Terra, Sol oder Astra: Welches KI-Modell passt zur Büroaufgabe?

Fachlich geprüft: 06.11.2026

Eine Rechnung liegt als Scan vor, die nächste als PDF, eine dritte steckt doppelt im Downloadordner. Solche Aufgaben wirken klein. Wenn sie täglich wiederkehren, lohnt sich ein genauer Blick darauf, welcher Teil der Arbeit vorbereitet werden kann und welcher eine Entscheidung braucht.

Bei solchen Routineaufgaben ist das leistungsfähigste Modell nicht automatisch die wirtschaftlichste Wahl. Terra, Sol und Astra unterscheiden sich in ihrer Ausrichtung und im Preis. Die passende Auswahl beginnt mit der Aufgabe: Soll die KI vorgegebene Regeln anwenden, ein zusammenhängendes Arbeitsergebnis entwickeln oder eine offene, schwierige Fragestellung durchdringen?

Terra für klar begrenzte Arbeit mit überprüfbarem Ergebnis

OpenAI nennt für GPT-6.1 Terra unter anderem visuelle Analyse und Bildschirmabläufe mit definiertem Ergebnis. In der Ankündigung führt der Hersteller das Lesen eingehender Rechnungen und die Übertragung ihrer Angaben als Anwendungsbeispiel an. Die Herstellerbeispiele belegen keine fehlerfreie Verarbeitung Ihrer Dokumente, passen aber zum beschriebenen Einstieg: Daten aus gut lesbaren Belegen erfassen, Dateien nach vorgegebenen Regeln zuordnen und Ausnahmen zur Prüfung vorlegen.

Für diese Routinearbeit ist Terra ein sinnvoller erster Testkandidat. Liefert es die geforderte Qualität, gibt es keinen sachlichen Grund, allein wegen des Modellnamens auf Astra zu wechseln.

Sol für komplexere Arbeitsaufträge, die zusammenpassen müssen

GPT-6.1 Sol positioniert OpenAI für komplexe Aufgaben mit Blick auf Zeit und Kosten. Als Beispiele nennt die Modellauswahl eine Vorstandspräsentation aus Finanzergebnissen und eine Website auf Basis eines Produktbriefings. Hier geht es um ein zusammenhängendes Arbeitsergebnis mit mehreren Anforderungen.

Im Büro könnte der Auftrag beispielsweise lauten: Aus einem freigegebenen Monatsbericht eine Präsentation für die Geschäftsführung vorbereiten, die Kennzahlen konsistent übernehmen, Abweichungen erklären und offene Fragen kennzeichnen. Das ist eine andere Aufgabe als Rechnungen nach Monat zu sortieren. Sol wäre dafür ein plausibler Vergleichskandidat, dessen Ergebnis anhand der Originaldaten und des Briefings geprüft werden muss. Sol wird nicht schon deshalb nötig, weil ein Sortierauftrag viele Dateien enthält.

Astra für offene Fragen und anspruchsvolle Analyse

OpenAI ordnet GPT-6 Astra besonders anspruchsvoller Arbeit und tiefgehender Analyse zu. Ein passender Testfall wäre eine Entscheidungsvorlage zu mehreren Handlungsoptionen, bei der widersprüchliche Informationen abgewogen, Annahmen offengelegt und Auswirkungen miteinander verglichen werden müssen. Die fachliche Entscheidung bleibt bei den Verantwortlichen.

Für einfaches Sortieren nach festen Kriterien ist Astra deshalb keine sinnvolle Standardwahl. Sein höherer Preis braucht einen konkreten Gegenwert, etwa ein im Vergleich besseres Ergebnis bei einer anspruchsvollen Analyse oder deutlich weniger Nacharbeit. Ohne diesen Nachweis rechtfertigt die bloße Verfügbarkeit des stärkeren Modells keinen Wechsel.

Diese Einordnung verbindet die Herstellerempfehlungen mit einer praktischen Auswahlregel: Verwenden Sie die günstigste hinreichende Lösung für das geforderte Ergebnis. Es gibt keine feste Dateianzahl oder allgemeingültige Schwierigkeitsgrenze, ab der Sol oder Astra zwingend erforderlich wäre. Vergleichen Sie bei offenen Fragen dieselben repräsentativen Aufgaben und berücksichtigen Sie neben dem Modell auch die eingestellte Denktiefe.

Was Terra leistet – und was die Arbeitsumgebung bereitstellen muss

Ein Modell kann Inhalte auswerten und nächste Schritte vorschlagen. Damit daraus eine Aktion auf Ihrem Rechner oder in einer Anwendung wird, braucht es passende Werkzeuge, Zugriffsrechte und einen ausführbaren Arbeitsablauf. Die OpenAI-Modellseite führt Computer Use als unterstützte Fähigkeit auf. Die Einrichtung und zulässigen Aktionen hängen von der verwendeten Umgebung ab.

Wer eine Rechnung in einen Chat hochlädt und sich Lieferant, Datum und Betrag ausgeben lässt, hat damit noch keine Ablage oder Buchung eingerichtet. Ebenso ist ein vorgeschlagener Dateiname noch keine umbenannte Datei. Prüfen Sie vor einem Versuch, welche Informationen die Anwendung tatsächlich lesen und welche Änderungen sie ausführen kann.

Für einen ersten Einsatz sind Aufgaben mit eindeutigen Regeln und kontrollierbaren Ergebnissen leichter zu beurteilen als offene Aufträge wie „Bringen Sie unsere Ablage in Ordnung“. Eine feste Zuordnungsliste, wenige erlaubte Ausnahmen und ein klarer Ergebnisbericht machen einen Versuch auswertbar.

Rechnungen vorsortieren: Unklarheiten sichtbar lassen

Ein fiktives Beispiel: Ein Unternehmen möchte eingehende Rechnungsdateien nach Lieferant und Monat vorsortieren. Im ersten Schritt sollen Lieferant, Rechnungsnummer, Datum und Gesamtbetrag in einer Prüfliste stehen. Für jede Zeile bleibt nachvollziehbar, aus welcher Datei die Angaben stammen. Unsichere oder nicht lesbare Felder werden markiert und nicht ergänzt.

Für diesen Versuch sollte die verantwortliche Person vorab festlegen, welches Datum für die Zuordnung zählt und wie mit Gutschriften, mehrseitigen Dokumenten oder fehlenden Angaben umzugehen ist. Ein unbekannter Lieferant gehört zunächst in die Ausnahmeliste. Ähnlich aussehende Dateien sind mögliche Dubletten; vor dem Verwerfen muss die Zuordnung geprüft werden.

Die Prüfliste ist ein sinnvoller Zwischenstand: Sie zeigt, wo der Ablauf funktioniert und wo jemand nachsehen muss. Ob anschließend Dateien kopiert, verschoben oder Daten in ein Rechnungssystem übertragen werden dürfen, wird gesondert festgelegt. Zahlungsfreigaben und buchhalterische Entscheidungen gehören nicht automatisch zu diesem Sortierauftrag.

Dateien ordnen: Erst eine Zuordnung prüfen

Für eine Dateiablage lässt sich derselbe Gedanke nutzen. Statt direkt einen ganzen Ordner verändern zu lassen, kann der erste Auftrag eine Tabelle verlangen: bisheriger Pfad, vorgeschlagener Zielordner, vorgeschlagener Dateiname und kurzer Grund. Eine Kategorie „unklar“ verhindert, dass jede Datei zwanghaft in eine vorhandene Schublade passen muss.

Legen Sie dafür die erlaubten Zielordner und die Namensregel fest. Wenn zwei Dateien denselben Zielnamen erhalten würden, muss der Konflikt im Bericht auftauchen. Auch Verknüpfungen und gemeinsam genutzte Ablagen verdienen Aufmerksamkeit: Ein technisch mögliches Verschieben kann für andere Personen unerwünschte Folgen haben.

Erst nach der Prüfung wird ein begrenzter Teil der Vorschläge umgesetzt, sofern die Arbeitsumgebung dies unterstützt und die nötige Freigabe vorliegt. Für spätere Kontrollen sollte festgehalten werden, welche Datei wohin gelangt ist.

Was kostet ein brauchbares Ergebnis?

Die API-Preise liefern einen Teil der Rechnung. Für GPT-6.1 Terra nennt OpenAI im Standardmodus bei kurzen Kontexten derzeit 1 US-Dollar je Million Eingabetokens und 5 US-Dollar je Million Ausgabetokens. Sol liegt bei 2 US-Dollar für die Eingabe und 10 US-Dollar für die Ausgabe, Astra bei 10 beziehungsweise 50 US-Dollar je Million Tokens. Andere Verarbeitungsmodi und lange Kontexte können anders bepreist sein. Tokens sind die Einheiten, nach denen die Verarbeitung abgerechnet wird; sie entsprechen keinen festen Seiten- oder Dokumentzahlen.

Eine reine Beispielrechnung: 100.000 reguläre Eingabetokens und 20.000 Ausgabetokens kosten bei Terra zu den genannten Standardpreisen zusammen 0,20 US-Dollar. Dabei sind weder weitere Aufrufe noch Werkzeuge, Infrastruktur oder menschliche Arbeitszeit berücksichtigt. Die angenommenen Tokenmengen sind keine Messung eines Rechnungslaufs. Bei identischen angenommenen Mengen ergeben sich für Sol 0,40 US-Dollar und für Astra 2,00 US-Dollar. In einem echten Lauf können sich Tokenverbrauch, Wiederholungen und Prüfergebnis unterscheiden; daraus folgt kein entsprechendes Verhältnis der Gesamtkosten.

Auch die eingestellte Denktiefe kann den Vergleich verändern. Artificial Analysis weist am 06.11.2026 für Terra mit „max“ gewichtete Kosten von 0,96 US-Dollar je Aufgabe seines Intelligence Index aus, für Sol mit „high“ 0,59 US-Dollar. Terra mit „xhigh“ liegt im Vergleich dagegen bei 0,40 US-Dollar. Diese Werte beziehen sich auf einen gemischten Benchmark mit unterschiedlichen Qualitätswerten und berücksichtigen den dortigen Tokenverbrauch. Sie sind keine Kostenmessung für Ihre Rechnungsablage und kein Beleg dafür, dass Terra grundsätzlich teurer wäre. Praktisch heißt das: Bei schwierigen Aufgaben auch Sol direkt vergleichen, bevor Sie Terra allein durch mehr Denktiefe weiter ausreizen.

Für ChatGPT Work und Codex ist diese API-Rechnung kein direkter Preis pro Aufgabe. Dort spielen das gebuchte Angebot, enthaltene Nutzung und gegebenenfalls zusätzliche Credits eine Rolle. Für die betriebliche Bewertung muss deshalb zuerst feststehen, welcher Nutzungsweg verglichen wird.

Erfassen Sie für den Versuch die Einrichtung, laufende KI- und Werkzeugkosten sowie die Zeit für Prüfung und Nacharbeit. Mit einem intern passenden Kostensatz lässt sich auch die Arbeitszeit in Geld ausdrücken. Teilen Sie die Gesamtkosten anschließend durch die Zahl der tatsächlich brauchbaren Ergebnisse. Beträge in unterschiedlichen Währungen müssen dafür zunächst auf dieselbe Währung umgerechnet werden.

Ein billiger Aufruf bringt wenig, wenn anschließend viele Zuordnungen korrigiert werden müssen. Umgekehrt kann ein günstigeres Modell für eine gut eingegrenzte Aufgabe völlig ausreichen. Ob das bei Ihrer Aufgabe gilt, zeigt ein Vergleich mit derselben Qualitätsanforderung – nicht allein der Preis in einer Modelltabelle.

Wann Sie die Aufgabe anders verteilen sollten

Wenn dieselben Fehler wiederkehren, prüfen Sie zuerst deren Ursache. Fehlen eindeutige Regeln oder Quelldaten, löst ein Modellwechsel das Problem nicht zuverlässig. Bei schwierig lesbaren Belegen, widersprüchlichen Informationen oder Entscheidungen mit erheblichen Folgen kann zusätzliche menschliche Prüfung nötig sein. Für ein höheres Modellbudget sollte ein konkreter Qualitätsgewinn im eigenen Versuch sprechen.

Vergleichen Sie den KI-Weg außerdem mit vorhandenen Lösungen. Eine feste Dateinamensregel kann bereits durch ein einfaches Skript umgesetzt werden; ein bestehender Rechnungseingangsprozess kann die benötigte Erfassung schon unterstützen. Der sinnvolle Vergleich umfasst alle geeigneten Wege, nicht nur mehrere KI-Modelle.

Quellen

• OpenAI: Modellauswahl – Einsatzschwerpunkte und Vergleich nach Qualitätsanforderung.
• OpenAI: Vorstellung von GPT-6.1 Terra – Herstellerangaben und Anwendungsbeispiele.
• OpenAI: API-Preise – Standardpreise bei kurzen Kontexten.
• OpenAI: Preise und Nutzung in ChatGPT Work und Codex.
• OpenAI: Computer Use – Arbeitsumgebung, Werkzeuge und Berechtigungen.
• Artificial Analysis: Terra (Max) im Vergleich mit Sol (High).
• Artificial Analysis: Terra (Xhigh) im Vergleich mit Sol (High).
• Artificial Analysis: Methodik und Definition der gewichteten Kosten je Benchmarkaufgabe.

Redaktionell verantwortlich: Marcel Klemet · MK-Contrain