GPT-6-Modelle erhielten am 14. Oktober 2026 einen neuen Praxistest aus dem Hause OpenAI selbst. Der Entwicklerblog des Unternehmens veröffentlichte an diesem Tag den Rückblick seines Core-Experimentation-Teams: Mit GPT-6 Astra und GPT-6.1 Sol in Codex pflegten fünf Ingenieure über zwei Wochen nebenbei eine große Codebasis, führten mehr als 1.400 Aufräum-Pull-Requests zusammen und löschten über 800.000 Codezeilen. Das war kein Demoprojekt, sondern Produktionscode, den OpenAI täglich selbst betreibt.
Totcode entfernen: Auftrag darf grob sein, Belege müssen sitzen
Zu Zeiten von GPT-5.6 Sol mussten Ingenieure den Suchbereich abstecken und Validierungskriterien vorgeben, bevor das Modell loslegen konnte. Bei Astra gab das Team bewusst nur eine einzige weit gefasste Anforderung vor, um zu prüfen, ob das Modell selbst entscheiden kann, wo es sucht und welcher Nachweis eine Löschung rechtfertigt. Es durchsuchte frühere Pull-Requests, interne Diskussionen und Projekt-Tracker und prüfte Profiling-Tabellen aus der Produktion, um zu bestätigen, dass der Code nie ausgeführt wurde. Jede Löschung erhielt eine Begründung, was die menschliche Prüfung deutlich beschleunigte. Der Ertrag war konkret: Das Container-Image eines Dienstes schrumpfte von 3,31 GB auf 1,72 GB, also um rund 48 Prozent, und etwa 400 visuelle Snapshot-Varianten flogen aus der Testsuite. Dieses Vorgehen über langen Kontext hinweg, bei dem das Modell seine Beweiskette selbst zusammenstellt, folgt derselben Linie wie der Ausbau des Standardkontexts von GPT-6.1 Sol auf 500k für lange Aufgaben.
Veraltete Experimente sind heikler: Die Schwierigkeit ist das Urteil, nicht das Löschen
Totcode lässt sich zurückrollen; veraltete Experimente sind ein anderes Kaliber, weil ihr Code noch in Produktion laufen kann und sich Berechtigungsprüfungen jederzeit ändern können. Statische Analyse greift da schnell daneben. Das Team ließ Astra Änderungen nur innerhalb vorgegebener Leitplanken und stets mit Belegen vorbereiten; die letzte Entscheidung blieb beim Menschen. Ein Beispiel zeigt, worum es geht: Ein Jahre altes internes Feature-Flag, das zu Testzwecken alle anderen neuen Feature-Flags überschreiben konnte, bildete sich auf sämtliche Funktionen ab und verursachte zur Laufzeit erheblichen CPU-Fan-out. In der Verwaltungskonsole war es als dauerhaft markiert. Astra fand die auffälligen CPU-Kosten, löschte aber nicht eigenmächtig, sondern eskalierte den Befund an menschliche Prüfer; nach Bestätigung brachte die Entfernung geschätzt 0,42 Prozent CPU-Ersparnis im am stärksten betroffenen Dienst. Insgesamt wurden Hunderte veralteter Experimente und Flags entfernt.
Die Rechnung der günstigeren Stufe: 92 Prozent der Befunde für 14 Prozent der Kosten
Verglichen wurde auch mit identischem Prompt auf einem Unterverzeichnis mit über 6.000 Dateien und einer Million Codezeilen. Astra Ultra lieferte 142 Befunde bei API-Kosten von 109,06 US-Dollar zu Standardpreisen; GPT-6.1 Sol Ultra kam auf 131 Befunde für 15,12 US-Dollar, also rund 92 Prozent der Befunde bei etwa 14 Prozent der Kosten; Sol Medium fand 86 Befunde für nur 5,27 US-Dollar. Sol übersah vor allem konstante Flags, von denen andere Flags abhingen – ein Muster, das sich im Prompt korrigieren lässt, sobald es bekannt ist. Auch bei der kontinuierlichen Integration zahlte sich das Vorgehen aus: Rund 30 Optimierungs-Pull-Requests senkten die mittlere CI-Dauer von etwa 10 auf 4,5 Minuten, und eine Suite mit 63 Tests fiel von 592,6 auf 29,8 Sekunden, ohne dass ein Test gestrichen wurde.
Für Teams, die bereits mit Programmieragenten arbeiten, ist nicht ein Zauberprompt die übertragbare Lehre, sondern die Reihenfolge: Pilot in einem kleinen Verzeichnis, Belege für jede Änderung verlangen, Prüfrückmeldungen in den Prompt zurückspielen und erst dann ausweiten. Bei der Modellwahl lohnt es sich, zuerst die Trefferquote der günstigeren Stufe zu messen und das teuerste Modell für die härtesten Prüfungen aufzusparen. Ein Vorbehalt bleibt: Alle Zahlen stammen aus OpenAIs interner Berichterstattung ohne unabhängige Nachprüfung; auf einer anderen Codebasis fallen die Gewinne voraussichtlich kleiner aus.
