Neue OpenAI-Modelle: Besser im Benchmark, besser im Einsatz?

Laut Artificial Analysis liefert GPT-6.1 Terra bessere Ergebnisse als sein Vorgänger und kostet dabei weniger. In der Bewertung vom 26. Oktober 2026 liegt das Modell bei maximalem Rechenaufwand im Intelligence Index sechs Punkte vor der vorherigen Terra-Version. Die durchschnittlichen Kosten pro Aufgabe sinken von 1,40 auf 0,40 US-Dollar. Diese Ergebnisse und Kosten beziehen sich auf die Aufgaben dieser Evaluation.

Mit jedem neuen Modell kommt ein vertrautes Versprechen: bessere Leistung, höhere Effizienz, geringere Kosten. Bei den letzten OpenAI-Versionen erlebe ich das allerdings nicht so. Seit ich nach GPT-5.5 auch Versionen von GPT-5.6 und GPT-6 nutze, stoße ich auf mehr Fehler.

Ein kontrollierter Vergleich zwischen dem hier vorgestellten GPT-6.1 Terra und den von mir genutzten Versionen ist das nicht. Zwischen der Erwartung, die solche Meldungen wecken, und meiner eigenen Erfahrung liegt aber eine Lücke. Warum bereitet mir ein angeblich besseres Modell bei meiner Arbeit mehr Probleme?

Ein niedrigerer Preis reicht als Wechselgrund nicht aus

Ein Modell, das dieselbe Arbeit genauso korrekt erledigt, dafür aber weniger Zeit und Ressourcen braucht, wäre mir willkommen. Das wäre eine Verbesserung. Wenn die Genauigkeit sinkt, lässt sich ein niedrigerer Preis allein jedoch schwer als Gewinn verbuchen.

Eine Antwort kommt vielleicht schneller, muss aber noch einmal geprüft werden. Jemand muss fehlende Informationen finden oder das Modell die Aufgabe erneut bearbeiten lassen. Manche Fehler bleiben womöglich unbemerkt. Ein günstigerer Modellaufruf beseitigt diesen Aufwand nicht.

Genau das stört mich an den jüngsten GPT-Versionen. Wenn ich die gemeldeten Verbesserungen bei meiner eigenen Arbeit nicht bemerke, kann ich den Wechsel zur neueren Version nicht ohne Weiteres für eine gute Entscheidung halten.

Onur Tırpan berichtet aus seinen Tests von einem ähnlichen Problem

In seinem Vergleich von Opus 5.5 und GPT-6 Sol beschreibt Onur Tırpan Tests aus seinen eigenen Unternehmensanwendungen. Dabei geht es um mehr als eine plausibel klingende Antwort. Relevante Dokumente müssen gefunden und geprüft, benötigte Informationen entnommen, irrelevante Inhalte ausgeschlossen und die Ergebnisse für den nächsten Schritt aufbereitet werden. Diese Aufgaben hängen voneinander ab.

Seine Beobachtungen gehen in eine ähnliche Richtung wie meine Erfahrung: Einige neuere GPT-Modelle kosten weniger und sind schneller fertig, liefern in seiner Anwendung aber weniger korrekte Ergebnisse. Das sind andere Tests und Modellvergleiche als in der Terra-Meldung am Anfang. Es handelt sich um den Bericht eines Praktikers über seine eigenen Anwendungen. Die Rohdaten und sämtliche verwendeten Einstellungen habe ich nicht unabhängig geprüft.

Aufgefallen ist mir vor allem, wie er zwischen einer Unklarheit, die eine menschliche Entscheidung erfordert, und einem unbemerkten Fehler unterscheidet. Erkennt das System einen mehrdeutigen Fall und fragt einen Menschen, können seine Kontrollen durchaus funktionieren. Lässt es hingegen eine Information weg oder erfindet etwas und arbeitet weiter, als sei das Ergebnis korrekt, liegt ein anderes Problem vor. Ein Durchschnittswert kann Verhaltensweisen verdecken, die für ein Unternehmen sehr unterschiedliche Folgen haben.

Zugleich berichtet Onur, dass sich bei Opus 5.5 Qualität, Kosten und Geschwindigkeit gemeinsam verbessert haben. Sein Bericht stützt also nicht die Behauptung, jedes günstigere Modell werde schlechter. Entscheidend ist, wie das neue Modell eine bestimmte Aufgabe erledigt und welche Fehler es dabei macht.

Gehen die niedrigeren Kosten zulasten der Qualität?

Meine Erfahrungen mit den jüngsten OpenAI-Versionen vermitteln mir manchmal diesen Eindruck. Es fühlt sich an, als gingen einige Fähigkeiten verloren, die ich brauche, während sich Kosten und Geschwindigkeit verbessern.

Die Ursache dafür kenne ich allerdings nicht. Mehr Fehler bei der Nutzung zeigen nicht, welche technischen Entscheidungen der Anbieter getroffen hat. Auch Onurs Erklärungen zu Optimierung und Infrastruktur sind Hypothesen. Sie sollten nicht als nachgewiesene Ursachen eines Qualitätsverlusts dargestellt werden.

Ich weiß nicht, warum mir bei OpenAIs neuesten Modellen mehr Fehler begegnen. Um ein Modell auszuwählen, brauche ich diese technische Erklärung aber nicht. Mein Maßstab ist, wie korrekt es meine Arbeit erledigt. Macht das bisherige Modell dabei weniger Fehler, ist es sinnvoller, dieses weiter zu nutzen.

Die neue Version muss sich bei meiner Arbeit bewähren

In meinem Beitrag darüber, warum dasselbe KI-Modell in verschiedenen Anwendungen unterschiedliche Ergebnisse liefert, habe ich beschrieben, warum neben dem Modell auch Kontext, Werkzeuge, Berechtigungen und Arbeitsablauf zählen. Ein Update verändert einen Teil dieses Systems. Wir können nicht voraussetzen, dass zuvor funktionierendes Verhalten erhalten bleibt.

Auch die Frage, wann günstigere Antworten mehr menschliche Prüfung erfordern, habe ich bei der Modellwahl bereits behandelt. Die aktuelle Meldung führt mich zu derselben Frage zurück: Bekomme ich dieselbe Arbeit für weniger Geld, oder bezahle ich die Differenz durch zusätzlichen Korrekturaufwand?

Benchmark-Ergebnisse müssen wir deshalb nicht verwerfen. Wir müssen sie mit Blick darauf lesen, welche Aufgaben und Messgrößen ihnen zugrunde liegen. Ob ein Unternehmen oder ich selbst das Modell wechseln sollte, kann eine solche Ankündigung aber nicht entscheiden.

Ein höherer Wert als beim Vorgängermodell ist interessant. Erledigt das neue Modell dieselbe Arbeit mit weniger Fehlern, gibt mir das einen Grund zum Wechsel. Bei den letzten GPT-Versionen habe ich nicht immer erlebt, dass beides zusammenkommt.