Asana: Browser-Agent 76x günstiger mit GPT-6

Hintergrund

OpenAI hat einen Unternehmensfall veröffentlicht: Asana, Anbieter von Projektmanagement-Software, baut seinen Browser-Agenten mit GPT-6 Astra in Codex um. In den Tests lief der Agent 76-mal günstiger und 5-mal schneller. Laut Asana kann das Unternehmen Kunden dadurch leistungsfähigere Modelle anbieten, statt sie aus Kostengründen auf schwächere Modelle zu beschränken.

Die Zahlen stammen aus einer Testumgebung und aus einem vom Hersteller veröffentlichten Fall. Aufgabenmenge, Vergleichsbasis und Erfolgsdefinition nennt die Zusammenfassung nicht. Die Werte zeigen eine Größenordnung, keine Zusage für jeden Anwendungsfall.

Warum zählt das gerade bei Browser-Agenten? Der Agent beobachtet die Seite, entscheidet, klickt oder tippt und prüft das Ergebnis. Jeder Schritt schickt Seiteninhalt, Aktionsverlauf und Aufgabenziel an das Modell. Eine einzige Aufgabe braucht so Dutzende bis Hunderte Aufrufe, und Kosten wie Wartezeit wachsen mit jedem Schritt.

Tiefenanalyse

Wie wurde der Browser-Agent von Asana mit GPT-6 Astra 76-mal günstiger? Die Quelle schlüsselt das nicht auf. Sie nennt nur das Testergebnis: 76-fach geringere Kosten und 5-faches Tempo nach dem Umbau in Codex. Ein solcher Abstand entsteht selten allein durch einen niedrigeren Stückpreis. Plausibel sind günstigere Schlussfolgerungen pro Schritt, weniger Schritte pro Aufgabe und weniger Wiederholungen nach Fehlern. Das ist eine Annahme, der Fall belegt sie nicht.

Dass der Kostengewinn größer ausfällt als der Tempogewinn, spricht für Quellen jenseits der Latenz, etwa den Preis oder einen geringeren Token-Verbrauch. Auch die Rolle von Codex ist bemerkenswert: Die Umgebung entstand für Softwareentwicklung, Asana nutzt sie für Browser-Aufgaben. Werkzeugaufrufe und Ablaufsteuerung scheinen also über das Programmieren hinaus tragfähig zu sein. Wie Asana den Agenten konkret aufgebaut hat, bleibt offen.

Die größte Lücke ist die fehlende Erfolgsquote. Ein günstiger, schneller Agent, der öfter scheitert, kann teurer werden, sobald Menschen nacharbeiten müssen. Zu Fehlerquote und Übergaben an Menschen schweigt die Zusammenfassung. Der Faktor 76 beschreibt daher die Kosten, nicht die Qualität.

Branchenwirkung

Der Fall zeigt einen Kernkonflikt bei KI-Produkten für Unternehmen: Stärkere Modelle kosten mehr, Software-Abos haben dagegen weitgehend feste Preise. Asana muss die Marge je Kunde schützen. Verursacht jede Agentenaufgabe spürbare Inferenzkosten, bleiben nur schwächere Modelle oder Nutzungsgrenzen. Sinken die Kosten so stark, deckt dasselbe Budget mehr Aufgaben und stärkere Modelle ab.

Für OpenAI ist der Fall eine Referenz: Ein neues Modell verändert die Stückökonomie eines Produkts, nicht nur Benchmark-Werte. Anthropic, Google und Anbieter offener Modelle spüren den Druck. Käufer dürften künftig die Gesamtkosten je erledigter Aufgabe vergleichen, statt auf den Preis pro Million Token zu schauen.

Auch Start-ups für Browser-Automatisierung trifft die Verschiebung. Eine dünne Hülle um Modellaufrufe taugt weniger als Burggraben, wenn das Basismodell Webaktionen besser und billiger beherrscht. Der Wettbewerb wandert zu eigenen Daten, Workflow-Integration und Zuverlässigkeitszusagen.

Ausblick

Erstens zählt, ob das Ergebnis im Livebetrieb von Asana standhält. Echte Nutzerseiten sind unordentlicher, Berechtigungen und Anmeldezustände komplexer, seltene Fehlerfälle häufiger. Erfolgsquote und Anteil der Aufgaben mit menschlicher Übernahme sagen mehr als der Kostenfaktor. Zweitens: Melden andere Firmen ähnliche Größenordnungen, liegt der Fortschritt im Modell. Bleibt es bei wenigen Fällen, hängt er womöglich vom Aufgabendesign ab.

Drittens entscheidet sich, wohin die Ersparnis fließt: in höhere Modellstufen, niedrigere Preise oder größere Gratiskontingente. Asana sagt bisher nur, dass es nun leistungsfähigere Modelle anbieten kann. Diese Wahl bestimmt, wie schnell sich die Fähigkeit verbreitet.

Viertens sinkt das Sicherheitsrisiko nicht mit den Kosten. Ein schnellerer, häufiger genutzter Browser-Agent vergrößert die Folgen von Fehlbedienung und Rechteüberschreitung. Unternehmen brauchen Prüfprotokolle, Bestätigungen von Aktionen und Rechtetrennung. Der Wettbewerb verschiebt sich damit von der Frage, was ein Modell kann, zu der Frage, wie günstig und verlässlich es die Arbeit erledigt.