Teurer, stärker, fehleranfälliger? Das ist das neue ChatGPT-Modell

Die nächste Generation künstlicher Intelligenz setzt neue Maßstäbe – zumindest auf den ersten Blick. Mit beeindruckenden Benchmark-Ergebnissen positioniert sich das neue ChatGPT-Modell an der Spitze des KI-Wettbewerbs. Doch hinter der Fassade aus Leistungsdaten zeigt sich ein anderes Bild: höhere Kosten und eine Schwachstelle, die zunehmend in den Fokus rückt: Halluzinationen. Das neue Modell GPT-5.5 erreicht laut Herstellerangaben Spitzenleistungen in verschiedenen Testszenarien. Besonders im sogenannten GDPVal-Benchmark, der die Leistungsfähigkeit in wirtschaftlich relevanten Aufgaben über 44 Berufsfelder hinweg misst, setzt es neue Maßstäbe. Rund 85 % der getesteten Aufgaben wurden entweder auf menschlichem Niveau gelöst oder sogar übertroffen. Zum Vergleich: Das Vorgängermodell kam auf etwa 83 %, während das Konkurrenzmodell Claude Opus 4.7 rund 80 % erreichte. Effizienter – aber deutlich teurer Neben der Leistungssteigerung hebt OpenAI insbesondere die Effizienz hervor. Das Modell arbeitet schneller und benötige weniger sogenannte Tokens, um komplexe Aufgaben zu lösen. Doch dieser Fortschritt hat seinen Preis. Die Nutzungskosten über Schnittstellen (API) liegen bei etwa 5 US-Dollar pro Million Eingabetokens und 30 US-Dollar pro Million Ausgabetokens. Damit verdoppeln sich die Preise im Vergleich zum Vorgänger-Modell. Für Unternehmen stellt sich damit die Frage, ob die gesteigerte Leistung den erheblichen Kostenanstieg rechtfertigt. Tokens sind die kleinsten Verarbeitungseinheiten, mit denen ein KI-Modell arbeitet. Sie entsprechen nicht exakt ganzen Wörtern, sondern eher Wortteilen, Zeichen oder kurzen Sequenzen. Jeder eingegebene Text wird in solche Tokens zerlegt, damit die KI ihn verarbeiten kann. Ebenso erzeugt die KI ihre Antworten tokenweise. Halluzinationen bleiben ein Problem Außerdem offenbart sich bei dem neuen ChatGPT-Modell eine kritische Schwäche: die sogenannte Halluzinationsrate. Ein spezieller Test, der „BullshitBench“, verdeutlicht dies. Der Test zeigt auf wie gut KI-Modelle unsinnige oder logisch widersprüchliche Fragen erkennen. Dabei wird geprüft, ob ein Modell falsche Annahmen zurückweist oder diese ungeprüft übernimmt. Hier schneidet GPT-5.5 nur mittelmäßig ab. Die sogenannte „Pushback-Rate“, also die Fähigkeit, unsinnige Aussagen zu hinterfragen, liegt bei rund 45 % – auf dem Niveau des Vorgängers. Die leistungsstärkere Variante fällt sogar auf etwa 35 %. Zum Vergleich: Modelle des Unternehmens Anthropic zeigen in diesen Tests deutlich bessere Ergebnisse und erkennen fehlerhafte Zusammenhänge zuverlässiger.