Am 26. Oktober 2026 veröffentlichte OpenAI GPT-6.1 Terra, ein Modell der mittleren Klasse, das für eine einzige Aufgabe gebaut wurde, die bisher zu teuer war, um sie in großem Maßstab zu betreiben: Software so zu bedienen, wie es ein Mensch tut. Es liest Bildschirme, klickt sich durch Apps und schreibt klar – und es kostet 1 US-Dollar pro Million Input-Tokens. Für Teams, die KI-Agenten bauen, ist die Schlagzeile kein neuer Benchmark-Rekord. Sie lautet: Computer-Nutzung ist gerade günstig genug für Routinearbeit geworden.
Wichtigste Erkenntnisse
- Halber Preis. Terra kostet 1 US-Dollar pro Million Input-Tokens und 5 US-Dollar pro Million Output-Tokens – die Hälfte von GPT-6.1 Sol und des ersetzten GPT-5.6 Terra und ein Zehntel von GPT-6 Astra.
- Computer-Nutzung nahe Flaggschiff-Niveau. Laut OpenAI erreicht Terra beim Computer-Use-Benchmark Agents’ Last Exam GPT-6 Astra – bei einem Zehntel des Preises pro Token.
- Schneller und genauer. Es erledigte Benchmark-Aufgaben mehr als dreimal schneller als Astra und Sol, und seine Fehlerquote bei Fakten sank von 53,6 % auf bis zu 4,3 %.
- Kein Programmier-Flaggschiff. OpenAI verweist für die schwierigste Programmierarbeit weiterhin auf Sol und Astra.
- Routen statt ersetzen. Der praktische Gewinn besteht darin, jeden Schritt eines Workflows an das günstigste Modell zu schicken, das ihn gut erledigt.
Was ist GPT-6.1 Terra?
OpenAIs eigene Modelldokumentation beschreibt Terra als „ein schnelles, effizientes Modell für visuelles Schlussfolgern, präzise Computer-Nutzung und klares, natürliches Schreiben". Es fügt sich in die GPT-6-Familie zwischen dem günstigen GPT-6 Luna und dem ausgewogenen GPT-6.1 Sol ein, mit GPT-6 Astra an der Spitze.
Terra ist in ChatGPT Work und Codex für Nutzer von Plus, Pro, Enterprise und Edu verfügbar sowie in der API als gpt-6.1-terra. Es hat ein Kontextfenster von 1,05 Millionen Tokens, bis zu 128.000 Output-Tokens und sechs Einstellungen für den Reasoning-Aufwand, von none bis max. Sein Wissensstichtag ist der 1. Juni 2026.
Bereit, Ihr Geschäft zu erweitern?
Starten Sie heute Ihre kostenlose Testversion und sehen Sie innerhalb weniger Tage Ergebnisse.
Preise
Mit 1 US-Dollar Input und 5 US-Dollar Output pro Million Tokens unterbietet Terra jedes GPT-6-Modell außer Luna. Gecachte Eingaben werden mit 0,05 US-Dollar pro Million Tokens angegeben, was für Agenten wichtig ist, die bei jedem Schritt denselben System-Prompt und dieselben Tool-Definitionen erneut senden.
Der Preis pro Token ist nur die halbe Geschichte. Die Kosten für den Betrieb eines LLM in einem Agenten hängen davon ab, wie viele Tokens jede Aufgabe verbraucht, und laut OpenAI verwendet Terra bei manchen Aufgaben weniger Tokens als die Modelle davor. Ein günstigeres Modell, das weniger Schritte braucht, vervielfacht die Einsparungen.
Benchmarks
OpenAI veröffentlichte überwiegend relative Zahlen, lesen Sie sie also als Richtung und nicht als absolute Werte:
| Benchmark | Was OpenAI für Terra berichtete |
|---|---|
| Agents’ Last Exam | 15 Punkte über GPT-5.6 Terra bei mittlerem Aufwand, bei etwa einem Drittel der Kosten; vergleichbar mit GPT-6 Astra bei einem Zehntel des Preises pro Token |
| OSWorld 2.1 | Übertrifft das beste gemeldete Ergebnis von GPT-5.6 Terra bei mittlerem Aufwand, mit geringeren Kosten pro Aufgabe |
| Terminal-Bench 4.0 | 50,3 % bei maximalem Aufwand, gegenüber 21,5 % bei GPT-5.6 Terra |
| Terminal-Bench-Science 0.1 | Schlägt GPT-6.1 Sol bei maximalem Aufwand, zu geringeren Kosten |
| Faktenfehler (intern) | 16,7 % bei niedrigem Aufwand und 4,3 % bei maximalem Aufwand, gegenüber 53,6 % |
Der Rückgang der Faktenfehler ist die Zahl, auf die man bei kundenorientierter Arbeit achten sollte. Ein Modell, das die Hälfte der Zeit Fakten erfindet, kann Support-Tickets nicht unbeaufsichtigt beantworten. Eines, das das in wenigen Prozent der Fälle tut, mit einer Wissensdatenbank dahinter, beginnt brauchbar zu wirken. Um zu sehen, wie sich Terras Geschwister in einer breiteren Testpalette schlagen, werfen Sie einen Blick auf die GPT-6.1 Sol Benchmarks und das GPT-6 Astra Benchmark-Profil in unserem KI-Modell-Leaderboard.
Abonnieren Sie unseren Newsletter
Erhalten Sie die neuesten Tipps, Trends und Angebote kostenlos.
Warum Computer-Nutzung wichtig ist
Die meiste Geschäftsautomatisierung läuft über APIs. Doch ein großer Teil der realen Arbeit steckt in Software, die keine API hat – oder eine, die niemand angebunden hat: ein alter ERP-Bildschirm, ein Lieferantenportal, ein Behördenformular, ein internes Dashboard. Computer-Nutzung ermöglicht es einem Agenten, diese Systeme direkt zu bearbeiten, indem er auf den Bildschirm schaut und darauf reagiert. Die Mechanik haben wir in unserem Leitfaden zur Computer-Nutzung und Browser-Nutzung mit LLMs behandelt.
Der Haken waren schon immer Kosten und Geschwindigkeit. Ein Computer-Use-Agent macht einen Screenshot, denkt darüber nach, klickt und wiederholt das – oft dutzendfach pro Aufgabe. Zu Flaggschiff-Preisen war diese Schleife für Demos in Ordnung und für tausend Rechnungen pro Tag zu teuer. Terra verändert die Rechnung auf zwei Arten:
- Preis pro Token. Vergleichbare Computer-Use-Ergebnisse wie Astra bei einem Zehntel des Preises pro Token.
- Geschwindigkeit. Mehr als dreimal schneller als Astra und Sol bei Benchmark-Aufgaben, sodass ein langes Durchklicken fertig ist, bevor ein Mensch das Warten aufgibt.
Wo Terra nicht überzeugt
Terra ist kein Eins-zu-eins-Ersatz für alles:
- Schwieriges Programmieren. Laut OpenAI sind GPT-6.1 Sol und GPT-6 Astra für die komplexeste Programmierarbeit weiterhin besser geeignet. Terras 50,3 % bei Terminal-Bench 4.0 sind ein großer Sprung, aber es ist ein Wert bei maximalem Aufwand.
- Relative Zahlen. Die meisten Startwerte vergleichen Terra mit anderen OpenAI-Modellen, statt absolute Ergebnisse zu nennen. Unabhängige Tests werden einige Wochen dauern.
- Sicherheit. OpenAI stuft Terra auf der Schwelle „Critical" für Cybersicherheit seines Preparedness Framework ein und liefert es mit den Schutzmechanismen von GPT-6 Astra aus. Ein Modell, das einen Computer steuern kann, kann auch einen missbrauchen. Nach den Berichten dieses Sommers, dass KI-Agenten aus ihren Test-Sandboxes ausbrachen, gehört jeder Agent mit Bildschirmzugriff in eine isolierte Umgebung mit eingeschränkten Zugangsdaten.
Modelle nach Aufgabe routen
Der kluge Schritt ist nicht, Ihren gesamten Stack auf Terra umzustellen. Sondern damit aufzuhören, ein Modell für alles zu verwenden. Ein typischer Workflow mischt Schritte sehr unterschiedlicher Schwierigkeit, und jeder sollte an das günstigste Modell gehen, das ihn gut bewältigt.
Nehmen Sie einen Support-Workflow. Luna taggt und routet das eingehende Ticket für einen Bruchteil eines Cents. Terra schlägt die Bestellung in einem Backoffice-Tool ohne API nach und entwirft die Antwort. Sol oder Astra kommen nur ins Spiel, wenn aus dem Ticket eine echte Untersuchung wird. Die meisten Tickets berühren das teure Modell nie.
So denken wir über Flows in FlowHunt. Im visuellen KI-Workflow-Builder wählt jeder Schritt sein eigenes Modell, sodass Sie eine neue Version wie Terra an einem Schritt testen können, ohne den Rest des Flows anzufassen.
Was jetzt zu tun ist
- Finden Sie die Bildschirmarbeit. Listen Sie die Schritte auf, in denen Ihr Team oder Ihre Agenten Daten zwischen Systemen kopieren, die nicht miteinander sprechen. Das sind Terras beste Kandidaten.
- Testen Sie mit Ihren eigenen Aufgaben. Lassen Sie 20 bis 50 echte Beispiele durch Terra und Ihr aktuelles Modell laufen und vergleichen Sie Genauigkeit, Kosten pro Aufgabe und Zeit.
- Starten Sie mit niedrigem Aufwand. Terras Einstellung für niedrigen Aufwand reduzierte Faktenfehler bereits um mehr als zwei Drittel. Erhöhen Sie den Aufwand nur dort, wo die Ergebnisse es erfordern.
- Setzen Sie es in eine Sandbox. Geben Sie Computer-Use-Agenten ihre eigene Umgebung, nach Möglichkeit Nur-Lese-Zugriff und einen menschlichen Genehmigungsschritt, bevor etwas Unwiderrufliches passiert.
- Halten Sie Modelle austauschbar. Neue Versionen erscheinen alle paar Wochen. Eine No-Code-Plattform für KI-Agenten, mit der Sie das Modell pro Schritt ändern können, macht aus jeder Veröffentlichung einen schnellen Test statt einer Migration.
Fazit
GPT-6.1 Terra wird nicht jedes Leaderboard anführen, und das soll es auch nicht. Was es tut, ist Computer-Nutzung – das Lesen von Bildschirmen und Bedienen von Software – auf einen Preis zu bringen, bei dem sie bei alltäglichen Aufgaben statt bei Showcase-Projekten laufen kann. Für alle, die Arbeit über Tools hinweg automatisieren, die nie dafür gebaut wurden, verbunden zu werden, zählt das mehr als ein weiterer Benchmark-Rekord.
