Sie haben eine feste Anzahl von Reviewern und seit dem 22.09.2026 eine Modell-Rechnung, die nichts mehr für Sie entscheidet. GPT-6 Luna liegt bei 0,10 $ pro Million Input-Tokens und 0,50 $ pro Million Output, API-ID gpt-6-luna. Claude Opus 5.5 liegt bei 4 $ und 20 $, API-ID claude-opus-5-5. Das ist ein 40-facher Unterschied bei Input und Output, unsere Rechnung aus den Listenpreisen der beiden Anbieter, und sie verwandelt eine Frage, die früher theoretisch war, in eine wöchentliche Planungsentscheidung. Für dasselbe Geld: Betreiben Sie zehn billige Agents oder einen teuren?
Die beiden Konfigurationen sind kein Ersatz füreinander. Was sie unterscheidet, ist nicht die Modellqualität, und es zeigt sich am Ende eines Durchlaufs statt am Anfang: Jede von ihnen legt einem Menschen eine andere Menge Arbeit vor.
Die Rechnung, die die Frage relevant macht
OpenAI veröffentlicht die Kosten pro Task neben dem Ergebnis, was nützlicher ist als eine Preisliste. Bei DeepSWE 1.1 erreicht Luna mit maximalem Reasoning-Aufwand 66,6 %, was OpenAI als vergleichbar mit Claude Opus 5 und Fable 5 bei mittlerem Aufwand beschreibt, bei 93 % geringeren Kosten pro Task als Opus 5 und 96 % geringeren als Fable 5.
Rechnet man die erste Zahl zurück, entspricht ein Opus-5-Task etwa vierzehn Luna-Tasks. Zehn Luna-Durchläufe kosten auf diesem Harness daher ungefähr sieben Zehntel eines einzigen Opus-5-Durchlaufs. Diese Multiplikation stammt von uns, basierend auf den von OpenAI angegebenen 93 %.
Anthropic zufolge ist Opus 5.5 40 % günstiger im Betrieb als Opus 5. Wendet man das an, fällt das Verhältnis auf ungefähr neun zu eins. Diese Zahl verkettet Messungen zweier Anbieter, die auf unterschiedlichen Harness-Versionen erhoben wurden, also behandeln Sie sie als Richtung und nicht als exakten Wert: Zehn billige Versuche und ein teurer Versuch kosten jetzt etwa gleich viel, egal wie man rechnet.
| GPT-6 Luna | Claude Opus 5.5 | |
|---|---|---|
| API-ID | gpt-6-luna |
claude-opus-5-5 |
| Input / Output pro 1 Mio. | 0,10 $ / 0,50 $ | 4 $ / 20 $ |
| Gecachter Input | 90 % Rabatt auf Lesevorgänge | 0,20 $ Lesen, 5 $ Schreiben |
| Kontextfenster | 1 Mio. | 1 Mio. |
| Langhorizont-Aussage des Anbieters | keine angegeben | bleibt 18+ Stunden bei der Aufgabe |
| Artificial Analysis Index | 37 | 58, Platz 1 von 212 |
Zu dieser Tabelle gehören zwei Einschränkungen. OpenAIs Schlagzeile lautet, dass Sol und Luna jeweils 50 % günstiger sind als GPT-5.6 zum Aktionspreis, und „Aktionspreis“ ist OpenAIs eigenes Wort: Der Vergleich läuft gegen einen rabattierten Tarif, nicht gegen einen Listenpreis. Und die beiden Launch-Posts sind kein direkter Vergleich. Beide Anbieter melden am selben Tag einen AutomationBench-Score, bei unterschiedlichen Harness-Versionen und unterschiedlichen Aufwandsstufen. Diese beiden Prozentwerte in einer Zeile zusammenzuführen, ergäbe einen Vergleich, den keines der Labore durchgeführt hat. Die obigen Kosten-pro-Task-Verhältnisse halten stand, weil sie aus der eigenen Messung eines einzelnen Anbieters stammen.
Drei Konfigurationen, die wie eine einzige Wahl aussehen
„Zehn Agents oder einer“ sind in Wahrheit drei Konstellationen, und sie verhalten sich beim Review-Schritt unterschiedlich.
| Konfiguration | Was beim Review ankommt | Wer den Gewinner auswählt | Funktioniert, wenn |
|---|---|---|---|
| Zehn billige Agents, zehn Tasks | Zehn Diffs, zehn Entscheidungen | Ein Mensch, zehnmal | Das Backlog ist breit und jeder Eintrag ist unabhängig akzeptabel |
| Zehn billige Agents, ein Task | Ein Diff, eine Entscheidung | Ihre Testsuite | Eine Maschine kann Versuche bewerten, ohne dass ein Mensch sie liest |
| Ein teurer Agent, ein Task | Ein Diff, eine Entscheidung | Ein Mensch, einmal | Langer Horizont, schwaches automatisches Signal oder eine Änderung, die durchgehend Beurteilung erfordert |
Die mittlere Zeile ist die, die der Preisrückgang eigentlich erst ermöglicht, und sie ist die, die die meisten Teams überspringen. Denselben Task zehnmal auszuführen und den Versuch zu behalten, der Typecheck, Tests und Build besteht, ist eine Strategie, die erst bezahlbar wurde, als ein Versuch kein echtes Geld mehr kostete. Bei einer Benchmark-Pass-Rate nahe zwei Dritteln scheitert ein Drittel der einzelnen Versuche. Wenn Versuche unabhängig voneinander scheitern würden, würden zehn Versuche fast nie alle scheitern. Sie scheitern nicht unabhängig: Eine Aufgabe mit einer mehrdeutigen Anforderung oder einer fehlenden Fixture vereitelt jeden Versuch auf dieselbe Weise. Fan-out kauft Ihnen die Varianz, nicht eine Garantie.
Die erste Zeile ist die, zu der die meisten Teams tatsächlich greifen, und sie ist die teure. Nicht in Dollar. Zehn Agents an zehn Tasks erzeugen zehn Diffs, und jeder einzelne davon braucht einen Menschen, der ihn liest, versteht, was der Agent gewählt hat, und die Verantwortung für das Mergen übernimmt. Diese Kosten sind am 22.09.2026 nicht gesunken, und keine Modellveröffentlichung rührt daran. Wir haben darüber geschrieben, warum menschliches Review der Engpass bei paralleler Agent-Arbeit ist, und darüber, wie viele Agent-Arbeitstage ein menschlicher Arbeitstag aufnehmen kann; die Rechnung dort ändert sich durch billigere Tokens nicht.
Zehn Agents auf Luna sind nicht die zehnfache Ausgabe. Es ist die zehnfache ankommende Arbeit. Ein billigeres Modell kauft Versuche. Es kauft keine Review-Kapazität, und die beiden sind leicht zu verwechseln, wenn die Rechnung die einzige Zahl ist, die man im Blick behält.
Kosten pro akzeptierter Änderung sind die Kennzahl, die sich übertragen lässt
Kosten pro akzeptierter Änderung sind das, was Ihr Team für Inferenz ausgibt, für jeden Diff, den ein Mensch tatsächlich liest und akzeptiert. Es ist die einzige Agent-Kostenkennzahl, die mit ausgelieferter Arbeit verbunden ist, denn ein Versuch, den niemand überprüft, hat nichts ausgeliefert.
Diese Definition sortiert die drei Konfigurationen sofort. Fan-out bei einem Task verteilt zehn Versuche auf eine Review-Entscheidung, sodass billigere Versuche die Kosten pro akzeptierter Änderung linear senken. Breite über zehn Tasks verteilt einen Versuch zehnmal über eine Review-Entscheidung, sodass billigere Versuche die Inferenz-Zeile senken, während die Review-Zeile flach bleibt und zum Engpass wird. Tiefe bei einem teuren Agent kauft eine höhere Chance, dass der eine Versuch vor Ihrem Reviewer der ist, der es wert ist, gemergt zu werden.
Es gibt einen zweiten Effekt, der sich nur in der Praxis zeigt. Zehn billige Versuche und ein teurer Versuch fühlen sich in der Arbeit nicht gleich an. Artificial Analysis misst die Max-Reasoning-Varianten dieser Modelle mit 124,23 Sekunden bis zum ersten Token bei Luna und 102,15 Sekunden bei Sol – Zahlen von Drittanbietern speziell für die Max-Varianten, die es sich lohnt zu bestätigen, bevor Sie damit planen. Zehn Agents, die jeweils zwei Minuten still sind, bevor sie ein Zeichen produzieren, sind keine schnelle Pipeline. Es sind zehn Durchläufe, die alle gleichzeitig hängen zu scheinen – was eher ein Statusproblem als ein Modellproblem ist.
Das Entscheidungspaar
Setzen Sie zehn billige Agents ein, wenn eine Maschine entscheidet. Das heißt, der Task hat ein echtes Akzeptanzsignal, das ohne einen Menschen läuft: ein Test, der heute fehlschlägt und bestehen muss, ein Typecheck, ein Build, eine Lint-Regel, ein Repro-Skript. Triage, Labeling, Test-Gerüste und mechanische Refactorings qualifizieren sich. Ebenso gilt das für jede Änderung, bei der „hat es funktioniert“ ein Befehl ist und keine Meinung.
Setzen Sie einen teuren Agent ein, wenn ein Mensch entscheidet. Wenn das Akzeptieren der Änderung erfordert, den Code zu lesen und sich eine Meinung zu bilden, helfen zusätzliche Versuche nicht, sie vervielfachen das Lesen. Dasselbe gilt für Langhorizont-Arbeit: Laut Anthropic bleibt Opus 5.5 18 oder mehr Stunden bei der Aufgabe, und ein Durchlauf, der ein Ziel einen Nachmittag lang durchhält, ist mehr wert als zehn Durchläufe, die jeweils vom selben Teilverständnis aus neu starten.
Nutzen Sie Fan-out nicht, um das Schreiben des Akzeptanzsignals zu umgehen. Zehn plausible Diffs ohne automatischen Richter sind schlimmer als ein Diff, denn zwischen zehn plausiblen Diffs zu wählen, ist eine schwierigere Aufgabe als einen zu überprüfen – und es ist eine Aufgabe, die bei der Person landet, die Sie schützen wollten.
Was die breite Konfiguration von der Ebene darüber braucht
Zehn Agents gleichzeitig laufen zu lassen, ist ein Koordinationsproblem, bevor es ein Kostenproblem ist. Die Bausteine sind bekannt: jeder Durchlauf in seinem eigenen Worktree, damit zwei Agents, die dieselbe Datei bearbeiten, kein Zwischenfall sind, ein Assignee pro Task, damit Eigentümerschaft nie mehrdeutig ist, und ein Status, der laufend von wartend von fehlgeschlagen unterscheidet.
Der Agent definiert, wie die Arbeit behandelt werden soll. Der Computer stellt den Host und lokale Ressourcen bereit. Die Runtime führt die Session aus. Der Task bleibt der gemeinsame Datensatz. Wenn zehn Durchläufe innerhalb einer Stunde voneinander enden, ist es dieser letzte Teil, der die Stunde davon abhält, zu einer Schnitzeljagd über zehn Terminals zu werden.
Ein abgeschlossener Luna-Durchlauf sollte etwa Folgendes an seinen Task zurückgeben, nicht an ein privates Session-Log:
SH-312 Add retry with backoff to the webhook dispatcher
Runtime gpt-6-luna (fan-out, 8 attempts, 3 passed the suite)
Selected attempt 6, smallest diff of the passing set
Evidence typecheck ok, 214 tests pass, build ok, coverage +0.4%
Known limit no test for the 429 path, dispatcher is not idempotent yet
Status Ready for review, waiting on a human
Die Auswahlzeile ist der entscheidende Teil. Sie sagt, was entschieden hat, sodass der Reviewer weiß, ob er die Wahl einer Maschine bestätigt oder selbst eine trifft. Zehn Versuche ohne Auswahlaufzeichnung sind die zehnfache Arbeit, die sich als ein Task ausgibt.
Die Antwort
Zehn billige Agents liefern mehr, wenn eine Suite entscheidet und das Backlog breit genug ist, um sie beschäftigt zu halten. Ein teurer Agent liefert mehr, wenn die Akzeptanzentscheidung menschlich ist, der Horizont lang ist oder das automatische Signal schwach ist. Die meisten Teams wollen beides, gesteuert nach Task-Typ statt nach Vorliebe – das ist das Argument in Modellen den passenden Agent-Rollen zuordnen.
Keine der beiden Konfigurationen ändert den letzten Schritt. Agents recherchieren, führen aus, testen und berichten. Menschen geben die Richtung vor, erteilen Befugnis und akzeptieren das Ergebnis. Die Modellpreise haben sich an einem Tag um das 40-Fache bewegt, und die Zahl der Änderungen, die Ihr Team verantwortungsvoll akzeptieren kann, hat sich überhaupt nicht bewegt.
Wenn Sie bereits mehrere Agents betreiben, gibt Ihnen Sharkly einen Ort, an dem Kontext, Fortschritt, Blocker, Ergebnisse und menschliches Review von der Anfrage bis zum Release sichtbar bleiben – egal, welche Runtime den Diff erzeugt hat.
