Asana senkt Agent-Kosten um Faktor 76 mit GPT-6.1 Sol

Hintergrund

Der Projektmanagement-Anbieter Asana hat seinen eigenen Browser-Agenten mit Codex überarbeitet. OpenAI veröffentlichte den Fall am 9. Oktober 2026. Die Kernergebnisse stammen aus Tests: Der überarbeitete Agent wurde 76-mal günstiger und 5-mal schneller. Laut Asana schafft die Ersparnis Spielraum, um Kunden leistungsfähigere Modelle anzubieten. Das in der Meldung genannte Modell ist GPT-6.1 Sol.

Die Quelle ist knapp, und das setzt Grenzen. Sie berichtet einen Vergleich in einer Testumgebung. Sie beschreibt weder den Aufgabensatz noch die Basiskonfiguration noch die Abrechnungsgrundlage. Den Faktor 76 sollte man daher als Ergebnis für Asanas getestete Arbeitslast lesen, nicht als allgemeinen Gewinn für jeden Browser-Agenten.

Was kostet der Betrieb eines Browser-Agenten, und warum kann ein Umbau die Kosten so stark senken? Ein Browser-Agent arbeitet in einer Schleife: Er liest die Seite, entscheidet über die nächste Aktion, klickt oder tippt und liest dann den neuen Seitenzustand. Jeder Durchlauf verbraucht Ein- und Ausgabe des Modells. Die Gesamtkosten ergeben sich grob aus den Tokens pro Schritt, multipliziert mit der Zahl der Schritte und dem Preis des gewählten Modells. Welchen dieser Faktoren Asana verändert hat, nennt die Quelle nicht.

Tiefenanalyse

Dieselbe Schleife erklärt das Tempo-Ergebnis. Jeder zusätzliche Schritt bedeutet einen weiteren Modellaufruf und mehr Wartezeit. Wer den Aufgabenpfad verkürzt oder weniger Information pro Runde an das Modell schickt, senkt in der Regel Kosten und Latenz zugleich. Das passt zu dem gemeldeten Paar: Faktor 76 bei den Kosten, Faktor 5 bei der Geschwindigkeit. Die unterschiedliche Größe der beiden Zahlen deutet auf mehr als einen Hebel hin, doch die Quelle liefert keine Aufschlüsselung. Jede Aussage über Asanas konkrete Änderungen ist hier Schlussfolgerung, kein berichteter Fakt.

Auch das Werkzeug verdient Beachtung. Der Umbau erfolgte in Codex, dem Coding-Agenten von OpenAI. Ein Agent half also dabei, einen anderen Agenten neu aufzubauen, und Kosten sowie Geschwindigkeit dienten als messbare Abnahmekriterien. Das Ziel war keine neue Funktion, sondern ein bestehendes Produktivsystem, dessen Wirtschaftlichkeit sich per Test prüfen lässt.

Am aufschlussreichsten ist das Ziel der Einsparung. Asana beschreibt den Kostenrückgang nicht als Marge. Das Unternehmen sagt, der Spielraum erlaube es, Kunden leistungsfähigere Modelle zu bieten. Das legt eine bewusste Abfolge nahe: erst die Kosten per Engineering senken, dann einen Teil des Budgets in ein stärkeres Modell investieren, hier GPT-6.1 Sol. Das erklärte Ziel ist, nicht zwischen Preis und Qualität wählen zu müssen.

Branchenwirkung

Für Anbieter von Unternehmenssoftware berührt der Fall eine praktische Hürde. Eine Agentenfunktion wird nur breit ausgerollt, wenn die Kosten einer einzelnen Aufgabe in den Abopreis passen. Asana verkauft Software an Teams. Verursacht jeder Agentenlauf hohe Inferenzkosten, belastet die Funktion mit wachsender Nutzung die Bruttomarge. Eine Senkung dieser Größenordnung macht eine standardmäßige Verfügbarkeit für alle Nutzer realistischer als einen begrenzten Testbetrieb, sofern sie sich im Produktivbetrieb bestätigt.

Für OpenAI verbindet die Geschichte drei Produkte in einem Kundenbeispiel: ein Modell, Codex und einen Unternehmenseinsatz. Die Botschaft lautet, dass das Angebot Werkzeuge einschließt, mit denen sich ein Agent günstiger und schneller bauen lässt, und nicht nur ein stärkeres Modell. Die Quelle nennt keine kommerziellen Bedingungen zwischen beiden Unternehmen, daher wird hier keine derartige Behauptung aufgestellt.

Wettbewerber wie Anthropic, Google und Start-ups für Browser-Automatisierung sehen sich einer veränderten Vergleichsbasis gegenüber. Benchmark-Werte zählen weiterhin. Doch Kosten pro abgeschlossener Aufgabe und Latenz gehören nun zum selben Gespräch. Käufer können direkt fragen: Was kostet es, diesen Arbeitsablauf zu beenden, und wie lange dauert es?

Ausblick

Mehrere Punkte sind beobachtenswert. Erstens die Offenlegung. Veröffentlichen Asana oder OpenAI weitere Details, etwa zu Aufgabentypen, Schritten und Token-Verbrauch vor und nach dem Umbau oder zu einer geänderten Darstellung der Seiteninhalte, lässt sich beurteilen, wie viel vom Faktor 76 eine wiederverwendbare Methode ist. Zweitens die Produktionsdaten. Testergebnisse übertragen sich nicht immer auf den Live-Betrieb. Echte Aufgaben sind unordentlicher, Webseiten weniger stabil, und Wiederholungsversuche treiben die Kosten.

Drittens die Kundenseite. Asana sagt, die Ersparnis ermögliche leistungsfähigere Modelle. Ob sich das in höherer Erfolgsquote, komplexeren Abläufen oder geänderten Tarifen und Preisen zeigt, ist bislang nicht berichtet. Viertens die Nachahmung. Setzen weitere Softwareanbieter Coding-Agenten ein, um ihre eigenen Agenten umzubauen, mit Kosten und Latenz als harten Zielen, verlagert sich der Wettbewerb hin zur Engineering-Effizienz. Dann hat derjenige Anbieter den größten Spielraum, stärkere Modelle an seine Nutzer weiterzugeben, der die Kosten pro Aufgabe laufend weiter senkt.