OpenAI hat mit GPT-6 Sol und GPT-6 Luna zwei kleinere Modelle vorgestellt, die speziell auf Coding- und Agentenaufgaben zugeschnitten sind. Auffällig ist weniger die reine Leistungssteigerung als der Preis: Laut einem Bericht von retail-news.de kostet GPT-6 Sol 2 US-Dollar pro Million Eingabe- und 10 US-Dollar pro Million Ausgabe-Token, GPT-6 Luna startet bei 0,10 beziehungsweise 0,50 US-Dollar. Damit liegen beide Modelle rund 50 Prozent unter den bisherigen Aktionspreisen von GPT-5.6. Das ist kein Detail am Rand, sondern der eigentliche Kern dieser Veröffentlichung.

Zwei Modelle, zwei Zielgruppen

Die Aufteilung wirkt bewusst gewählt. Sol richtet sich an anspruchsvollere Coding- und Agenten-Workflows, bei denen Qualität und Zuverlässigkeit wichtiger sind als der letzte Cent. Luna dagegen ist auf Kostenoptimierung ausgelegt und dürfte für massenhafte, wiederkehrende Aufgaben interessant sein – etwa Klassifikation, einfache Tool-Aufrufe oder Routineoperationen in einer Agentenkette. Beide sind zunächst in ChatGPT Work und Codex für zahlende sowie institutionelle Nutzer verfügbar; über die API laufen sie unter den Bezeichnungen gpt-6-sol und gpt-6-luna.

Für Entwickler ist vor allem relevant, dass OpenAI zusätzlich ein 30-minütiges Prompt-Caching-Fenster und Diagnosewerkzeuge für GPT-6 eingeführt hat. Lange, wiederkehrende Kontextteile machen bei dauerhaft laufenden Agenten einen erheblichen Teil der Betriebskosten aus. Wenn derselbe Systemprompt, dieselbe Wissensbasis oder derselbe Gesprächsverlauf innerhalb von 30 Minuten wiederverwendet werden kann, sinken die effektiven Kosten deutlich stärker als es der reine Tokenpreis vermuten lässt. Die Diagnosewerkzeuge sollen dabei helfen, Caching-Trefferquoten und Kosten pro Aufgabe sichtbar zu machen – ein Punkt, der in der Praxis oft über die Wirtschaftlichkeit eines Agenten entscheidet.

Ein Preiskampf mit Ansage

Der Schritt fällt nicht in ein Vakuum. Anthropic hat zeitgleich Claude Opus 5.5 mit niedrigeren Preisen positioniert. Beide Anbieter bewegen sich damit in dieselbe Richtung: leistungsfähige Modelle werden nicht mehr primär über Benchmark-Spitzenwerte verkauft, sondern über Kosten pro erledigter Aufgabe. Für Unternehmen, die Agenten dauerhaft betreiben wollen, verschiebt das die Kalkulation erheblich. Ein Modell, das pro Anfrage etwas schwächer abschneidet, aber ein Fünftel kostet, kann in einem automatisierten Workflow die günstigere Wahl sein – vorausgesetzt, die Fehlerrate bleibt beherrschbar.

Genau hier liegt die offene Frage. Günstigere Modelle bedeuten nicht automatisch günstigere Systeme. Wenn Luna häufiger nachfragen muss, mehr Retries produziert oder bei komplexen Coding-Aufgaben scheitert, kann der Preisvorteil schnell verpuffen. Die angekündigten Diagnosewerkzeuge sind deshalb mehr als Beiwerk: Sie sind die Voraussetzung dafür, dass Entwickler den tatsächlichen Kostenunterschied zwischen Sol, Luna und den größeren Modellen überhaupt messen können. Ohne diese Transparenz bleibt die Preissenkung eine Zahl auf einer Webseite.

Fazit

GPT-6 Sol und Luna sind weniger ein einzelnes Modell-Upgrade als ein Signal. OpenAI positioniert sich damit im Markt für günstige, dauerhaft laufende KI-Agenten – einem Feld, das gerade zum zentralen Wettbewerbsbereich wird. Die Kombination aus niedrigeren Tokenpreisen, längerem Prompt-Caching und Diagnosewerkzeugen zeigt, dass die Kostenoptimierung inzwischen genauso wichtig ist wie die reine Modellfähigkeit. Ob sich das für Anwender tatsächlich rechnet, hängt allerdings vom konkreten Workflow ab und davon, wie gut die kleineren Modelle mit echten, unordentlichen Aufgaben zurechtkommen. Die Preise sind gesenkt – der Beweis steht noch aus.