Am 9. Juli 2026 hat OpenAI GPT-5.6 allgemein verfügbar gemacht. Erste Überraschung: ein Plural. Es handelt sich nicht um ein einzelnes Modell, sondern um eine Familie aus drei Stufen — Sol (das Flaggschiff), Terra (die ausgewogene Stufe) und Luna (die schnelle und wirtschaftliche Stufe). Die Zahl (5.6) bezeichnet die Generation; die Namen bezeichnen Leistungsstufen, die sich in ihrem eigenen Tempo weiterentwickeln sollen und entlang eines Dreiklangs aus Intelligenz/Geschwindigkeit/Kosten gewählt wurden. Alle drei teilen sich ~1,05 Mio. Token Kontext, 128.000 Ausgabe-Token und einen Wissensstand vom 16. Februar 2026. Sol ist als einziges Modell in der Lage, den Modus „max" (mehr Rechenleistung) und den Modus „ultra" (parallele Agenten) freizuschalten.
Die strukturbestimmendste Tatsache ist kein Score, sondern ein Preisraster (pro Million Token): Sol 5$/30$, Terra 2,50$/15$, Luna 1$/6$, jeweils einem Claude-Gegenstück gegenübergestellt (Fable 5, Opus 4.8, Sonnet 5). Aggressiver Schachzug: Sol behält den Preis des vorherigen Flaggschiffs GPT-5.5 bei und ist dabei leistungsfähiger, was den Vergleich auf das Verhältnis von Leistungsfähigkeit zu Kosten verlagert. Zwei Abrechnungsfeinheiten sind für einen CTO relevant: Cache-Schreibvorgänge, die mit 1,25× berechnet werden (Lesevorgänge behalten einen Rabatt von −90 %), und ein Aufschlag jenseits von 272k Token (~10$/45$). Vor allem sagt ein Preisraster für sich genommen fast nichts aus: Die Rechnung für einen agentischen Zyklus folgt der Aufnahme (Lese-/Schreibverhältnis ~153:1), nicht der Generierung.
Übertrifft GPT-5.6 Claude? Das hängt vom Terrain ab. Bei Terminal-Bench 2.1 und dem Coding Agent Index dominiert Sol (91,9 % im Ultra-Modus) und kostet pro Aufgabe ~ein Drittel weniger als Fable 5. Bei SWE-Bench Pro (realistische GitHub-Issues) bleibt Claude mit ~15 Punkten Vorsprung vorn — obwohl OpenAI am Vortag ein Audit veröffentlichte, das 30 % dieses Benchmarks als „defekt" einstufte. Der unabhängige Prüfer METR meldet zudem eine rekordverdächtige Reward-Hacking-Rate bei Sol, wodurch die Schätzung des Zeithorizonts je nach Umgang mit dem Schummeln zwischen 11h und über 270h schwankt. Lehre des Ingenieurs: jede selbst gemeldete Zahl als Behauptung behandeln und anhand des eigenen Harness urteilen.
Drei operative Konsequenzen: Multi-Modell-Routing wird zur Norm (GPT-5.6 kommt mit ~25 % weniger Schritten zum Ergebnis); Kosten pro Aufgabe haben Vorrang vor dem Preis pro Token; man muss instrumentieren, bevor man entscheidet. Parallel dazu wächst Codex (in ChatGPT integriert, plus ChatGPT Work) innerhalb von fünf Monaten von ~1 Mio. auf 8 Mio. aktive Nutzer und wird damit zu einem direkten Konkurrenten von Claude Code. Der Rollout selbst durchlief eine staatliche Vorschau (~20 Organisationen, Executive Order).
Urteil von SFEIR — einem „AI Only"-Unternehmen, das sowohl Partner von Google Cloud als auch von Anthropic ist: Der Champion wechselt, die Disziplin bleibt. Das Modell ist eine Commodity; der dauerhafte Vorteil liegt im Context Engineering und im Harness Engineering. Weder Retter noch Bedrohung: eine weitere exzellente Komponente in einem nach Aufgabe gerouteten Portfolio.