DevRevs GPT-6.1-Sol-Story ist eigentlich eine Geschichte darüber, wo GPT-6 Astra nicht ist.

OpenAI hat diese Woche eine Kundenstory mit dem Titel „DevRev liefert autonomen Self-Service mit GPT-6.1 Sol“ veröffentlicht, und der informativste Satz darin handelt überhaupt nicht von GPT-6.1 Sol. Es ist der Satz, in dem die Vertriebsingenieure von DevRev GPT-6 Astra nutzen sollen, um Demos für Messestände zu bauen. DevRevs Chief Technology Officer Ahmed Bashir beschreibt ein Unternehmen, das seinen Modellbestand in zwei Teile aufgeteilt hat: Das Mid-Tier-Modell trägt den Produktions-Support-Pfad, und das Frontier-Modell trägt das, was sich ein Interessent neunzig Sekunden lang anschaut. Das ist ein nützlicheres Stück Evidenz als jeder Benchmark in dem Beitrag, denn es ist eine Deployment-Entscheidung von jemandem, der eine Rechnung zu bezahlen hat.

Der Zeitpunkt ist entscheidend. GPT-6.1 Sol wurde am 29. September 2026 auf dem DevDay ausgeliefert, eine Woche nach GPT-6 Sol, zu 2,00 US-Dollar pro Million Eingabe-Tokens und 10,00 US-Dollar pro Million Ausgabe-Tokens. DevRevs eigener Bericht über die OpenAI-Partnerschaft trägt einen Aktualisierungsvermerk vom 2. November 2026, und die Kundenstory ist das erste Mal, dass ein namentlich genannter Produktionsdienst das Mid-Tier-Modell statt des Flaggschiffs auf den kundenseitigen Pfad gesetzt hat. Es ist keine Markteinführung. Es ist die erste Einsatzreferenz.

Was DevRev tatsächlich ausführt

DevRev baut zwei Produkte auf derselben Grundlage. Computer ist der KI-Teamkollege, der über Geschäftsdaten hinweg antwortet und handelt; Operator ist der Agent, der eine genehmigte Aktion ausführt oder eine Anfrage an die richtige Person weiterleitet. Beide benötigen dieselben drei Dinge, bevor ein Modell in die Nähe eines Kunden gelassen wird: Unternehmenskontext, Berechtigungen, die zur Rolle einer Person passen, und Aktionen, die rückgängig gemacht werden können. Das Modell liefert Schlussfolgerungen, Planung und Tool-Auswahl. DevRevs Harness liefert den Rest, und Agent Studio ist der Ort, an dem ein Kunde im Gespräch beschreibt, wie sich ein Tool verhalten soll, und dann die Teile, die nicht variieren dürfen, mit festen Regeln fixiert.

Zwei Eigenschaften in der Story sind mehr wert als das Lob. Aktionen sind umkehrbar. Antworten nennen ihre Quellen. Das sind die beiden Fehlermodi, die Unternehmen davon abhalten, einen Agenten ein Ticket schließen zu lassen, und DevRev reklamiert beides als Produktverhalten statt als Modellverhalten. Wenn Sie irgendeinen Self-Service-Agenten bewerten, sind das die Fragen, die Sie stellen müssen, und kein Leaderboard beantwortet sie.

Die Zahl, die dieser Geschichte zugeordnet werden wird, stammt aus dem Juli, und es geht nicht um Sol.

Wenn Sie nach Berichten über DevRev und OpenAI suchen, stoßen Sie auf ein bemerkenswertes Zahlenpaar: 48 % genauer und 4,4-mal weniger Tokens pro korrekter Antwort. Sie sind echt, sie sind veröffentlicht, und sie haben nichts mit GPT-6.1 Sol zu tun.

Diese Zahlen stammen aus einer Veröffentlichung vom 9. Juli 2026, in der Enterprise-Bench angekündigt wurde – ein offener Enterprise-Agent-Benchmark, den DevRev mit dem Laude Institute entwickelt und auf dem Harbor-Harness veröffentlicht hat. In diesem Vergleich erzielte DevRevs Computer 94,3 % gegenüber 63,6 % auf dem XL-Datensatz und verbrauchte etwa 5.598 Tokens pro richtiger Antwort gegenüber 24.461. Der Vergleich war ausdrücklich Harness gegen Harness, wobei beide Systeme dasselbe zugrunde liegende Modell ausführten. DevRev führte die Lücke auf seine Retrieval- und Shared-Memory-Architektur zurück, nicht auf das darunterliegende Modell. Er wurde außerdem gegen Claude Code gebenchmarkt, nicht gegen irgendetwas, das OpenAI im September veröffentlichte.

Die OpenAI-Kundenstory erwähnt Enterprise-Bench, und Bashir sagt, dass GPT-6.1 Sol darauf gut abschneidet. Das ist eine qualitative Aussage. Es wird kein Score genannt, kein Datensatzausschnitt, kein Vergleich. Wer die Juli-Zahlen an die November-Story dranschraubt, misst etwas anderes an einem anderen Modell in einem anderen Quartal. Die ehrliche Lesart ist enger und dennoch interessant: DevRev hat einen Benchmark, den es genau für diese Entscheidung entwickelt hat, und weigerte sich, eine Sol-Zeile dafür zu veröffentlichen.

Was die Geschichte nicht sagt

Im OpenAI-Beitrag gibt es keine Lösungsquote, kein Ticketvolumen, kein Latenz-Perzentil, keine Tokenanzahl und keinen Preis. Bei einer Kundenstory über autonomen Self-Service fehlt damit die komplette Ergebnisübersicht.

Die nächstgelegene veröffentlichte Zahl ist DevRevs BILL-Proof-of-Concept, bei dem BILL eine KI-Lösungsquote von 70 % bei echten Kundenanfragen auf Basis seiner eigenen Evaluierung berichtete. DevRevs Materialien nennen außerdem eine Token-Reduktion von 77 % und einen Rückgang von etwa neun Minuten auf etwa 1,5 Minuten bei mehrstufigen Fragen, gemessen an seinem eigenen früheren Ansatz. Diese Angaben stammen vom Anbieter und sind nicht reproduziert, und keine davon bezieht sich auf die jetzt in Produktion befindliche Modellgeneration. Betrachten Sie sie als die Form der Behauptung, nicht als deren Größe.

Bashirs eigene Einschränkung ist die, an der man festhalten sollte: „Diese Dinge müssen in Sekunden laufen und sich selbst abschließen können, nicht in Minuten.“ Eine Support-Interaktion, die zwanzig Minuten Überlegung erfordert, ist kein Self-Service, egal wie gut sie abschneidet. Dieser Satz erklärt die Modellwahl besser als jede Benchmark-Tabelle.

Die Arithmetik, die ein Support-Desk prüfen kann

Nehmen wir ein Routine-Ticket: 20.000 Input-Tokens für abgerufenen Kontext, 2.000 Output-Tokens einschließlich Reasoning. Zum Listenpreis von GPT-6.1 Sol sind das 0,04 $ für Input und 0,02 $ für Output, also etwa sechs Cent. Dieselbe Anfrage auf GPT-6 Astra kostet bei 10,00 $ für Input und 50,00 $ für Output 0,20 $ plus 0,10 $, also etwa dreißig Cent. Dieselbe Aufgabe, fünfmal so hohe Rechnung.

Sechs Cent sind eine Untergrenze, keine Prognose. Reasoning-Tokens werden als Ausgabe abgerechnet, Wiederholungen werden doppelt berechnet, und jede Tool-Schleife multipliziert beides. Aber auf das Verhältnis kommt es an, und es hält allen drei Einschränkungen stand. Die von OpenAI selbst als Anbieter gemeldeten Kostenzahlen weisen in dieselbe Richtung: Bei Terminal-Bench Science 0.1 veranschlagte OpenAI für GPT-6.1 Sol 5,47 $ pro Aufgabe gegenüber 23,80 $ für GPT-6 Astra und 23,21 $ für Claude Opus 5.5, wobei Sol bei maximalem Aufwand 57,02 % erreichte gegenüber 68,1 % für Astra. Man kauft elf Punkte Leistungsfähigkeit für das Vierfache des Geldes, und in einer Support-Warteschlange ist der elfte Punkt meist eine bessere Paraphrase, kein gelöstes Ticket.

Das ist die Berechnung, auf der das Preismodell von OrcaRouter basiert: Der Listenpreis des Anbieters wird ohne Aufschlag weitergegeben, sodass ein Preis wie $2.00 und $10.00 genau der Betrag ist, den Sie zahlen, und eine Preisänderung des Anbieters noch am selben Tag wirksam wird statt erst bei der nächsten Vertragsverlängerung. Beide Modelle liegen hinter einem einzigen Schlüssel, was bedeutet, dass die Aufteilung, die DevRev in seiner Architektur vorgenommen hat — günstiges Modell auf dem Volumenpfad, teures Modell dort, wo die Antwort das Produkt ist —, eine Routing-Entscheidung ist und keine zweite Beschaffung. Für die Schritte, bei denen ein falscher Tool-Aufruf teuer ist, ist das Failover zu einem stärkeren Modell pro Anfrage der Unterschied zwischen einem schlechten Nachmittag und einer schlechten Woche.

Warum das Mittelklasse-Modell den Produktionspfad erhält

Der Instinkt ist, das als eine Kostengeschichte zu lesen. Zum Teil ist es eine Latenzgeschichte. GPT-6.1 Sol läuft mit immer aktiviertem Reasoning über fünf Effort-Stufen, von low bis max, standardmäßig medium, und akzeptiert temperature oder top_p überhaupt nicht. Das entfernt den Tuning-Knopf, zu dem die meisten Teams greifen, wenn sich ein Agent langsam anfühlt, und lässt die Effort-Stufe als Drossel übrig. Zwischen low und max wird der Unterschied in der Zeit bis zum ersten Antwort-Token in Minuten gemessen, nicht in Millisekunden.

Die unabhängigen Zahlen liegen genau dort, wo man sie für ein Modell in diesem Slot erwarten würde. Im Artificial Analysis Intelligence Index v5.0.1 erzielt GPT-6.1 Sol bei maximalem Aufwand 55 Punkte, 56 Tokens pro Sekunde, 1,27 US-Dollar pro abgeschlossener Index-Aufgabe und 63,7 Millionen Ausgabe-Tokens über den gesamten Lauf. In unserer eigenen Sieben-Tage-Telemetrie zeigt es eine mediane Zeit bis zum ersten Token von 937 ms, eine Fehlerrate von 5,7 % und 39,5 Ausgabe-Tokens pro Sekunde, was genau dem Profil entspricht, auf dem sich ein Support-Ablauf aufbauen lässt: nicht das schnellste verfügbare Modell, aber vorhersehbar genug, dass eine Warteschlange danach dimensioniert werden kann.

Das Kontextfenster ist die andere Hälfte der Entscheidung. Bei 1.050.000 Tokens und einer Obergrenze von 128.000 Tokens für die Ausgabe passen eine Fallakte, ihre Historie und das abgerufene Wissen alle in eine einzige Anfrage. Das ermöglicht einen Agenten, der „über Live-Daten hinweg“ reasoning betreiben kann, ohne eine aufwändige Chunking-Schicht – und genau davon hängt im Datenblatt tatsächlich eine Lösungsquote von 70 % ab.

Was würde daraus eine Fallstudie machen?

Drei Dinge würden daraus statt eines Logos auf einer Seite eine belastbare Grundlage für die Planung machen. Eine veröffentlichte Lösungsrate für Operator auf einem benannten Datensatz, daneben die Human-Escalation-Rate. Eine Latenzverteilung statt eines Durchschnitts, denn bei p95 bricht Self-Service. Und eine Sol-gegen-Astra-Ablation auf Enterprise-Bench, da DevRev bereits über das Harness verfügt und schon gezeigt hat, dass es Ergebnisse veröffentlicht, wenn sie seine Architektur begünstigen.

Bashir nennt zwei Dinge, die er als Nächstes möchte: die Decisions API für die kleinen Ermessensentscheidungen, die teuer als Regeln zu kodieren sind, aber kein tiefgehendes Reasoning benötigen, und Ultrafast, OpenAIs 6×-Geschwindigkeitsstufe zu 12,00 $ Eingabe und 60,00 $ Ausgabe pro Million Tokens, käuflich seit dem 8. Oktober. Beides sind Versuche, Latenz zu kaufen, ohne Intelligenz zu kaufen, was der richtige Instinkt für eine Support-Warteschlange ist und das Gegenteil dessen, was die meisten Agent-Roadmaps anstreben.

Das Muster, auf das man achten sollte, ist nicht speziell DevRev. Es ist dies: Der erste namentlich genannte Produktiv-Einsatz von GPT-6.1 Sol setzte das günstige Modell dort ein, wo Kunden sind, und das teure Modell dort, wo Interessenten sind. Wenn das zur normalen Form eines Enterprise-Agent-Stacks wird – ein Arbeitstier auf dem Volumenpfad, ein Flaggschiff für die Demo –, dann ist die interessante Frage für jeden Anbieter nicht mehr, welches Modell das klügste ist, sondern wie sauber man eine Anfrage zwischen ihnen verschieben kann.