GPT-6 Luna liest Slack für $0.007 pro Thread: Was diese Zahl verschweigt

Sieben Zehntel eines Cents. Das sind die durchschnittlichen Kosten, die der Agent Initiative Benchmark von Deepnote Research für GPT-6 Luna verzeichnete, um eine Arbeitsplatzsituation in einem simulierten Unternehmen zu bewältigen – die Nachrichten zu lesen, zu entscheiden, ob jemandem etwas mitgeteilt werden musste, und im richtigen Kanal zu antworten. Claude Fable 5.1 benötigte bei denselben fünfzig Situationen mit denselben Tools und demselben 180-Sekunden-Antwortbudget durchschnittlich 3,02 $ für eine um 1,1 Punkte höhere Punktzahl: 6,38 von 10 gegenüber 7,50. Die eigene Auswertung des Benchmarks bezeichnet die beiden Modelle als „430-fach beim Preis auseinander“, und die Rechnung geht auf: 3,02 $ geteilt durch 0,0070 $ ist 431.

GPT-6 Luna ist seit dem 22. September 2026 allgemein verfügbar, und der Vergleich machte am 13. November in der Timeline als Geschichte darüber die Runde, wie ein günstiges Modell ein teures einholt. Die Geschichte ist interessanter als das, und für die Schlagzeile etwas weniger schmeichelhaft. Lunas eigene Zeile in dieser Tabelle enthält neun Durchläufe mit 10 von 10 Punkten und neun mit null, und der Grund, warum ein proaktiver Agent schwer zu kaufen ist, ist nicht der Durchschnitt – es sind die Nullen.

Was der Benchmark tatsächlich ausgeführt hat

Agent Initiative ist kein weiteres statisches Fragenset. Deepnote baute ein fiktives Softwareunternehmen namens PageMantle – 71 Mitarbeitende, 100 Enterprise-Kunden, sechs Jahre vernetzter Datensätze, etwa 10 GB über elf Dienste hinweg, darunter Slack, Notion, Linear, HubSpot, Stripe, PostHog, BigQuery und Snowflake – und setzte dann zwölf Frontier-Modelle als stille Beobachter hinein. Jedes Modell erhielt dieselben Anweisungen, denselben Tool-Zugriff, dieselbe Unternehmens-Momentaufnahme und dasselbe Zeitbudget. Die Aufgabe bestand darin, neue Slack-Nachrichten zu lesen und zu entscheiden, ob recherchiert werden sollte, wo geantwortet werden sollte und ob überhaupt geantwortet werden sollte.

Das Gremium ist klein und bewusst sperrig:

• Fünfzig Situationen in acht Aufgabentypen – Analysieren (8), Überprüfen (7), Koordinieren, Erklären, Diagnostizieren, Entscheiden und Absichern (je 6) sowie Finden (5).

• Vierzig der fünfzig brauchten eine Nachricht; zehn waren Fallen, bei denen Schweigen der richtige Schritt war.

• Zwei LLM-Richter, die nicht wissen, welches Modell den Durchlauf erzeugt hat, bewerten Intervention, Evidenz, Ton und Zielgruppenplatzierung mit 0 bis 10.

• Jedes Modell bei hohem Reasoning-Aufwand, wobei die Tool-Ausführungszeit nicht in die 180-Sekunden-Zeitmessung einfließt.

• Zwölf Modelle von sechs Laboren, insgesamt 600 Durchläufe, mit 95%-Intervallen aus Task-Bootstrap-Resampling.

Diese Designentscheidung – vierzig Hilfsfälle gegenüber zehn Schweigefälle – ist der Grund, warum die Tabelle Modelle auf eine Weise trennt, wie es ein Chat-Benchmark nie tut. Der Großteil dessen, was ein Always-on-Agent den ganzen Tag tut, besteht darin, sich zu entscheiden, nicht zu sprechen, und nahezu keine öffentliche Evaluation bewertet das.

Lunas Streit, in voller Länge

GPT-6 Luna belegte mit 6,38 den siebten Platz von zwölf. In 38 der 40 Situationen, in denen eine Nachricht erforderlich war, versendete es eine, was eine bessere Trefferquote als die 37 von Claude Sonnet 5.5 ist; dafür benötigte es 50 Sekunden und 13,7 Tool-Aufrufe. Seine Kosten pro Aufgabe, 0,0070 $, sind die niedrigsten im Feld – um nahezu das Vierfache niedriger als die 0,026 $ von DeepSeek V4.1 Flash und um das Sechzigfache niedriger als die 0,42 $ von Claude Sonnet 5.5.

Die entscheidende Spalte ist die, die Deepnote „Tens / zeros“ nennt. GPT-6 Astra, der Spitzenreiter mit 8,97, verzeichnete 26 perfekte Durchläufe und zwei Nullen. Claude Opus 5.5 verzeichnete 14 und zwei. Luna verzeichnete neun und neun. In einem Benchmark, in dem eine Null bedeutet, dass der Agent entweder nie sprach, wenn er hätte sprechen sollen, oder in eine Situation hineinsprach, die er falsch eingeschätzt hatte, war bei Luna einer von fünf Durchläufen ein Fehlschlag, gegenüber einem von fünfundzwanzig bei den beiden Modellen darüber. Über fünfzig Aufgaben gemittelt, sieht ein Agent, der die Hälfte der Zeit exzellent und die andere Hälfte abwesend ist, wie ein B-minus aus. Im Einsatz gegen das Slack eines echten Teams sieht er wie ein Kollege aus, der entweder brillant oder stumm ist, und niemand kann vorhersagen, welches.

Die 430x-Schlagzeile, mit der gezeigten Rechnung

Die Zahl ist real, und sie ist zugleich die günstigste verfügbare Darstellung – aus zwei Gründen, die klar benannt werden sollten.

Erstens ist Claude Fable 5.1 nicht Anthropics aktuelles Modell. Claude Fable 5.2 ist es, und es erzielte beim selben Benchmark 8,17 Punkte bei 1,87 US-Dollar pro Aufgabe. Im Vergleich zum Nachfolger ist GPT-6 Luna 267-mal günstiger und liegt 1,79 Punkte zurück. Das ist ein weniger zitierfähiger und ein entscheidungsrelevanterer Satz, denn niemand, der diese Woche ein Modell auswählt, entscheidet sich für Fable 5.1, es sei denn, er hat einen Grund dafür.

Zweitens ist die 1,1-Punkte-Lücke eine Punktschätzung über fünfzig Aufgaben. Deepnote sagt ausdrücklich, dass mehrere Modelle in der Mitte seiner Tabelle in überlappenden Intervallen liegen – es nennt Claude Sonnet 5.5, GPT-6 Luna, DeepSeek V4.1 Flash, Mistral Large 4 und Claude Haiku 5.5 als einen Cluster, dessen Modelle innerhalb von 0,6 Punkten voneinander liegen – und plant für eine zukünftige Version einen größeren Aufgabensatz. Die ehrliche Lesart des Paars Luna versus Fable 5.1 ist, dass die Preislücke auf drei signifikante Stellen genau gemessen ist und die Qualitätslücke auf ungefähr eine. Wer „nur 1,1 Punkte dahinter“ zitiert, als ob die Nachkommastelle aussagekräftig wäre, zitiert das Intervall, nicht den Score.

Die Zahl, die niemand zitiert: vier von zehn

Wenn Schweigen die richtige Antwort war, hielt sich das Medianmodell im Feld in sechs von zehn Fällen zurück. GPT-6 Luna hielt sich in vier Fällen zurück. Es griff in sechs der zehn Situationen ein, in denen die Unterlagen bereits zeigten, dass die Angelegenheit erledigt worden war – und, wie Deepnote anmerkt, waren diese Eingriffe kein wirres Zeug. Sie waren korrekt, gut platziert und unnötig. Eine Qualitätskontrolle, die nur die Nachricht liest, wird dieses Versagen nie erkennen. Auch eine Nutzerzufriedenheitsumfrage nicht, denn niemand beschwert sich darüber, etwas Wahres gesagt zu bekommen.

Der Benchmark setzt dennoch einen Preis darauf. Über das gesamte Panel hinweg kostete es etwa 1,8-mal so viel, unaufgefordert zu sprechen, wie zu schweigen, wenn eine Nachricht nötig war. Für einen Slack-Agenten, dessen gesamte Prämisse darin besteht, jeden Thread zu lesen, ist der Fehlermodus nicht eine falsche Antwort, die korrigiert wird. Es ist die langsame Erosion des Kanals: Sobald ein Team lernt, dass ein Drittel der Nachrichten des Bots Rauschen ist, hört es auf, irgendeine davon zu lesen, und der Wert der korrekten fällt mit ihnen auf null.

Es gibt einen zweiten, leiseren Fehler in der Ausarbeitung. In einer Aufgabe zum Datenzugriff fand Luna den Datensatz, der bestätigte, dass ein Zugriffsadministrator an einen Nachfolger übergeben hatte, und verwies den Mitarbeiter trotzdem an den ehemaligen Administrator. Die richtige Evidenz zu lesen und den falschen Schluss zu ziehen, ist ein anderer Defekt als fehlende Evidenz, und es ist derjenige, der eine Behebung der Retrieval-Qualität übersteht.

Warum sieben Zehntel eines Cents das Design verändern, nicht nur die Rechnung

Die Kosten pro Token sind die falsche Einheit für diese Entscheidung, denn die Kosten eines proaktiven Agenten skalieren mit der Anzahl der Threads, die er berührt, nicht mit der Anzahl der Fragen, die ihm gestellt werden. Das Diagramm von Deepnote selbst macht den Punkt konkret: 7 US-Dollar pro 1.000 Aufgaben für GPT-6 Luna gegenüber 3.020 US-Dollar pro 1.000 für Claude Fable 5.1. Bei 2.500 Threads pro Monat – derselbe Wert, den der Benchmark für Sol und Fable 5.2 verwendet – liegt Lunas Rechnung bei etwa 17,50 US-Dollar.

Diese Zahl ist klein genug, um zu ändern, was du baust. Bei 3 US-Dollar pro Abruf muss ein proaktiver Agent schon vor dem Start selektiv sein – jemand muss entscheiden, welche Kanäle es wert sind, beobachtet zu werden, und genau diese Einschätzung sollte das Modell eigentlich treffen. Bei weniger als einem Cent pro Abruf kannst du alles beobachten und das Modell die Triage übernehmen lassen, und das ist die einzige Version des Produkts, die zum Pitch passt.

Das ermöglicht außerdem einen zweiten Durchgang. Man lässt GPT-6 Luna für rund 17,50 Dollar über alle 2.500 Threads laufen, lässt die fünfzig, die mehrdeutig erscheinen, markieren und schickt diese für je 0,42 Dollar an Claude Sonnet 5.5: 21 Dollar mehr, insgesamt also knapp 39 Dollar im Monat. Die Version mit ausschließlich Fable 5.1 für dieselbe Abdeckung kostet 7.550 Dollar. Ob dieser Hybrid Luna allein tatsächlich schlägt, ist ungetestet – der Benchmark lief Modelle, nicht Harnesses, und Deepnote sagt das in seinen Einschränkungen –, aber die Rechnung ist es, die das Experiment erschwinglich genug macht, um es durchzuführen.

Die Sanitärinstallation kam drei Wochen früher an

Günstiges Lesen pro Aufruf ist nur die Hälfte dessen, was ein Always-on-Agent braucht; die andere Hälfte ist ein günstiger Weg, eine eng umrissene Frage zu stellen. Am 22. Oktober 2026 nahm O​penAI seine Decisions API aus der Beta, und GPT-6 Luna ist das einzige Modell, das sie unterstützt. Der Endpunkt liefert typisierte Antworten statt Prosa – eine Wahrscheinlichkeit, dass eine Bedingung zutrifft, eine Auswahl aus einer festen Liste oder einen Score gegenüber geordneten Stufen – und O​penAI behauptet, er sei etwa zehnmal schneller, als dasselbe Modell über die Responses API abzufragen.

Für einen Slack-Watcher ist das die richtige Form. „Widerspricht dieser Thread dem Veröffentlichungsdatum in der angehefteten Nachricht?“ ist ein Prädikat, kein Absatz. Das General-Availability-Release erhöhte die Obergrenze auf 400 Fragen pro Anfrage, fügte Prompt-Caching für gemeinsam genutzten Kontext hinzu, erlaubte Bilder innerhalb einzelner Frageanweisungen und akzeptierte strukturierte Daten direkt über einen input_json-Inhaltsteil. Ein einzelner Aufruf kann nun die Aktivität eines ganzen Tages in einem Kanal gegen eine feste Evidenzgrundlage auswerten, statt jeweils nur eine Nachricht auf einmal.

Wissenswert, bevor Sie Ihre Lösung darauf ausrichten: Das neue Caching gilt für die gemeinsam genutzten Belege, die Sie senden, nicht für Lunas Preiskarte, und die Grenzen des Modells gelten weiterhin – ein Kontextfenster von 1.050.000 Token, maximal 922.000 Eingabe-Token, 128.000 Ausgabe-Token und ein Wissensstand vom 18. Mai 2026. Function Calling in Chat Completions funktioniert nur, wenn die Reasoning-Effort auf none gesetzt ist; alles mit integrierten Tools muss über die Responses API laufen.

Wo die Beweise aufhören

Der Benchmark spricht ungewöhnlich offen über seine eigenen Grenzen, und diese sind relevant für jeden, der ein Modell einem echten Team vorstellen will.

• Fünfzig Aufgaben, wobei einige Kategorien nur fünf bis acht enthalten, sodass die Rankings pro Kategorie eher Tendenzen als strikte Rangordnungen darstellen.

• Eine feste Unternehmens-Momentaufnahme, deren Teammitglieder nie antworten und die einen einzigen Beitrag misst statt eines Monats angesammelten Kontexts.

• Eine Aufwandsstufe. Jedes Modell lief auf hoch; niedrigere und höhere Einstellungen wurden nicht getestet, und Lunas Standard ist mittel, nicht hoch.

• Nur Slack. E-Mail, Dokumente und jegliche Aktion, die über das Senden einer Nachricht hinausgeht, fallen nicht in den Umfang.

• Historische Kosten, keine Echtzeitpreise. Die Werte pro Aufgabe sind Beobachtungen aus dem Lauf, daher verändert eine Preisänderung des Anbieters sie.

• Es wurde kein Router getestet. Deepnote stellt ausdrücklich klar, dass seine Routing-Empfehlung eine Designempfehlung ist, die aus Modellergebnissen extrapoliert wurde.

Es gibt außerdem eine Spannung zwischen dieser Tabelle und den unabhängigen Geschwindigkeitsmessungen. Deepnote stoppte Luna bei hohem Aufwand bei 50 Sekunden pro Situation. Artificial Analysis, die es mit maximalem Aufwand laufen ließen, maßen eine Zeit bis zum ersten Antwort-Token von 79,33 Sekunden – eine Größenordnung schlechter als der Median seiner Preisklasse. Beide Zahlen können stimmen, da sie unterschiedliche Dinge bei unterschiedlichen Einstellungen messen, aber das Paar ist eine Warnung: Die wahrgenommene Latenz eines Always-on-Agenten wird durch den Aufwandsregler bestimmt, und ihn hochzudrehen, um den Nullen nachzujagen, kostet Sekunden, bevor es Dollars kostet.

Einen Reader zu diesem Preis einzusetzen

Die praktische Version dieses Benchmarks ist eine zweistufige Pipeline, und sie ist der Grund, warum die Preisdifferenz mehr zählt als die Punktedifferenz. GPT-6 Luna erledigt bei niedrigem oder mittlerem Aufwand das Lesen – jeden Thread, jeden Kanal, typisierte Entscheidungen über die Decisions API. Ein Schwellenwert bei diesen Entscheidungen eskaliert die uneindeutigen Fälle an ein stärkeres Modell. Das teure Modell bearbeitet dann Dutzende Threads pro Monat statt Tausender, und seine Kosten sind keine Budgetposition mehr.

Diese Pipeline lässt sich einfacher betreiben, wenn beide Stufen hinter einem Schlüssel liegen. OrcaRouter stellt GPT-6 Luna, Claude Sonnet 5.5, Claude Fable 5.2 und über 200 weitere Modelle über einen einzigen OpenAI-kompatiblen Endpoint bereit, ohne Aufschlag – der Listenpreis des Anbieters wird durchgereicht, sodass eine Preissenkung eines Anbieters noch am selben Tag bei uns ankommt, statt darauf zu warten, dass ein Reseller seine Preise anpasst. Die Routing-DSL fasst die Stufen zu einem Aufruf zusammen (günstiger erster Durchlauf, Eskalation bei einer Bedingung), automatisches Failover hält den Watcher am Leben, wenn ein Anbieter beeinträchtigt ist, und Model Fusion ermöglicht einem Panel, gemeinsam zu antworten, wenn eine einzelne Klassifizierung zu folgenreich ist, um sie einem einzigen Modell anzuvertrauen. Nichts davon ändert die oben genannten Zahlen; es beseitigt nur die Integrationsarbeit dazwischen.

Was würde diese Zahl verändern?

Zwei Dinge würden diesen Artikel obsolet machen: ein Nachfolger von GPT-6 Luna oder ein zweiter unabhängiger Durchlauf desselben Benchmarks mit einem größeren Aufgabensatz. Das erste ist eine Frage von OpenAIs Zeitplan. Das zweite ist bereits zugesagt – Deepnote sagt, dass ein Panel mit 50 Aufgaben in der nächsten Version durch eine größere Stichprobe ersetzt wird, und die Autoren stellen klar, dass die aktuelle Tabelle als erste Messung und nicht als Ranking gelesen werden sollte.

Bis dahin ist die belastbare Schlussfolgerung enger als die Zeitplan-Version und zugleich nützlicher. GPT-6 Luna ist das erste Modell, das günstig genug ist, dass es sich ein proaktiver Agent leisten kann, sich darin zu irren, ob er nachsehen soll – und das ist eine echte Schwelle: der Unterschied zwischen einem Produkt, das sein Unternehmen nur stichprobenartig abtastet, und einem, das es tatsächlich liest. Es ist noch nicht zuverlässig genug, um sich darin irren zu dürfen, ob es sprechen soll. Der Stille-Wert von vier von zehn ist der Teil der Tabelle, an dem sich das Design orientieren sollte: den Lesezugriff günstig halten, den Schreibzugriff mit einer Freigabeschranke versehen und das teure Modell dort einsetzen, wo die Entscheidung, zu unterbrechen, tatsächlich fällt.