Asanas Browser-Agent wurde am 9. Oktober 2026 in einer von OpenAI veröffentlichten Kundenstory beziffert: Nach einer Optimierungsrunde lief der Browser-Agent von StackAI, Asanas No-Code-Plattform für Workflows, auf GPT-6.1 Sol mit durchschnittlich geschätzt 0,47 Dollar Modellkosten pro Lauf in rund vier Minuten – 76-mal günstiger und 5-mal schneller als die ursprüngliche Produktionskonfiguration auf einem Modell eines anderen Labors, in der Story Model B genannt. Die Zahl, die man sich ansehen sollte, ist aber nicht der Faktor, sondern wie er zustande kam.
Wohin das Geld floss: Bei jedem Schritt wurde der gesamte Verlauf erneut gesendet
Mit StackAI bauen Kunden Workflows ohne Code und schicken Agenten los, um Websites zu öffnen, Formulare auszufüllen und Informationen zu sammeln. StackAIs CTO Frank Hidalgo wollte den Browser-Agenten schneller und günstiger machen und ließ statt einer manuellen Prüfung GPT-6 Astra in Codex die Codebasis kartieren, Korrekturen vorschlagen und kontrollierte Vergleiche fahren – Arbeit, die nach seiner Schätzung von Hand ein bis zwei Monate gedauert hätte und in etwa einer Woche erledigt war. Astras Befund war konkret: Der Agent cachete seine festen Anweisungen und Werkzeugdefinitionen, aber nicht seinen wachsenden Browserverlauf aus Seitentexten und Screenshots. So schickte er bei jedem Schritt alles, was er schon gesehen hatte, zum vollen Preis erneut ans Modell. Schlimmer noch: Er verwarf ältere Screenshots und kürzte Text beinahe bei jedem Schritt, sodass sich der Verlauf ständig änderte und prinzipiell gar nicht cachebar war – und verworfene Fakten konnten ihn zwingen, bereits gelesene Seiten erneut aufzurufen.
Drei Korrekturen und ein Vergleich über 144 Läufe
Hidalgo testete drei von Astras Vorschlägen: Caching auf den Browserverlauf ausweiten, mehr Text behalten (Verlaufsbudgets von 120.000 und 480.000 Zeichen im Vergleich) und Screenshots gebündelt entfernen (am besten schnitt die Regel ab, bis 20 Screenshots zu sammeln und dann auf den jüngsten zu kürzen, damit älterer Verlauf länger unverändert bleibt). In der Studie mit 144 Läufen sammelte jede Konfiguration sechs Felder zu je 32 Büchern aus einem öffentlichen Demokatalog, über GPT-6.1 Sol und drei anonyme Modelle hinweg. Das Ergebnis muss man zerlegen: Nur mit den Workflow-Änderungen, ohne Modellwechsel, fielen die Kosten von Model B pro Lauf von mindestens 36,21 Dollar (eine Untergrenze, denn manche Originalläufe endeten unvollendet am Schritlimit) auf 1,24 Dollar, also rund Faktor 29. Der optimierte Workflow auf Sol brachte sie auf 0,47 Dollar, weitere 2,6-mal günstiger. Der Großteil der 76-mal kam also aus dem Workflow selbst; der Modellwechsel legte den Rest obendrauf.
Wie viel Verlauf man behält, entscheidet auch, ob die Aufgabe fertig wird
Dieselbe Studie lieferte ein härteres Ergebnis als den Preis: Auf Sol mit dem kleineren Verlaufsbudget brachten nur 3 von 18 Läufen eine Antwort hervor; mit dem größeren Budget schlossen alle 18 korrekt ab. Allein auf Sol betrachtet senkten die neue Cache- und Screenshot-Regel die Kosten von 1,97 auf 0,47 Dollar pro Lauf, jeder Aufruf wurde rund 3-mal günstiger, weil 89 % der Eingabe aus dem Cache kam und nur mit 5 % des uncached Preises berechnet wurde. Asana hat die Änderungen in StackAIs Browsernavigation ausgeliefert und will solche Vergleiche in die Evaluierungswerkzeuge der Plattform einbauen.
Die Vorbehalte gehören dazu: Das ist eine vom Anbieter veröffentlichte Einzelkunden-Story, die Kosten sind Schätzwerte, die Vergleichsmodelle anonym, der Aufgabentyp nur einer – 76-mal ist kein Benchmark, den jeder Browser-Agent reproduzieren kann. Aber sie hinterlässt jedem Team, das Agenten baut, eine Prüfung für heute: Wird ein mehrstufiger Agent immer teurer, nicht gleich das Modell wechseln, sondern zählen, wie viel von jeder Anfrage Inhalte sind, die zum vollen Preis erneut gesendet werden. Wie Verlauf aufbewahrt, gecacht und beschnitten wird, ist oft die eigentliche Rechnung.
