GPT-6 Luna leest Slack voor $0,007 per thread: wat dat cijfer verbergt

Zeven tiende cent. Dat is wat de Agent Initiative Benchmark van Deepnote Research registreerde als de gemiddelde kosten van GPT-6 Luna om één werksituatie binnen een gesimuleerd bedrijf af te handelen - de berichten lezen, beslissen of iemand ergens van op de hoogte moest worden gesteld, en antwoorden in het juiste kanaal. Claude Fable 5.1 kostte bij dezelfde vijftig situaties, met dezelfde tools en hetzelfde antwoordbudget van 180 seconden, gemiddeld $3,02 voor een score die 1,1 punt hoger lag: 6,38 op 10 tegenover 7,50. In de eigen rapportage van de benchmark worden de twee modellen "430x uit elkaar qua prijs" genoemd, en de rekensom klopt: $3,02 gedeeld door $0,0070 is 431.

GPT-6 Luna is sinds 22 september 2026 algemeen beschikbaar, en de vergelijking ging op 13 november rond op de tijdlijn als een verhaal over een goedkoop model dat een duur model inhaalt. Het is een interessanter verhaal dan dat, en een iets minder flatteus verhaal voor de kop. Luna's eigen rij in die tabel bevat negen runs met een score van 10 op 10 en negen met een score van nul, en de reden dat een proactieve agent moeilijk te kopen is, is niet het gemiddelde - het zijn de nullen.

Wat de benchmark daadwerkelijk heeft uitgevoerd

Agent Initiative is niet weer zo'n statische vragenset. Deepnote bouwde een fictief softwarebedrijf genaamd PageMantle - 71 medewerkers, 100 enterpriseklanten, zes jaar aan onderling verbonden records, ongeveer 10 GB verdeeld over elf diensten waaronder Slack, Notion, Linear, HubSpot, Stripe, PostHog, BigQuery en Snowflake - en dumpte daar vervolgens twaalf frontiermodellen in als lurkers. Elk model kreeg dezelfde instructies, dezelfde toegang tot tools, dezelfde momentopname van het bedrijf en hetzelfde tijdbudget. De opdracht was om nieuwe Slack-berichten te lezen en te beslissen of ze onderzoek moesten doen, waar ze moesten antwoorden, en of ze überhaupt moesten antwoorden.

Het paneel is klein en opzettelijk onhandig:

Vijftig situaties verdeeld over acht taaktypen - Analyseren (8), Verifiëren (7), Coördineren, Uitleggen, Diagnosticeren, Beslissen en Bewaken (elk 6) en Vinden (5).

• Veertig van de vijftig hadden een bericht nodig; tien waren valstrikken waarbij de juiste zet zwijgen was.

• Twee LLM-beoordelaars, blind voor welk model de run heeft geproduceerd, die een score van 0 tot 10 geven op interventie, bewijsvoering, toon en publiekspositionering.

• Elk model op hoge redeneerinspanning, waarbij de uitvoeringstijd van tools niet meetelt voor de klok van 180 seconden.

• Twaalf modellen van zes labs, in totaal 600 runs, met 95%-intervallen uit task-bootstrap-resampling.

Die ontwerpkeuze – veertig hulpgevallen tegenover tien stiltegevallen – is waarom de tabel modellen scheidt op een manier die een chatbenchmark nooit doet. Het meeste van wat een altijdactieve agent de hele dag doet, is besluiten niet te spreken, en bijna geen enkele openbare evaluatie meet dat.

Luna's rij, in zijn geheel

GPT-6 Luna eindigde als zevende van de twaalf met 6,38. Het stuurde in 38 van de 40 situaties die erom vroegen een bericht, een beter trefferpercentage dan de 37 van Claude Sonnet 5.5, en deed dat in 50 seconden met 13,7 tool-aanroepen. De kosten per taak, $0,0070, zijn de laagste in het veld: bijna vier keer zo laag als de $0,026 van DeepSeek V4.1 Flash en zestig keer zo laag als de $0,42 van Claude Sonnet 5.5.

De kolom die ertoe doet, is degene die Deepnote 'Tienen / nullen' noemt. GPT-6 Astra, de hoogst scorende met 8,97, noteerde 26 foutloze runs en twee nullen. Claude Opus 5.5 noteerde er 14 en twee. Luna noteerde er negen en negen. In een benchmark waarin een nul betekent dat de agent ofwel nooit sprak toen dat wel had gemoeten, ofwel sprak in een situatie die hij verkeerd had ingeschat, was bij Luna één op de vijf runs verloren, tegenover één op de vijfentwintig voor de twee modellen boven haar. Gemiddeld over vijftig taken lijkt een agent die de helft van de tijd uitblinkt en de andere helft afwezig is, op een B-min. Ingezet in de Slack van een echt team lijkt hij op een collega die ofwel briljant is ofwel zwijgt, en niemand kan voorspellen welke van de twee.

De 430x-kop, met de berekening erbij

Het getal is echt en het is ook de meest gunstige inkadering die voorhanden is, om twee redenen die het loont om ronduit te noemen.

Ten eerste is Claude Fable 5.1 niet het huidige model van Anthropic. Claude Fable 5.2 wel, en dat scoorde 8,17 op dezelfde benchmark voor $1,87 per taak. Vergeleken met de opvolger is GPT-6 Luna 267 keer goedkoper en staat 1,79 punten achter. Dat is een minder citeerbare zin en een zin die relevanter is voor besluitvorming, want niemand die deze week een model kiest, kiest Fable 5.1 tenzij die daar een reden voor heeft.

Ten tweede is de kloof van 1,1 punt een puntschatting over vijftig taken. Deepnote zegt expliciet dat verschillende modellen in het midden van zijn tabel binnen overlappende intervallen vallen - het noemt Claude Sonnet 5.5, GPT-6 Luna, DeepSeek V4.1 Flash, Mistral Large 4 en Claude Haiku 5.5 als een cluster dat binnen 0,6 punt van elkaar ligt - en het is van plan in een toekomstige versie een grotere takenreeks te gebruiken. De eerlijke lezing van het paar Luna versus Fable 5.1 is dat de prijskloof tot drie significante cijfers is gemeten en de kwaliteitskloof tot ongeveer één. Wie "slechts 1,1 punt achter" citeert alsof de decimaal betekenis heeft, citeert het interval, niet de score.

Het getal dat niemand citeert: vier op de tien

Toen stilte het juiste antwoord was, hield het mediane model in het veld zich zes van de tien keer in. {{1}}GPT-6 Luna hield zich vier keer in{{/1}}. Het greep in bij zes van de tien situaties waarin de gegevens al lieten zien dat de kwestie was afgehandeld - en, zoals {{2}}Deepnote{{/2}} opmerkt, die ingrepen waren geen onzin. Ze waren accuraat, goed geplaatst en overbodig. Een kwaliteitscontrole die alleen het bericht leest, zal dat falen nooit opmerken. Een tevredenheidsonderzoek onder gebruikers ook niet, want niemand klaagt erover dat hem iets waars wordt verteld.

De benchmark hangt er toch een prijskaartje aan. Over het hele panel kostte spreken buiten de beurt ongeveer 1,8 keer zoveel als stil blijven wanneer een bericht nodig was. Voor een Slack-agent wiens hele uitgangspunt is dat hij elke thread leest, is de faalmodus niet een fout antwoord dat wordt gecorrigeerd. Het is de langzame erosie van het kanaal: zodra een team leert dat een derde van de berichten van de bot ruis is, stoppen ze met het lezen van welke dan ook, en de waarde van de correcte berichten gaat daarmee naar nul.

Er is een tweede, subtielere fout in het verslag. In een taak rond gegevenstoegang vond Luna het record dat bevestigde dat een toegangsbeheerder het beheer aan een opvolger had overgedragen, en toch verwees ze de medewerker naar de voormalige beheerder. Het juiste bewijs lezen en de verkeerde conclusie trekken is een ander defect dan ontbrekend bewijs, en het is het defect dat een verbetering van de retrievalkwaliteit overleeft.

Waarom zeven tienden van een cent het ontwerp verandert, niet alleen de rekening

Kosten per token is de verkeerde eenheid voor deze beslissing, omdat de kosten van een proactieve agent schalen met het aantal threads dat hij aanraakt, niet met het aantal vragen dat hem wordt gesteld. De eigen grafiek van Deepnote maakt het concreet: $7 per 1.000 taken voor GPT-6 Luna tegenover $3.020 per 1.000 voor Claude Fable 5.1. Bij 2.500 threads per maand, hetzelfde cijfer dat de benchmark voor Sol en Fable 5.2 gebruikt, is Luna's rekening ongeveer $17,50.

Dat getal is klein genoeg om te veranderen wat je bouwt. Bij $3 per uitlezing moet een proactieve agent selectief zijn voordat hij begint - iemand moet beslissen welke kanalen het waard zijn om in de gaten te houden, en dat is precies het oordeel dat het model geacht werd te vellen. Bij minder dan een cent per uitlezing kun je alles in de gaten houden en het model de triage laten doen, en dat is de enige versie van het product die bij de pitch past.

Het maakt ook een tweede ronde mogelijk. Laat GPT-6 Luna over alle 2.500 threads lopen voor ongeveer $17,50, laat het de vijftig markeren die ambigu lijken en stuur die naar Claude Sonnet 5.5 voor $0,42 per stuk: $21 meer, voor een totaal van bijna $39 per maand. De versie met alleen Fable 5.1 voor dezelfde dekking kost $7.550. Of die hybride aanpak Luna alleen daadwerkelijk verslaat, is ongetest – de benchmark testte modellen, geen harnesses, en Deepnote vermeldt dat bij de beperkingen – maar het is de rekensom die het experiment betaalbaar genoeg maakt om uit te voeren.

Het sanitair arriveerde drie weken eerder.

Goedkoop lezen per aanroep is slechts de helft van wat een always-on agent nodig heeft; de andere helft is een goedkope manier om een smalle vraag te stellen. Op 22 oktober 2026 haalde OpenAI zijn Decisions API uit bèta, en GPT-6 Luna is het enige model dat het ondersteunt. Het endpoint retourneert getypeerde antwoorden in plaats van proza - een waarschijnlijkheid dat een voorwaarde waar is, een keuze uit een vaste lijst, of een score ten opzichte van geordende niveaus - en OpenAI beweert dat het ongeveer tien keer sneller is dan hetzelfde model via de Responses API te vragen.

Voor een Slack-watcher is dat de juiste vorm. "Komt deze thread in tegenspraak met de releasedatum in het vastgezette bericht?" is een predicaat, geen alinea. De algemeen beschikbare release verhoogde het maximum naar 400 vragen per verzoek, voegde prompt-caching toe voor gedeelde context, stond afbeeldingen toe binnen individuele vraag-instructies en accepteerde gestructureerde data rechtstreeks via een input_json inhoudsonderdeel. Een enkele aanroep kan nu een hele dag kanaalactiviteit tegen een vaste bewijsset evalueren in plaats van één bericht tegelijk.

Goed om te weten voordat je hierop gaat ontwerpen: de nieuwe caching geldt voor het gedeelde bewijsmateriaal dat je verstuurt, niet voor Luna's tariefkaart, en de eigen limieten van het model gelden nog steeds: een contextvenster van 1.050.000 tokens, maximaal 922.000 tokens invoer, 128.000 tokens uitvoer en een kennisafsluitdatum van 18 mei 2026. Function calling op Chat Completions werkt alleen met reasoning effort ingesteld op none; alles met ingebouwde tools moet via de Responses API gaan.

Waar het bewijs ophoudt

De benchmark is ongewoon openhartig over zijn eigen grenzen, en die doen ertoe voor iedereen die op het punt staat een model aan een echt team voor te leggen.

• Vijftig taken, waarbij sommige categorieën er slechts vijf tot acht bevatten, zodat rangschikkingen per categorie eerder tendensen dan ordeningen zijn.

• Een vaste bedrijfssnapshot waarbij teamgenoten nooit reageren en die één bijdrage meet in plaats van een maand aan opgebouwde context.

• Eén effortniveau. Elk model draaide op hoog; lagere en hogere instellingen zijn niet getest, en Luna's standaard is medium, niet hoog.

• Alleen Slack. E-mail, documenten en elke actie verder dan het versturen van een bericht vallen buiten het bereik.

• Historische kosten, geen actuele prijsopgaven. De cijfers per taak zijn waarnemingen uit de run, dus een prijswijziging bij de leverancier verandert ze.

• Er is geen router getest. Deepnote is expliciet dat het routeringsadvies een ontwerpaanbeveling is die is geëxtrapoleerd uit modelresultaten.

Er bestaat ook een spanning tussen die tabel en de onafhankelijke snelheidsmetingen. Deepnote klokte Luna op 50 seconden per situatie bij hoge inspanning. Artificial Analysis, dat het op maximale inspanning liet draaien, mat een tijd tot het eerste antwoordtoken van 79,33 seconden - een orde van grootte slechter dan de mediaan voor zijn prijsklasse. Beide getallen kunnen kloppen, omdat ze verschillende dingen bij verschillende instellingen meten, maar het paar is een waarschuwing: de ervaren latentie van een altijd actieve agent wordt bepaald door de inspanningsinstelling, en die hoger zetten om de nullen na te jagen kost seconden voordat het dollars kost.

Een reader uitrollen tegen deze prijs

De praktische versie van deze benchmark is een tweelaagse pipeline, en dat is de reden waarom het prijsverschil belangrijker is dan het scoreverschil. GPT-6 Luna doet bij lage of gemiddelde inspanning het leeswerk: elke thread, elk kanaal, getypte beslissingen via de Decisions API. Een drempel op die beslissingen escaleert de ambigue gevallen naar een sterker model. Het dure model verwerkt dan tientallen threads per maand in plaats van duizenden, en de kosten ervan zijn geen begrotingspost meer.

Die pipeline is eenvoudiger te draaien wanneer beide tiers achter één sleutel zitten. OrcaRouter ontsluit GPT-6 Luna, Claude Sonnet 5.5, Claude Fable 5.2 en meer dan 200 andere modellen via één OpenAI-compatibel endpoint, tegen 0% opslag - de lijstprijs van de provider wordt doorgegeven, zodat een prijsverlaging van een leverancier dezelfde dag aan onze kant landt in plaats van te wachten tot een reseller de prijs herziet. De routing-DSL voegt de tiers samen in één aanroep (goedkope eerste pass, escaleren op een voorwaarde), automatische failover houdt de watcher in leven als een provider degradeert, en model fusion laat een panel gezamenlijk antwoorden wanneer één enkele classificatie te belangrijk is om aan één model toe te vertrouwen. Niets daarvan verandert de cijfers hierboven; het haalt alleen het integratiewerk ertussen weg.

Wat zou dit getal doen veranderen?

Twee dingen zouden dit artikel achterhaald maken: een opvolger van GPT-6 Luna, of een tweede onafhankelijke run van dezelfde benchmark met een grotere takenverzameling. Het eerste is een kwestie van de agenda van O​penAI. Het tweede is al beloofd: Deepnote zegt dat een panel van 50 taken in de volgende versie wordt vervangen door een grotere steekproef, en de auteurs ervan maken duidelijk dat de huidige tabel als een eerste meting moet worden gelezen, niet als een ranglijst.

Tot die tijd is de verdedigbare conclusie beperkter dan de tijdlijnversie en nuttiger. GPT-6 Luna is het eerste model dat goedkoop genoeg is dat een proactieve agent zich kan veroorloven ernaast te zitten over de vraag of er gekeken moet worden, en dat is een echte drempel - het verschil tussen een product dat zijn omgeving steekproefsgewijs bemonstert en een dat haar leest. Het is nog niet betrouwbaar genoeg om fouten te maken over de vraag of er gesproken moet worden. De stilte-score van vier op de tien is het deel van de tabel waar je omheen moet ontwerpen: houd het lezen goedkoop, houd het schrijven achter een poort, en zet het dure model waar de beslissing om te onderbreken daadwerkelijk wordt genomen.