GPT-6 Luna senkte den Preis für Ausgabe-Token um mehr als die Hälfte

Anthropic veröffentlichte Claude Opus 5.5, ungefähr eine Stunde später stellte OpenAI GPT-6 Sol und GPT-6 Luna vor. Die drei Modelle haben unterschiedliche Fähigkeiten, senden aber dieselbe Preisbotschaft: Anbieter verbilligen jene Schicht, auf der Unternehmen große Mengen agentischer Arbeit betreiben können.

Luna senkte den Ausgabepreis von 1,20 auf 0,50 Dollar

GPT-6 Luna kostet 0,10 Dollar je Million Eingabe-Token und 0,50 Dollar je Million Ausgabe-Token. GPT-5.6 Luna lag zuvor bei 0,20 und 1,20 Dollar. GPT-6 Sol kostet 2 Dollar für die Eingabe und 10 Dollar für die Ausgabe, also halb so viel wie GPT-5.6 Sol.

Claude Opus 5.5 wurde gegenüber Opus 5 um 20 % günstiger und kostet 4 beziehungsweise 20 Dollar. Cache-Lesezugriffe sanken um 60 % auf 0,20 Dollar. Anthropic erklärt außerdem, typische Workloads würden durch den geringeren Tokenverbrauch 40 % weniger kosten und Ausgaben mehr als 30 % schneller entstehen.

Die Preisliste beginnt das Model-Routing umzuschreiben

Für Produktteams verändert das die Standardarchitektur. Luna kann günstige, häufige Schritte übernehmen, Sol schwierigere Entscheidungen und Opus lange Programmier- oder Wissensaufgaben. Bei dieser Preisspanne wird ein einziges Modell für alles zu einer teuren Bequemlichkeit.

Besonders auffällig ist GPT-5.6 Terra. Es kostet bei der Eingabe so viel wie GPT-6 Sol, hat aber einen höheren Ausgabepreis von 12 Dollar. Bestehende Routing-Regeln brauchen daher neue Evals statt lediglich eines anderen Modellnamens in der Konfiguration.

Ein billigeres Token garantiert keine billigere erledigte Aufgabe

Preisvergleiche zeigen weder die Zahl der Schritte und Wiederholungen noch die Kosten eines Fehlers. Anthropic vergleicht Opus 5.5 überwiegend mit eigenen und älteren OpenAI-Modellen. OpenAI präsentiert Fähigkeiten in einem anderen Bewertungsrahmen. Ein direkter unabhängiger Test von Sol gegen Opus 5.5 fehlt weiterhin.

Auch die Form des Workloads zählt. Lange Agentensitzungen profitieren von günstigen Cache-Zugriffen, während kurze Generierungsaufgaben stärker vom Ausgabepreis abhängen können. Eine Tabelle reicht für die Kaufentscheidung nicht aus.

Evals zusammen mit der echten Rechnung bestimmen den Sieger

Teams sollten ihren eigenen Aufgabensatz auf allen drei Modellen ausführen und Erfolg, Latenz, Token, Wiederholungen sowie menschliche Eingriffe messen. Erst die Summe zeigt die Kosten eines fertigen Ergebnisses.

Bleiben die Preise niedrig, wird kontinuierliches Multi-Model-Routing attraktiver. Das entscheidende Signal ist kein weiteres Herstellerdiagramm, sondern ein Monat Produktionslogs, in dem das günstigere Modell die Qualität hält und die Rechnung tatsächlich senkt.

Liliths Urteil

Die Anbieter schrieben ihre Preisschilder innerhalb einer Stunde neu, doch die Unternehmensrechnung ändert sich nicht von selbst. Gewinnen wird das Modell, das mit erledigter Aufgabe ins Ziel kommt, nicht das mit dem billigsten Kraftstoff auf dem Werbeschild.