Ist GPT-6 Astra auf low wirklich günstiger? Tokenverbrauch, Kosten und Geschwindigkeit gemessen gegen GPT-5.6 Sol auf high

Ein neueres Modell ist klüger, aber teurer — so denkt man für gewöhnlich. Bei GPT-6 Astra und GPT-5.6 Sol führt der Vergleich der Stückpreise allerdings zu gar nichts, denn Astra erledigt dieselbe Aufgabe mit weniger Tokens.

Das Ergebnis vorweg. In Messungen des unabhängigen Benchmark-Anbieters Artificial Analysis kostet Astra auf seiner schwächsten Stufe low pro Aufgabe fast genau so viel wie Sol auf high ($0.82 gegenüber $0.81) — und schneidet dabei besser ab (46 gegenüber 42). Es verbraucht ein Drittel der Output-Tokens, und die Wartezeit, bis die Antwort einsetzt, ist ein Viertel so lang.

Dieses „fast genau so viel“ steht allerdings auf einer Grundlage mit Verfallsdatum. Sol läuft derzeit zu einem Aktionspreis, der laut Ankündigung Ende November 2026 ausläuft, danach kann der Preis wieder steigen. Auf Basis der Messungen von Artificial Analysis und der offiziellen Angaben von OpenAI mit Stand vom 18. September 2026 ordnet dieser Artikel Kosten, Tokens und Geschwindigkeit je Reasoning-Effort ein, rechnet durch, wie die Zahlen aussehen, sobald sich die Grundlage ändert, und zeigt, wie sich der Unterschied beim Coding auswirkt.

1. Der Streitpunkt: 2,5-facher Stückpreis, ein Drittel der Tokens

Bleibt man beim Stückpreis stehen, ist Astra unübersehbar das teure Modell.

Quellen: OpenAI-Entwicklerdokumentation „GPT-6 Astra“, Ankündigung der Preissenkung in der OpenAI-Entwickler-Community (21. August 2026)

Gegen den Aktionspreis gerechnet liegt Astras Stückpreis beim Input beim 2,5-Fachen und beim Output ebenfalls beim 2,5-Fachen. Wer nur darauf schaut, ist beim Urteil „zu teuer, um sich damit zu befassen“ schon am Ende.

In Rechnung gestellt wird allerdings der Stückpreis mal die tatsächlich verbrauchten Tokens. Ein Reasoning-Modell denkt nach, bevor es antwortet, und dieses Nachdenken wird ebenfalls als Output-Tokens abgerechnet. Ein Modell, das mit weniger Nachdenken zur richtigen Antwort kommt, kann deshalb trotz höherem Stückpreis unterm Strich günstiger sein — das ist die Frage, die dieser Artikel beantworten soll.

2. Wer hat eigentlich gesagt, dass low reicht?

Am Anfang stand eine Behauptung: Astra auf low ist besser als Sol auf high. Prüfen wir, woher sie stammt.

Sie geht zurück auf einen Beitrag, den ein OpenAI-Mitarbeiter (Tibo) am 6. September 2026 auf X (früher Twitter) veröffentlicht hat. In der OpenAI-Entwickler-Community gibt sie auch ein Beitragender aufseiten von OpenAI wieder, der schreibt, OpenAIs Rat laute, GPT-6-Astra mit Reasoning low als Ersatz für GPT-5.6-Sol auf hoher Effort-Stufe zu behandeln.

🟡 Das ist allerdings eine Empfehlung aus einem Beitrag und nichts, was als Spezifikation zugesichert wäre. In OpenAIs Entwicklerdokumentation findet sich weder ein Vergleich zwischen den Effort-Stufen noch eine Aussage zur Token-Effizienz (von uns geprüft). Dort steht nur, dass es fünf Stufen des Reasoning-Effort gibt (low / medium / high / xhigh / max), dazu Preise und Limits. Nehmen Sie es als Faustregel und prüfen Sie es an Ihrer eigenen Arbeit nach.

Um „low reicht“ zu belegen, braucht es also eine unabhängige Messung.

3. Die Messwerte, Stufe für Stufe

Artificial Analysis lässt seinen Intelligence Index, ein Bündel aus mehreren Benchmarks, auf jeder Effort-Stufe laufen und veröffentlicht neben der Punktzahl auch die Kosten pro Aufgabe und die Zahl der Output-Tokens. Hier die Werte mit Stand vom 18. September 2026.

Quellen: die Modellvergleichsseiten von Artificial Analysis (low vs. high, medium vs. high, high vs. high, xhigh vs. xhigh, low vs. medium) sowie die Modellseite von Sol. Die Kosten sind mit Sols Aktionspreis berechnet. Die Angaben zu den Output-Tokens sind die auf Tausender gerundeten Anzeigewerte und umfassen Antwort und Reasoning zusammen. Der Wert für die Output-Tokens von Sol max fehlt, weil wir ihn im Diagramm nicht sicher ablesen konnten

Drei Dinge lassen sich daraus ablesen.

• Astra auf low setzt sich sowohl gegen Sol high als auch gegen Sol xhigh durch. Es kostet etwa so viel wie Sol high (42 Punkte, $0.81) und liegt dabei 4 Punkte höher, und es liegt 2 Punkte über Sol xhigh (44 Punkte, $1.18) bei 30 Prozent weniger Kosten. Günstiger als Sol medium (39 Punkte, $0.50) ist es allerdings nicht — dieser Vergleich läuft darauf hinaus, ob 7 Punkte mehr die $0.32 wert sind
• Astra wird mit steigendem Effort rasch teuer. $1.54 bei medium (etwa das 1,9-Fache von Sol high), $3.26 bei max (etwa das 4-Fache). Die Punktzahl klettert dabei nur um 7 Punkte, von 46 auf 53
• Die einzige Sol-Einstellung, die über Astras low liegt, ist max. Für diese 47 Punkte kostet es $1.99, also das 2,4-Fache

4. Warum die Summen gleichauf liegen

Dass ein 2,5-facher Stückpreis auf derselben Summe landet, liegt am Verbrauch von einem Drittel der Tokens. Zur Probe genügt eine schlichte Multiplikation.

Quellen: Die Kosten des Output-Anteils sind unsere eigene Berechnung aus den Tokenzahlen oben und den offiziellen Stückpreisen (4.000 × $50 ÷ 1.000.000 = $0.20). Die Tokenzahlen sind auf Tausender gerundet, damit ist auch diese Rechnung eine Näherung. Artificial Analysis veröffentlicht zusätzlich ein Diagramm, das die Kosten nach Token-Art aufschlüsselt (Antwort, Reasoning, Caching, Input), doch die dort ablesbaren Werte schwankten, deshalb vergleichen wir hier über die Gesamtsummen und die Anzeigewerte. Die Gesamtsummen sind die von Artificial Analysis veröffentlichten Werte

Sieht man allein auf den Output, kippt es: Selbst beim 2,5-fachen Stückpreis zahlt Astra weniger ($0.20 gegenüber $0.26). Dass die Gesamtsummen gleichauf enden, liegt daran, dass Astras höherer Stückpreis anschließend beim übrigen Input und beim Caching zuschlägt.

Daraus ergibt sich eine praktische Faustregel. Je kürzer der Input und je stärker die Arbeit vom Nachdenken bestimmt wird, desto besser fährt Astra auf low; je mehr Kontext Sie jedes Mal lesen lassen, desto schlechter. Wie sich Kontext verhält, behandeln wir in Was ist KI-Kontext? — Die „liest, aber liest nicht“-Realität der 1M-Token-Ära.

5. Geschwindigkeit: ein Viertel der Wartezeit

Wenn die Kosten gleichauf liegen, kommt als Nächstes das Tempo. Sol erzeugt pro Token schneller (60 gegenüber 49 tok/s), und trotzdem ist die Zeit, bis die Antwort vollständig zurück ist, bei Astra low kürzer. Der Grund sind die Denkzeit (die Wartezeit auf das erste Token) und der Unterschied in der Zahl der ausgegebenen Tokens.

Quelle: Messwerte von Artificial Analysis (die Zeit bis zum ersten Token und die Generierungsdauer pro Aufgabe). Die Summen haben wir selbst gebildet. Die Kennzahl für die Generierungsdauer ist so definiert, dass sie die Wartezeit auf das erste Token ausschließt, deshalb lassen sich beide Werte schlicht addieren. Beachten Sie allerdings, dass Wartezeit und Tempo aus einer eigenen Messung mit 500 ausgegebenen Tokens stammen, während die Generierungsdauer der Durchschnitt des Index pro Aufgabe ist — die beiden Messungen haben also unterschiedliche Herkunft

Astra low ist rund 2,5-mal so schnell fertig wie Sol high. Dreht man dagegen auf max hoch, wartet man fünf Minuten, bis das erste Zeichen erscheint (300,45 Sekunden). Im Dialogbetrieb fällt dieser Unterschied in der Wartezeit stärker ins Gewicht als die Kosten.

6. Der Tag, an dem die Grundlage wegfällt — Sols Aktionspreis

Der bisherige Gleichstand gilt nur zu Sols Aktionspreis. Am 21. August 2026 hat OpenAI angekündigt, „die Preise für API und Credits von GPT-5.6 Sol in den nächsten 3 Monaten um über 20 % zu senken“ (Input von $5 auf $4, Cache-Input von $0.50 auf $0.40, Output von $30 auf $20; es gilt auch für die Credits von ChatGPT Work und Codex). Wenn die Ankündigung Bestand hat, ist das ein befristeter Preis, der bis Ende November 2026 läuft.

🟡 Weder eine Aussage, die das Enddatum benennt, noch der Preis danach stammt von OpenAI. Im selben Thread schreibt ein Nutzer „mindestens bis zum 21. November 2026“ und sagt, die Senkungen für Terra und Luna (Terra von $2.50 auf $2.00 und von $15 auf $12, Luna von $1.00 auf $0.20 und von $6.00 auf $1.20, wirksam seit dem 30. Juli 2026) seien dauerhaft — doch das ist der Beitrag eines Nutzers und keine Ankündigung von OpenAI.

Angenommen, es geht zurück auf die ursprünglichen $5/$30, dann steigen Input und Caching um den Faktor 1,25 und der Output um den Faktor 1,5. Von einer Sol-high-Aufgabe ($0.81) entfallen rund $0.26 auf den Output-Anteil, mit dem Rest beim 1,25-Fachen und dem Output beim 1,5-Fachen ergibt das rund $1.08. Nimmt man die beiden Extreme, alles auf den Input oder alles auf den Output gewichtet, bleibt es in einer Spanne von $1.01 bis $1.22. So oder so kommt Astra low ($0.82) 20 bis 30 Prozent günstiger heraus.

7. Beim Coding schrumpft der Abstand

Alles bisher betrifft den Intelligence Index, also die Gesamtwertung. Im Index, der die Arbeit von Coding-Agenten misst, schrumpft der Preisabstand.

Im Gesamtindex ist Astra auf der jeweils höchsten Effort-Stufe mit $3.26 rund 60 Prozent teurer als Sol mit $1.99. Im Coding-Agent-Index dagegen kommt Astra auf $7.09 pro Aufgabe und liegt damit nur rund 15 Prozent über Sol. Die Punktzahlen lauten 62 gegenüber 55, Astra liegt also 7 Punkte vorn, und die Tokens sind ein Drittel. Coding ist für Astra mit anderen Worten ein vergleichsweise günstiges Terrain.

Allerdings 🟡 veröffentlicht der Coding-Index keine Kosten für die niedrigeren Effort-Stufen. Genau die Frage, um die es in diesem Artikel geht, ob low reicht, ist für Coding unbelegt. Nehmen Sie die Faustregel, die der Gesamtindex hergibt — „ein gutes Geschäft, wenn eine schwache Stufe reicht, und überteuert, sobald Sie ganz aufdrehen“ —, und messen Sie an Ihrem eigenen Agenten nach.

Quelle: Artificial Analysis, „Benchmarking GPT-6 Astra“ (Coding Agent Index, verglichen auf der Effort-Stufe max. Veröffentlicht am 9. September 2026)

Zwei weitere Bedingungen lassen Astras Rechnung übrigens in die Höhe schnellen. Oberhalb von 272.000 Input-Tokens verdoppeln sich Input und Caching, und der Output steigt um den Faktor 1,5. In die andere Richtung gilt: Batch und Flex kosten die Hälfte, Fast das Doppelte. Wenn Sie jedes Mal ein langes Dokument im Ganzen übergeben, ist dieser Aufschlag genau das, was Sie trifft.

8. Messen Sie es an Ihrer eigenen Arbeit

Alle Zahlen oben wurden an einem Sortiment von Benchmarks gemessen. Ihre Arbeit besteht aus etwas anderem. Entscheiden Sie erst, nachdem Sie an Aufgaben gemessen haben, die Ihren tatsächlichen Alltag abbilden. Drei Schritte.

1. Schicken Sie dieselbe Anfrage durch beide Einstellungen: Stellen Sie Astra auf low und Sol auf high und geben Sie dieselben Eingaben je 5 bis 10 Mal auf. Bei einem einzigen Durchlauf zieht eine Anfrage, die zufällig lange nachgedacht hat, das Ergebnis in eine Richtung
2. Lesen Sie die Zahlen in der Antwort, nicht die Rechnung: Notieren Sie die Tokenzahlen, die die Antwort mitliefert (Input, Output, Reasoning). Mit dem Stückpreis multipliziert ergibt das die Kosten pro Anfrage. Die Grundlagen der API-Preise haben wir in Was ist eine KI-API? — Einsteigerleitfaden zu Preisen, Tokens und Modellwahl zusammengetragen
3. Zählen Sie auch die Wiederholungen mit: Wenn das günstige Modell nicht in einem Durchgang fertig wird und Sie es zweimal losschicken, sind die tatsächlichen Kosten doppelt so hoch. Vergleichen Sie die Kosten als „Summe, bis die Arbeit erledigt ist“, nicht als „Preis eines Aufrufs“

FAQ

Q1. Ist Astras low genauso stark wie Sols low?
Nein. Die Effort-Namen sind Einstellungen je Modell und keine gemeinsame Skala. In den Messungen liegt Astra low (46 Punkte) über Sols zweithöchster Stufe xhigh (44 Punkte). Vergleichen Sie über Punktzahl und Kosten, nicht über den Namen.

Q2. Mit welcher Effort-Stufe sollte ich anfangen?
Bei low zu beginnen und nach oben zu gehen, ist die sichere Wahl. Astras Kosten steigen steil mit dem Effort: bei medium rund das 1,9-Fache von Sol high, bei max rund das 4-Fache. Die Punktzahl bewegt sich nur um 7 Punkte, von 46 auf 53, je weiter Sie aufdrehen, desto weniger zahlt es sich also aus.

Q3. Sollte ich wechseln, sobald der Aktionspreis endet?
Die Preise bewegen sich zu Astras Gunsten. Kehren die ursprünglichen $5/$30 zurück, landet Sol high bei $1.01 bis $1.22 und Astra low ($0.82) kommt 20 bis 30 Prozent günstiger heraus. Allerdings 🟡 ist der Preis nach der Aktion nicht veröffentlicht.

Q4. Wenn es ein Drittel der Tokens braucht, hilft das auch bei Tarifen mit Nutzungsgrenzen?
Bei der nutzungsabhängigen API-Abrechnung ja. Aber es ist nirgends veröffentlicht, dass die Nutzungsgrenze eines Abonnements proportional zur Tokenzahl aufgebraucht wird. Prüfen Sie getrennt von der Preisfrage, wie Ihr Tarif damit umgeht.

Q5. Von wann stammen diese Zahlen?
Die Messwerte in diesem Artikel sind das, was Artificial Analysis mit Stand vom 18. September 2026 veröffentlicht hat. Preise wie auch Ergebnisse je Effort-Stufe werden aktualisiert, prüfen Sie deshalb vor einer Entscheidung die aktuellen Werte auf den Quellseiten.

Quellen

• Artificial Analysis — GPT-6 Astra (low) vs GPT-5.6 Sol (high) (Kosten, Tokens, Tempo, Wartezeit)
• dieselbe Seite — Astra (medium) vs Sol (high), Astra (high) vs Sol (high), Astra (xhigh) vs Sol (xhigh), Astra (low) vs Sol (medium)
• Artificial Analysis — GPT-5.6 Sol (Kosten und Tempo bei max)
• Artificial Analysis, „Benchmarking GPT-6 Astra“ (Coding Agent Index, Einordnung der Kosten über die Effort-Stufen)
• OpenAI-Entwicklerdokumentation — GPT-6 Astra (Stückpreise, die fünf Reasoning-Effort-Stufen, der Aufschlag ab 272K, Batch/Flex/Fast, Kontext)
• OpenAI-Entwickler-Community — die Preissenkung um 20 % für GPT-5.6 Sol (21. August 2026) (der Aktionspreis und seine Frist, die dauerhaften Senkungen für Terra und Luna)
• OpenAI-Entwickler-Community — Astra low/medium als Ersatz für Sol high (die Empfehlung, wiedergegeben als Äußerung eines Mitarbeiters)

Verwandte Artikel

• GPT-6 Astra Release: der vollständige Überblick — was sich geändert hat und welche Tarife es nutzen können
• GPT-5.6 Release: der vollständige Überblick (Luna/Terra/Sol) — wo die drei Modelle stehen
• Claude Opus 5: die Unterschiede zu Opus 4.8 und Fable 5 — die andere Option auf dem Tisch
• Was ist eine KI-API? — die Grundlagen von Preisen und Tokens
• Was ist KI-Kontext? — die Kosten, die mit längerem Input stärker zuschlagen