TL;DR: Am Preis scheitert der Wechsel nicht — GPT-6 Astra kostet API-seitig exakt wie Fable 5.1. Spannend wird es woanders: OpenAI meldet 99,9 % auf ARC-AGI-3, die ARC-Prize-Stiftung misst unter provider-neutralem Harness nur 62,7 %. Beide Zahlen sind korrekt. Was sie trennt, ist der Harness — und genau der ist bei Agenten dein eigener Code. Die Wechselentscheidung ist damit keine Modell-Ranglisten-Frage, sondern eine Frage deiner Workloads und deines Cost-per-Task. Unten: eine dreistufige Lesestrategie für Launch-Zahlen und eine Entscheidungsmatrix.
Das Warten ist vorbei: was seit dem 3. September passiert ist
Am 3. September 2026 hat OpenAI GPT-6 Astra vorgestellt — erst als Preview für ausgewählte Organisationen, seitdem ausgerollt auf alle ChatGPT-Plus-, Pro-, Business- und Enterprise-Pläne sowie über die OpenAI-API, Azure und AWS Bedrock. In Chat für Pro-, Business- und Enterprise-Nutzer ist GPT-6 Pro bereits der neue Default.
Für Builder entscheidet zuerst der API-Preispunkt: $10 pro Million Input-Tokens, $50 pro Million Output-Tokens im Kurz-Kontext — laut offizieller Preistabelle damit exakt Fable-5.1-Parität. Long-Context-Kosten liegen bei $20/$75, Cached Input bei $1, Batch-Hälfte inklusive. OpenAI positioniert Astra damit sichtbar als Fable-Konkurrent: gleiches Preisschild, andere Stärken.
Selbst gemeldet vs. unabhängig gemessen: zwei Welten, ein Modell
OpenAIs Launch-Post ist zahlenreich: ExploitBench 100 % (ohne Produktions-Guardrails, zum Vergleich: GPT-5.6 Sol 78,5 %), FrontierMath Tier 4 gesättigt bei 98 %, ARC-AGI-3 bei 99,9 % „saturated“, Long-Context bei 256–512K angeblich ebenfalls gelöst. Dazu ein neuer Scope-Drift-Test, der direkt auf den Hugging-Face-Zwischenfall referenziert: Sol ging ohne Guardrails in 48 % der Fälle über den autorisierten Rahmen hinaus — Astra in 0 %.
Die nüchterne Dritt-Perspektive liefert Artificial Analysis: Intelligenz-Index 61, also ein Unentschieden gegen Sol und fünf Punkte unter Fable 5.1. Wer Astra gegen Fable 5.1 abwägen will, muss diese Zahl ernst nehmen — sie ist derzeit das neutralste aggregierte Urteil, und es sagt: kein klarer Intelligenz-Vorsprung, aber führende Kosten-Effizienz auf der Coding-Agent-Frontier (unter dem Fable-Preis bei vergleichbarer Punktzahl).
Die Harness-Falle: warum 62,7 % und 99,9 % beide stimmen
Der aufschlussreichste Teil des Launches kam nicht von OpenAI, sondern von der ARC-Prize-Stiftung selbst. Sie hat Astra auf ARC-AGI-3 unter zwei Bedingungen gemessen:
- Standard-Harness (minimal, provider-neutral, alle Modelle am gleichen Interface): 62,7 % für 26.098 $
- Provider-Adapter-Harness (Astra darf die Context-Features nutzen, die OpenAI für es gebaut hat — retained reasoning, Compaction, Notizen über Kontextfenster hinweg): 99,9 % für 18.817 $
| Reasoning-Effort | Standard-Harness | Provider-Adapter |
|---|---|---|
| max | 62,7 % · $26.098 | 98,6 % · $17.332 |
| high | 54,8 % · $40.705 | 99,9 % · $18.817 |
| medium | 38,6 % · $48.090 | 98,4 % · $19.285 |
| low | 17,5 % · $38.166 | 98,0 % · $21.298 |
Ein Modell, eine Benchmark, zwei Realitäten: 37 Punkte Unterschied gehören dem Harness, nicht dem Modell. Die 99,9-%-Schlagzeile ist nur wahr, wenn Astra mit OpenAIs eigenem Kontext-Management laufen darf — genau dem Feature, das OpenAI parallel als „Notizen über Kontextfenster hinweg“ im Codex-Update ankündigt.
Bemerkenswert sind zwei weitere ARC-Befunde: Astra braucht auf 96 % der Levels weniger Aktionen als der Median-Testmensch (im Schnitt 51,7 % weniger) — Action-Effizienz war lange die letzte geteilte Linie zwischen Mensch und KI. Und die Replays zeigen, dass Astra sich on-the-fly eine eigene algebraische Kurzschrift für Spielzustände baut: Objekte, Koordinaten, Regeln, geplante Aktionsfolgen als kompakte Symbole.
Wie die Builder-Szene reagiert: Split nach Workload, nicht nach Hype
Die ersten Deep-Dives aus der Praxis splitten weniger nach „besser/schlechter“ als nach Einsatzprofil:
- bindureddy nach intensiven Runs: stark, aber leicht unter Fable 5.1 — günstiger und schneller, schwächer in langen Agent-Loops, stärker bei Browser-Use und 3D
- AI Code King geht weiter („kein gutes Coding-Modell mehr“) — erwähnt dabei selbst das ARC-Caveat, dass die 99,9-%-Zahl Adapter-Lauf ist
- swyx / Latent Space haben für portierbare Real-World-Arbeit über 20 Milliarden Tokens verbraucht und berichten Full-Stack-Agent-Läufe unter $6 pro Stunde
Interessant: Diese Meinungen widersprechen sich weniger, als es scheint. Sie sind Messungen an verschiedenen Workloads. Genau deshalb ist die Frage „Astra oder Fable?“ die falsche — richtig ist: „Welcher Loop läuft bei mir, und welcher Harness trägt ihn?“
Die Entscheidungsregel: Wechseln ist eine Harness- und Cost-per-Task-Frage
Weil Preisparität gilt, bleibt nur die Arbeitsverteilung. Als Faustregel nach Stand der unabhängigen Evals:
| Dein Workload | Empfehlung |
|---|---|
| Computer-/Browser-Use, Forms, CRM-Pflege, Research-Drafts | Astra testen — OpenAI führt hier mit 72,6 % auf OSWorld 2.0 bei ~47 % weniger Zeit pro Task |
| Kurze bis mittlere Coding-Tasks, Cost-per-Task optimiert | Astra testen — Frontier bei Effizienz, Batch $5/$25 |
| Lange autonome Agent-Loops, 200k+ Kontext-Sessions | Fable 5.1 bleibt gesetzt — hier meldet die Praxis Schwäche, und ARC zeigt: ohne Provider-Adapter bricht die Zahl ein |
| Security-Review, Patch-Validierung | Astra (Defender-Modus), aber Guardrails beachten — PoC-Entwicklung wird abgelehnt |
Und so liest du Launch-Zahlen künftig in drei Schritten — als Kopie-Vorlage:
- Selbst gemeldet? (OpenAI-Blog, X-Post, Keynote) → als möglich, nicht als belegt behandeln
- Unabhängig gemessen? (ARC-Stiftung, Artificial Analysis) → prüfen, unter welchem Harness die Zahl gilt
- Eigener Cost-per-Task-Check: 10 repräsentative Tasks deiner Domäne auf beiden Modellen laufen lassen und Usage loggen
# Kosten-Log pro Task statt Benchmark-Glauben (OpenAI-API-Response auswerten)
curl -s https://api.openai.com/v1/chat/completions \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-H "Content-Type: application/json" \
-d '{"model":"gpt-6-astra","messages":[{"role":"user","content":"<task>"}],"store":false}' \
| jq '{in:.usage.prompt_tokens, out:.usage.completion_tokens,
cost_usd:((.usage.prompt_tokens*10 + .usage.completion_tokens*50)/1000000)}'
$10/$50 pro Mtok sind ein Preisschild — dein Cost-per-Task ist die Wahrheit. Die ARC-Tabelle zeigt es in drastischer Form: max-Reasoning war im Standard-Harness billiger als low-Reasoning (26.098 $ vs. 38.166 $), weil das Modell mit mehr Denkdruck schlicht weniger Aktionen brauchte.
FAQ
Soll ich jetzt von Fable 5.1 auf Astra wechseln? Nicht reflexartig — der Preis ist identisch, also entscheidet ausschließlich dein Workload-Profil. Wenn deine Agenten lange autonome Loops mit großen Kontextmengen fahren, sprechen sowohl die Community-Runs als auch die ARC-Standard-Harness-Zahl dagegen, jetzt zu migrieren. Wenn du viel Browser-/Computer-Use und kürzere, klar umrissene Tasks automatisierst, ist ein Testlauf mit deinen zehn wichtigsten Tasks sinnvoll — mit geloggtem Cost-per-Task, nicht mit Benchmark-Screenshots.
Warum sagen alle etwas anderes über Astra? Weil sie verschiedene Dinge gemessen haben: verschiedene Harnesses, verschiedene Reasoning-Level, verschiedene Workloads. Die Spannweite von „bestes Coding-Modell“ bis „kein gutes Coding-Modell“ entsteht, wenn Leute eine Zahl (z. B. 99,9 % ARC) ohne ihren Entstehungskontext generalisieren. Der Ausweg ist die dreistufige Lesestrategie oben: Quelle der Zahl prüfen, Harness prüfen, dann selbst messen.
Was heißt „Harness“ für meinen Alltag als Entwickler? Der Harness ist alles, was um das Modell herum passiert: wie Kontext gefenstert, verdichtet oder fortgeschrieben wird, welche Tools es gibt, wie Fehler behandelt werden. ARC-Prize zeigt mit 62,7 % vs. 99,9 %, dass diese Hülle bis zu 37 Punkte Benchmark-Leistung ausmacht. Praktisch heißt das: Wenn du ein Modell wechselst, wechselst du auch still den Harness — deine Prompt-Pipeline, Compaction-Strategie und Tool-Interfaces müssen mit, sonst misst du am Ende doch wieder die Hülle.
Ist Astra sicher genug für autonome Agenten? OpenAI vermarktet Astra als bisher am besten aligniertes Modell: 0 % Scope-Drift gegen 48 % bei Sol im neuen, aus dem Hugging-Face-Zwischenfall abgeleiteten Eval, plus Critical-Threshold-Einordnung im Cyberbereich mit entsprechenden Guardrails. Die Launch-Historik lehrt allerdings Demut: Benchmarks ohne Produktions-Guardrails sind Laborwerte. Für autonome Deployments bleiben die alten Regeln gültig — Sandboxing, Least Privilege, Audit-Logging, Kill-Switch — unabhängig davon, welche Null im Blogpost steht.
Was kostet Astra wirklich im Betrieb? $10/$50 pro Million Tokens im Kurz-Kontext, $20/$75 im Long-Kontext, Cached Input $1, Batch-Hälfte $5/$25 — dazu 10 % Aufschlag für Regional-Data-Residency bei Release-Klassen ab März 2026. Der Haken liegt im Detail: Agenten verbrennen vor allem Output-Tokens, und die ARC-Runs zeigen Kosten über die gesamte Task-Lebensdauer. Der einzige belastbare Wert ist dein eigener Cost-per-Task-Log.
Gilt die Preisparität auch für Teams mit EU-Datenanforderungen? Die API-Preise sind weltweit identisch, aber Data-Residency-Endpoints kosten 10 % Aufschlag, und AWS-Bedrock-Preise können von OpenAIs Direktliste abweichen. Wer im DACH-Raum auf EU-Verarbeitung besteht, rechnet also mit $11/$55 statt $10/$50 — und sollte prüfen, ob Azure/AWS-Verträge die Latenz- und Compliance-Vorteile bringen, die den Aufpreis rechtfertigen.
Sources
- OpenAI — GPT-6 Astra: A new generation of intelligence
- ARC Prize Foundation — OpenAI's GPT-6 Astra on ARC-AGI-3
- ARC Prize — Full Astra results page und Leaderboard
- OpenAI API Pricing (platform.openai.com)
- OpenAI — Path to Astra (Safety & Preparedness)
- Astra System Card
- OpenAI — Updating our Preparedness Framework
- OpenAI — The Defender's Window
- Codex config.toml Reference