Asana senkt Browser-Agent-Kosten 76x mit GPT-6.1 Sol

Hintergrund

Asana, der Anbieter von Projektmanagement-Software, hat seinen Browser-Agenten mit GPT-6.1 Sol in Codex neu aufgebaut. Das geht aus einer Kundenfallstudie hervor, die OpenAI am 9. Oktober 2026 veröffentlicht hat. In den Tests von Asana lief der Agent 76-mal günstiger und 5-mal schneller. Laut Asana schafft das Spielraum, Kunden leistungsfähigere Modelle anzubieten, ohne bei jedem Aufruf einen hohen Preis zu zahlen.

Die öffentlichen Angaben verlangen genaues Lesen. Die Werte stammen aus einer Testumgebung. Welche Aufgaben getestet wurden, welches Basismodell als Vergleich diente und wie die Kosten gezählt wurden, geht aus der Zusammenfassung nicht hervor. Die beiden Faktoren zeigen deshalb eine Größenordnung. Andere Teams können sie nicht einfach auf ihre eigenen Lasten übertragen.

Ein Browser-Agent ist von Natur aus teuer. Er liest eine Seite, als Struktur oder als Screenshot, und entscheidet, was er anklickt oder eingibt. Dann liest er den neuen Seitenzustand und wiederholt die Schleife, bis die Aufgabe erledigt ist. Eine Aufgabe umfasst oft ein Dutzend Schritte oder mehrere Dutzend. Jeder Schritt schickt Seiteninhalt und Verlauf erneut ins Modell. So häufen sich Eingabe-Token, und die Wartezeit wächst mit jedem Schritt.

Tiefenanalyse

Kosten und Tempo sind zwei Seiten desselben Problems. Mehr Schritte und ein längerer Kontext erhöhen die Rechnung und verlängern zugleich die Wartezeit der Nutzer. Eine Senkung um den Faktor 76, fast zwei Größenordnungen, entsteht selten allein durch den Wechsel auf ein billigeres Modell. Wahrscheinlicher wirken mehrere Effekte zusammen. Auf der Modellseite kann ein stärkeres Modell dieselbe Aufgabe in weniger Schritten lösen. Es versteht Seiteninformationen genauer und muss nach Fehlern seltener von vorn beginnen. Auf der Technikseite lässt sich das Umfeld des Modells neu schreiben. Teams können die Seiteninhalte kürzen, die ans Modell gehen. Sie können zwischengespeicherten Kontext wiederverwenden. Und sie können Schritte, die einfacher, deterministischer Code erledigt, ganz aus den Modellaufrufen herausnehmen.

Der Fall zeigt außerdem eine Schleife, die leicht übersehen wird. Asana hat die Arbeit in Codex erledigt, einem Coding-Agenten. Ein KI-Werkzeug hat also die Laufzeiteffizienz eines KI-Produkts verbessert. Das deutet darauf hin, dass der Coding-Agent am Umbau beteiligt war und nicht nur das Modell im fertigen Produkt. Offen bleibt, welcher Anteil der 76-fachen Ersparnis vom Modell stammt und welcher vom Umbau. Diese Aufteilung ist wichtig. Kommt der Großteil aus der Technik, können andere Firmen ihn mit jedem tauglichen Modell anstreben. Kommt er vom Modell, hängt der Gewinn von einem bestimmten Anbieter ab. Bis weitere Daten vorliegen, ist Vorsicht angebracht.

Branchenwirkung

Der Fall berührt den schärfsten Konflikt bei Agenten-Produkten. Anbieter von Unternehmenssoftware wollen Agenten als Funktion ausliefern. Doch Modellkosten pro Aufruf können eine reizvolle Funktion im großen Maßstab zum Verlustgeschäft machen. Sinken die Kosten einer Aufgabe auf einen Bruchteil, ändert sich mehreres zugleich. Erstens kann eine Funktion standardmäßig für mehr Nutzer offen sein, statt hinter einem teuren Tarif zu liegen. Zweitens kann der Anbieter das gesparte Budget in ein stärkeres Modell für wichtige Aufgaben stecken und so eine höhere Erfolgsquote kaufen. Genau das meint Asana, wenn es von leistungsfähigeren Modellen für Kunden spricht. Drittens verändert ein fünffach höheres Tempo das Nutzungsgefühl. Eine Aktion, die in Sekunden endet, passt in den Arbeitsalltag. Eine Aktion, die Minuten dauert, läuft nur als Hintergrundjob. Für eine Plattform zur Arbeitsorganisation liegt der Wert eines Browser-Agenten darin, wiederkehrende Aufgaben über Systemgrenzen hinweg zu übernehmen. Beispiele sind das Ordnen von Aufgaben, der Abgleich von Status und das Übertragen von Informationen zwischen Web-Werkzeugen ohne offene Schnittstelle. Solche Fälle reagieren empfindlich auf Wartezeit und auf die Kosten je Aufgabe. Auf den Markt wirkt das auf drei Ebenen. Für Modellanbieter zeigen Kundenberichte nun echte Ausgaben und Zeiten je Aufgabe, nicht nur Benchmark-Werte. Der Wettbewerb verschiebt sich vom stärksten Modell zum besten nutzbaren Modell für den Preis. Für Softwarefirmen wie Notion, Atlassian und Salesforce, die ebenfalls Agenten-Funktionen vorantreiben, wird hohe Inferenzkosten als Preisargument schwächer, sobald ein starker Kostenrückgang belegt ist. Agenten werden schneller zum Standard, und der Unterschied wandert zu Daten, Berechtigungen und Tiefe der Workflow-Integration.

Für unabhängige Start-ups mit Browser-Agenten steigt der Druck. Eine große Plattform kann Agenten nun günstig betreiben und kennt zudem die Geschäftsdaten ihrer Nutzer. Allgemeine Werkzeuge für Browser-Automatisierung müssen dann klarere Stärken bei Zuverlässigkeit, Abdeckung oder in einer Nische zeigen. Auch die Rolle von Codex ist bemerkenswert. Modellanbieter bündeln offenbar Entwicklerwerkzeuge mit dem Modell, sodass ein Produktpaket den Weg vom Bau bis zur Feinabstimmung abdeckt.

Ausblick

Mehrere Signale verdienen Beachtung. Das erste sind Details. Legen Asana oder OpenAI Erfolgsquoten, Stichprobengröße, Vergleichsbedingungen zum alten System und die Aufteilung zwischen Modell- und Technikgewinn offen, lässt sich der Fall deutlich besser beurteilen und nachbauen. Das zweite ist die Preisgestaltung. Erreicht die Ersparnis die Tarife für Kunden und öffnet sich der Agent für mehr Nutzer, ist aus der Einsparung Produktstrategie geworden. Verbessert sie nur die interne Marge, bleibt die Marktwirkung kleiner. Das dritte ist die Zuverlässigkeit. Günstigere Läufe beseitigen die alten Risiken nicht. Webseiten ändern ihr Layout, Anmeldeprüfungen blockieren Abläufe, Rechtegrenzen greifen, und Fehlbedienungen können Schaden anrichten. Unternehmenskunden werden solche Funktionen an Stabilität und Nachvollziehbarkeit messen. Das vierte ist die Antwort anderer Modellhersteller. Kontern Konkurrenten mit eigenen Kosten- und Tempodaten, könnte der Markt rasch in einen Wettstreit um die Kosten je Aufgabe eintreten.

Der bleibende Wert des Falls liegt nicht in den zwei Faktoren, sondern in der Richtung, die sie anzeigen. Ein Agent wird erst dann von der Demo zur täglichen Basisfunktion, wenn seine Laufkosten niedrig genug sind. Asanas Test ist ein früher Datenpunkt auf diesem Weg und braucht noch breitere Belege.