Ein Modell, das deinen Bildschirm bedient, wird gerade als Routinehelfer für Betriebe verkauft. Die wichtigste Zahl dabei ist eine Erfolgsquote, und die misst nicht das, was die meisten hineinlesen. Ich habe die Rangliste des Tests, die Preisliste und die Prüfzeit nebeneinandergelegt.
Seit der Vorstellung von GPT-6 Astra kursiert eine Faustregel für Betriebe: Ein Modell, das selbst am Bildschirm arbeitet, lohnt sich bei häufigen, klar umrissenen Routineaufgaben, nicht bei einmaligen Spezialprojekten. Die Regel ist richtig. Sie sagt nur nicht, ab wann. Genau da fangen die interessanten Zahlen an, und die stehen nicht in der Ankündigung, sondern in der Rangliste des Tests, auf den sich alle berufen.
OpenAI gibt für Astra 72,6 Prozent auf OSWorld 2.0 an, für den Vorgänger GPT-5.6 Sol 65,7 Prozent, bei etwa 40 statt 75 Minuten je Aufgabe. Welche Größe da gemessen wird, steht nicht dabei. Das ist der entscheidende Punkt, denn dieser Test misst zwei Dinge: einmal, ob eine Aufgabe komplett erledigt wurde, und einmal Teilpunkte über im Schnitt 27,25 Kontrollpunkte je Aufgabe. Der zweite Wert ist immer deutlich höher.
Auf der öffentlichen Rangliste bei einem Schrittbudget von 500 führt Claude Opus 5 mit 31,43 Prozent erledigten Aufgaben bei 68,31 Prozent Teilpunkten. GPT-5.6 Sol steht dort bei 27,34 und 62,72 Prozent. OpenAIs 65,7 Prozent für Sol liegen nahe an dessen Teilpunkten und weit über dessen erledigten Aufgaben.
Damit spricht viel dafür, dass auch die 72,6 Prozent Teilpunkte sind. Bestätigt ist das nicht, Astra steht auf der unabhängigen Rangliste bislang nicht, und unterschiedliche Testaufbauten lassen sich nie sauber übereinanderlegen. Wer die Zahl aber als Erfolgsquote liest, liest sie mit hoher Wahrscheinlichkeit falsch.
Wie anspruchsvoll die Aufgaben sind, macht der Test selbst deutlich: 108 Arbeitsabläufe, für die ein Mensch im Median rund 1,6 Stunden braucht, im Schnitt 318 Werkzeugaufrufe je Ablauf. Das Fazit der Autoren ist für Betriebe wichtiger als jede Prozentzahl: Die Agenten scheitern nicht an der Bedienung von Maus und Tastatur, sondern daran, über lange, verzahnte Abläufe hinweg die Bedingungen im Blick zu behalten, Zwischenstände zu prüfen und nachzufragen. Bei Abläufen über zweieinhalb Stunden fällt die Quote der komplett erledigten Aufgaben laut Messung nahe null.
OpenAI nennt für die eigene Angabe keine Metrik. Dass es sich um Teilpunkte handelt, leite ich aus dem Abstand zur veröffentlichten Rangliste ab, nicht aus einer Auskunft des Unternehmens. Möglich ist auch ein anderer Testaufbau oder eine andere Teilmenge der Aufgaben. Solange Astra dort nicht unabhängig gemessen ist, bleibt das eine begründete Vermutung, und so sollte man sie auch zitieren.
Über die API kostet Astra 10 Dollar je Million Eingabe-Tokens und 50 Dollar je Million Ausgabe. Ab 272.000 Eingabe-Tokens kostet die gesamte Anfrage das Doppelte beim Eingang und das Anderthalbfache beim Ausgang. Rechenbeispiele aus einer Auswertung vom 9. September zeigen, was das bedeutet: 270.000 Eingabe plus 10.000 Ausgabe kosten 3,20 Dollar, 280.000 plus 10.000 kosten 6,35 Dollar. Knapp vier Prozent mehr Text, fast doppelter Preis.
Für einen Bildschirm-Agenten ist das keine Randnotiz. So ein Agent schickt bei jedem Schritt ein Bild des Bildschirms mit, und der Verlauf wächst mit jedem Schritt. Die Preisklippe wird also nicht am Anfang eines Laufs erreicht, sondern mittendrin, und zwar genau dann, wenn die Aufgabe lang und damit teuer wird. Zwischengespeicherte Eingaben kosten dagegen nur 1 Dollar, Stapelverarbeitung die Hälfte. Wer täglich dieselbe Vorlage verarbeitet, sollte diesen Teil nicht dem Zufall überlassen.
Trotzdem: Selbst sechs Dollar je Lauf sind für die meisten Betriebe verkraftbar. Teuer wird etwas anderes. Wenn ein erheblicher Teil der Läufe nicht sauber durchläuft, muss jemand jedes Ergebnis ansehen. Und diese Prüfzeit ist die eigentliche Rechengröße.
Ein Beispiel aus dem Alltag. Das Wochenformular füllst du selbst in zwölf Minuten aus. Der Agent braucht vier Minuten, du prüfst drei, macht sieben. Das lohnt sich. Die Pflege von zehn CRM-Datensätzen dauert dich zwanzig Minuten. Der Agent braucht sechs, aber prüfen heißt hier: zehn Datensätze einzeln aufmachen und vergleichen, also gut fünfzehn Minuten. Das lohnt sich nicht, und daran ändert auch ein besseres Modell nichts. Die Trennlinie verläuft nicht zwischen häufig und selten, sondern zwischen Aufgaben, deren Ergebnis man auf einen Blick prüfen kann, und solchen, bei denen das Prüfen die Arbeit noch einmal ist.
Die Preise und Rechenbeispiele stammen aus OpenAIs Modellblatt und einer öffentlichen Auswertung. Die zwölf Minuten fürs Formular und die zwanzig fürs CRM sind meine Annahmen, keine Messung in eurem Betrieb. Genau deshalb ist der Rat unten eine Stoppuhr und kein Prozentwert: Eure Zahlen entscheiden, nicht meine.
Bevor ihr eine Aufgabe an einen Bildschirm-Agenten gebt, stellt drei Fragen. Erstens: Fällt sie mindestens wöchentlich an? Einmalarbeit lohnt das Einrichten nie. Zweitens: Sieht man am Ergebnis in einem Blick, ob es stimmt? Ein fertiges Formular ja, zehn gepflegte Datensätze nein. Drittens: Was passiert im Fehlerfall? Ein falscher Kalendereintrag ist ärgerlich, eine falsche Preiszusage im CRM kostet Geld. Danach macht ihr zehn Läufe mit Stoppuhr, ohne Schreibrechte, und zählt, wie viele ohne Korrektur durchgehen. Diese Zahl ist eure Erfolgsquote. Keine aus einer Ankündigung.
Mich stört an der Debatte nicht die Technik, sondern die Erwartung, die mit einer einzigen Prozentzahl transportiert wird. 72,6 klingt nach: läuft, mit gelegentlichen Ausrutschern. Die Rangliste desselben Tests liest sich anders, dort kommt der Bestwert bei komplett erledigten Aufgaben nicht über ein Drittel. Für einen Betrieb ist das ein völlig anderer Satz.
Und es ist kein Grund, die Finger davon zu lassen. Es ist ein Grund, klein anzufangen: mit Aufgaben, die sich in Sekunden prüfen lassen, mit einer Stoppuhr und mit Zugang in Stufen. Der Agent, der jede Woche ein Formular ausfüllt und dabei sichtbar richtig liegt, bringt mehr als der, der theoretisch das ganze CRM pflegt und den keiner kontrolliert.
Quellen: OSWorld 2.0 (108 Aufgaben, mediane Bearbeitungszeit, Werkzeugaufrufe, Metriken) und das zugehörige Papier arXiv 2606.29537 vom 13. Juli 2026; die Rangliste mit erledigten Aufgaben und Teilpunkten bei Snorkel AI, Stand September 2026, ohne Eintrag für GPT-6 Astra; Astras Angaben aus OpenAIs Ankündigung und Modellblatt vom 3. September 2026, zusammengefasst unter anderem bei MindStudio vom 4. September 2026; Rechenbeispiele zur Preisstufe bei CometAPI vom 9. September 2026; die eingangs zitierte Faustregel für Betriebe bei Michael Heitkötter vom 7. September 2026. Die Zuordnung der 72,6 Prozent zu den Teilpunkten ist eine begründete Vermutung, keine Bestätigung von OpenAI. Stand: 12.09.2026.
Welches Modell für welche Aufgabe, welche Tools wirklich zählen und wie du richtig promptest — komplett lesbar, kein Download.
Jetzt gratis lesen →Wir suchen zwei Aufgaben aus eurem Alltag, die sich auf einen Blick prüfen lassen, lassen sie zehnmal vom Agenten machen und messen mit. Danach steht eure eigene Erfolgsquote auf dem Papier, und ihr wisst, was sich lohnt.