OpenAI senkt den API-Preis von GPT-5.6 Luna um 80 Prozent

Was OpenAI am 30. Juli geändert hat

OpenAI hat die Preise für zwei Modelle der GPT-5.6-Familie gesenkt. Luna, das schnelle Modell für preisempfindliche und volumenstarke Aufgaben, kostet nach Angaben des Unternehmens 80 Prozent weniger. Terra, das zwischen Kosten und Leistungsfähigkeit positioniert ist, wird 20 Prozent günstiger.

Eine API ist die technische Schnittstelle, über die eine Software das Modell automatisch aufruft. Das ist etwas anderes als ein festes ChatGPT-Monatsabo. Die neuen API-Preise gelten seit dem 30. Juli 2026.

GPT-5.6 Sol bleibt preislich unverändert. Für Sol führt OpenAI zugleich einen „Fast mode“ ein: Er soll bis zu 2,5-mal schneller antworten, kostet aber das Doppelte der Standardverarbeitung und ersetzt den bisherigen kostenpflichtigen Beschleunigungsmodus.

Wichtig für die Einordnung: OpenAI hat die Monatsgebühren und Nutzungslimits seiner ChatGPT- und Codex-Abonnements nicht gesenkt. Terra und Luna verbrauchen dort künftig weniger Credits, also Nutzungsguthaben. Wer ChatGPT nur über ein festes Monatsabo verwendet, erhält daher nicht automatisch eine 80 Prozent niedrigere Rechnung.

So stark fällt die reine Token-Rechnung

OpenAI berechnet Textnutzung je Million Token. Eingabetokens entstehen zum Beispiel durch Anweisungen, Dokumente und Gesprächsverläufe. Ausgabetokens sind die vom Modell erzeugten Antworten.

• GPT-5.6 Luna: 0,20 US-Dollar für Eingabe, 0,02 US-Dollar für zwischengespeicherte Eingabe und 1,20 US-Dollar für Ausgabe – jeweils je Million Token.
• GPT-5.6 Terra: 2 US-Dollar für Eingabe, 0,20 US-Dollar für zwischengespeicherte Eingabe und 12 US-Dollar für Ausgabe – ebenfalls je Million Token.

Das sind Basistarife. Bei einzelnen Anfragen mit mehr als 272.000 Eingabetokens berechnet OpenAI für die gesamte Anfrage den doppelten Eingabepreis und den 1,5-fachen Ausgabepreis. „Zwischengespeichert“ bedeutet, dass unveränderte Teile einer Eingabe erneut verwendet werden. Ihr Abruf ist günstiger; das erstmalige Schreiben in den Zwischenspeicher kostet dagegen das 1,25-Fache des normalen Eingabepreises.

Ein Rechenbeispiel macht die Größenordnung greifbar. Es nimmt an, dass keine einzelne Anfrage die Grenze von 272.000 Eingabetokens überschreitet und nur normale, nicht zwischengespeicherte Eingaben abgerechnet werden. Verarbeitet ein Dienst monatlich 100 Millionen Eingabetokens und erzeugt 20 Millionen Ausgabetokens mit Luna, liegen die reinen Text-Tokenkosten im neuen Basistarif bei 44 US-Dollar: 20 US-Dollar für die Eingabe und 24 US-Dollar für die Ausgabe. Aus der von OpenAI veröffentlichten festen Senkung um 80 Prozent ergibt sich für dieselbe Tokenmenge im vorherigen Basistarif rechnerisch ein Betrag von 220 US-Dollar.

Das Beispiel ist keine Angebotskalkulation. Steuern, zusätzliche API-Dienste sowie die Kosten für Entwicklung, Betrieb und Qualitätskontrolle sind nicht enthalten.

Warum das KI-Projekt nicht 80 Prozent billiger wird

Der Modellaufruf ist nur ein Kostenblock. In integrierten Unternehmensabläufen müssen vor dem ersten produktiven Durchlauf häufig Datenquellen angebunden, Berechtigungen gesetzt und Fehlerwege festgelegt werden. Danach bleiben Qualitätsprüfungen, Überwachung und Pflege.

Je kleiner der Anteil der Modellkosten an der Gesamtrechnung ist, desto geringer fällt die Ersparnis des gesamten Vorhabens aus. Kostet ein Ablauf hauptsächlich Geld, weil Mitarbeitende Ergebnisse prüfen oder Sonderfälle nacharbeiten, löst ein niedrigerer Tokenpreis dieses Problem nicht.

Bewerte deshalb nicht nur den Preis je Million Token, sondern den Aufwand je brauchbarem Vorgang: Wie viele Fälle werden korrekt abgeschlossen? Wie oft greift ein Mensch ein? Welche Fehler müssen korrigiert werden? Der Glossareintrag zu LLMs erklärt, was das Sprachmodell in diesem Ablauf leistet – und was nicht.

Wann Luna für Unternehmen interessant sein kann

Der niedrigere Preis wirkt am stärksten bei häufig wiederholten Aufgaben mit klaren Qualitätsregeln. Dazu gehören die Vorsortierung von Kundenanfragen, das Klassifizieren großer Dokumentmengen, standardisierte Zusammenfassungen oder gut beschriebene Schritte in einem mehrstufigen KI-Ablauf.

Für unklare oder folgenreiche Entscheidungen ist der niedrigste Preis dagegen kein sinnvolles Auswahlkriterium. Wenn ein stärkeres Modell deutlich weniger Fehler macht, kann Terra oder Sol trotz höherer API-Kosten wirtschaftlicher sein. OpenAI selbst empfiehlt, Modelle nach Ergebnis, Fehlerrisiko, Dringlichkeit und Menge auszuwählen.

Eine gute Architektur muss deshalb nicht alles mit demselben Modell erledigen. Ein stärkeres Modell kann einen schwierigen Fall planen oder prüfen; Luna übernimmt anschließend klar abgegrenzte Routine. Solche Aufteilungen gehören zu den praktischen Beispielen für KI-Automatisierung, bei denen Messwerte wichtiger sind als Modellnamen.

Was bestehende OpenAI-Nutzer jetzt prüfen sollten

1. Verbrauch trennen: Werte Eingabe, zwischengespeicherte Eingabe und Ausgabe je Modell getrennt aus. Die teuersten Antworten sind nicht zwingend die häufigsten.
2. Echte Fälle vergleichen: Teste Luna und Terra mit einer repräsentativen Auswahl deiner Aufgaben. Prüfe fachliche Richtigkeit, Nacharbeit und Laufzeit.
3. Modellwahl staffeln: Nutze Luna für klar beschriebene Massenarbeit und leite unsichere oder folgenreiche Fälle an ein stärkeres Modell oder einen Menschen weiter.
4. Gesamtkosten messen: Verfolge Kosten je korrekt abgeschlossenem Vorgang statt nur die API-Rechnung.

Wenn du noch keine belastbare Verbrauchsbasis hast, beginne mit einem kleinen Ablauf und festen Prüfkriterien. Die Leistungsseite KI-Automatisierung zeigt, wie sich ein solcher Test ohne unnötigen Plattformbau aufsetzen lässt.