OpenAI hat am 22. September 2026 mit GPT-6 Sol und GPT-6 Luna zwei neue Modelle veröffentlicht und dabei die API-Preise gegenüber den Vorgängern um rund die Hälfte gesenkt. Die beiden Modelle ergänzen das gut drei Wochen zuvor gestartete GPT-6 Astra zu einer dreistufigen Modellfamilie, wie VentureBeat berichtet.
Kurzfassung
- OpenAI hat GPT-6 Sol und GPT-6 Luna veröffentlicht, mit API-Preisen rund 50 Prozent unter den Vorgängermodellen der GPT-5.6-Reihe.
- GPT-6 Sol kostet laut OpenAI 2 US-Dollar Input und 10 US-Dollar Output je 1 Million Token, Luna 0,10 und 0,50 US-Dollar (Stand: September 2026).
- Das betrifft jede Automatisierung, deren Kalkulation Modellkosten je Vorgang gegen die nötige Fähigkeit abwägt.
Drei Preisstufen statt einer Kostenfrage
Mit Sol und Luna hat OpenAI die GPT-6-Generation zu einer klar gestaffelten Familie ausgebaut. Astra ist laut OpenAI für die anspruchsvollsten Aufgaben gedacht, Sol als Allrounder für wiederkehrende, aber nicht triviale Arbeit, Luna für hochvolumige Routinetätigkeiten. Laut den Preisangaben von OpenAI gelten für die Standard-Verarbeitung folgende Listenpreise in US-Dollar je 1 Million Token (Stand: September 2026):
| Preisposition | GPT-6 Astra | GPT-6 Sol | GPT-6 Luna |
|---|---|---|---|
| Input | 10 USD | 2 USD | 0,10 USD |
| Output | 50 USD | 10 USD | 0,50 USD |
Zum Vergleich: Der Vorgänger GPT-5.6 Sol kostete 4 US-Dollar Input und 20 US-Dollar Output, GPT-5.6 Luna 0,20 und 1,20 US-Dollar. Bei Sol hat sich der Preis damit exakt halbiert, bei Luna liegt die Ersparnis sogar leicht darüber.
Einer OpenAI-Sprecherin zufolge, wie sie VentureBeat zitiert, sind das dauerhafte Preise, keine befristete Einführungsaktion. Für Aufgaben, die eine schnellere Antwort brauchen, bietet OpenAI zusätzlich einen Fast-Modus an. Er ist laut Preisliste etwa doppelt so teuer wie die Standard-Verarbeitung, bei allen drei Modellen gleichermaßen.
Was die Benchmarks zeigen
Die folgenden Werte stammen aus OpenAIs eigenen Auswertungen zur Veröffentlichung, wie sie VentureBeat und eine Zusammenfassung von digitalapplied.com wiedergeben. Es sind Herstellerangaben, keine unabhängige Prüfung, und jedes Modell erreicht seinen Bestwert bei einer eigenen Reasoning-Stufe und zu unterschiedlichen Kosten je Aufgabe. Alle Werte in Prozent, außer der Fehlerquote, die niedriger besser ist.
| Benchmark | Luna | Sol | Astra | GPT-5.6 Sol |
|---|---|---|---|---|
| AutomationBench 1.0.6 | 20,7 | 33,2 | 41,4 | nicht angegeben |
| Agents’ Last Exam | 50,9 | 56,4 | 59,3 | nicht angegeben |
| DeepSWE 1.1 (lange Software-Aufgaben) | 66,6 | 68,8 | 74,1 | 72,7 |
| OSWorld 2.0 (Computerbedienung) | 52,7 | 64,4 | 73,5 | 66,2 |
| Fehlerquote bei Fakten | 7,6 | 4,5 | 3,9 | nicht angegeben |
Die Rangfolge Luna, Sol, Astra hält bei fast allen Werten. Eine Ausnahme fällt auf: Bei DeepSWE und bei OSWorld schlägt der teurere Vorgänger GPT-5.6 Sol den neuen GPT-6 Sol, trotz eines laut den Quellen deutlich höheren Preises je Aufgabe. Wer einen bestehenden Ablauf mit GPT-5.6 Sol betreibt, sollte den Wechsel deshalb am eigenen Prozess testen. Die niedrigeren Token-Preise allein reichen als Grundlage nicht.
Welches Modell für welche Aufgabe
Für die Prozessautomatisierung im Mittelstand ist weniger der Einzelpreis interessant als die Aufteilung nach Aufgabentyp. Ein Posteingang, der eingehende Anfragen nur in feste Kategorien sortiert, ist eine hochvolumige, aber fachlich enge Aufgabe. Dasselbe gilt für eine Belegverarbeitung, die Rechnungsfelder nach einem festen Schema extrahiert. Für dieses Profil kommt Luna zum Bruchteil des Preises der größeren Modelle infrage.
Eine Rechnungsprüfung mit Rückfragen an mehrere Systeme oder eine Klassifikation mit Begründungspflicht braucht dagegen mehr Kontextverständnis, ohne an die Grenzen von Astra zu stoßen: die Domäne von Sol. Astra bleibt für Aufgaben reserviert, bei denen ein Fehler teuer wird und mehrstufiges Schlussfolgern zählt, etwa eine komplexe Vertragsprüfung.
Die relevante Rechnung ist deshalb nicht der Preis pro Token, sondern der Preis pro erledigtem Vorgang bei der geforderten Fehlerquote. Ein Modell für alle Aufgaben eines Ablaufs einzusetzen, ist meist teurer als die Aufgaben nach Schwierigkeit auf mehrere Modelle zu verteilen.
Die Kriterien für diese Abwägung über mehrere Anbieter hinweg, samt Preis- und Hosting-Vergleich, haben wir im LLM Vergleich für Unternehmen zusammengestellt.
EU-Datenresidenz bleibt eingeschränkt
Für Abläufe mit personenbezogenen Daten oder Mandantendaten zählt neben dem Preis, wo die Verarbeitung stattfindet. Laut OpenAIs eigener Dokumentation ist EU-Datenresidenz für GPT-6 Sol und Luna nur mit Standard-Verarbeitung verfügbar, nicht mit den erweiterten Verarbeitungsmodi. Wer auf eine vollständige EU-Abdeckung angewiesen ist, muss die konkrete Verarbeitungsart also vorher mit OpenAI klären. Die allgemeine EU-Datenresidenz-Zusage genügt dafür nicht.
Wie sich Verarbeitungsort, Speicherung und Vertragspartner bei mehreren Anbietern sauber auseinanderhalten lassen, beschreibt der Beitrag KI und EU-Datenresidenz.
Einordnung
GPT-6 Sol und Luna verschieben die Modellwahl weg von der Frage, welches Modell insgesamt am stärksten ist, hin zur Frage, welches Modell eine konkrete Aufgabe zum niedrigsten Preis zuverlässig löst. Mit drei klar getrennten Preisstufen in derselben Generation lässt sich ein bestehender Ablauf aufteilen, statt ihn komplett auf einem einzigen Modell laufen zu lassen. In derselben Woche hat auch Anthropic mit Claude Opus 5.5 ein deutlich günstigeres Modell veröffentlicht. Die Preisbewegung an der Spitze betrifft aktuell also nicht nur einen Anbieter.
Google hat am 30. September 2026 Gemini 4 Argon vorgestellt, das Modell steht zunächst aber nur ausgewählten Cyberabwehr-Teams offen. Einen Tag zuvor, am 29. September 2026, hat OpenAI mit GPT-6.1 Sol eine neuere Sol-Stufe zum unveränderten Preis veröffentlicht. Wer eine Automatisierung plant oder bereits betreibt, sollte die neuen Preise zum Anlass nehmen, den eigenen Prozess neu durchzurechnen, statt die bisherige Modellwahl unverändert fortzuschreiben.
