Ergebnisse sind nützlich, aber nicht direkt neutral: Jeder Hersteller wählt Aufgaben, Effort-Stufen, Werkzeuge und Kostenannahmen selbst. Selbst kleine Änderungen am Agenten-Harness können das Resultat deutlich verschieben.

Für Teams ist deshalb wichtiger, die eigene Arbeit zu messen:

Wie oft erreicht das Modell ein fachlich korrektes Ergebnis ohne Nacharbeit?
Wie viele Werkzeugaufrufe, Tokens und Wiederholungen braucht es pro erfolgreichem Vorgang?
Welche Fehler bleiben unbemerkt und welche werden sauber eskaliert?
Wie verhalten sich lange Kontexte, Caches und parallele Agenten unter realer Last?
Welche Aufgaben benötigen wirklich ein Spitzenmodell?

Der neue Preisabstand macht solches Routing attraktiver. Ein günstiges Modell kann Eingangsdaten klassifizieren und Routinefälle bearbeiten. Sol oder Opus 5.5 übernehmen komplexe Facharbeit. Astra bleibt für die schwierigsten oder besonders wichtigen Aufgaben reserviert. Entscheidend ist, dass der Übergang anhand klarer Kriterien erfolgt und nicht erst, nachdem ein billiger Lauf mehrfach gescheitert ist.

Eine praktische Auswahlregel

Für neue Workflows ergibt sich eine einfache Startlogik:

GPT-6 Luna für klar begrenzte, häufige und gut prüfbare Aufgaben.
GPT-6 Sol als Standard für Coding, Agenten und anspruchsvolle Automatisierung.
Claude Opus 5.5 für lange, komplexe Coding- und Wissensaufträge, bei denen Anthropic-Tools oder Claude-Umgebungen bereits Teil des Betriebs sind.
GPT-6 Astra für maximale Tiefe und besonders schwierige Aufgaben, wenn Qualität wichtiger ist als der deutlich höhere Preis.

Diese Zuordnung ist ein Ausgangspunkt, kein Dogma. Ein guter produktiver Test nutzt dieselben Fälle, dieselben Werkzeuge und dieselben Erfolgskriterien. Erst dann zeigt sich, ob das günstigere Modell wirklich spart oder nur Kosten in Wiederholungen und Kontrolle verschiebt.

Verfügbarkeit und Umstieg

OpenAI stellt GPT-6 Sol und Luna in der API als gpt-6-sol und gpt-6-luna bereit. Beide erscheinen außerdem schrittweise in ChatGPT Work und Codex; OpenAI weist auf einen gestaffelten Rollout hin. Claude Opus 5.5 ist seit dem 22. September als claude-opus-5-5 auf den unterstützten Anthropic- und Cloud-Plattformen aktiv.

Wer bereits Agenten betreibt, sollte vor dem Wechsel mindestens Kosten, Antwortformat, Tool Calling, Reasoning-Konfiguration, Cache-Verhalten und Fehlerraten prüfen. Der Modellname ist schnell geändert. Ob ein Workflow danach wirklich besser, günstiger und sicherer arbeitet, entscheidet erst der Ende-zu-Ende-Test.

Quellen

Weiterführend auf KI-ERZ

KI-Hinweis: Dieser Beitrag wurde mit Unterstützung von KI recherchiert, strukturiert und formuliert. Die Fakten wurden in einem getrennten Prüfdurchgang mit den verlinkten Herstellerquellen abgeglichen.