Technischer Kontext
Ich bin nicht wegen des Lärms auf diese Geschichte aufmerksam geworden, sondern weil solche Ausfälle die KI-Automatisierung sofort treffen, besonders wenn Codex CLI in Ihren lokalen Pipelines oder CI/CD sitzt. Und hier geht meine Frage nicht an das Modell, sondern an die Umgebung: OpenAI hat keine eindeutige Bestätigung eines Totalausfalls herausgegeben, aber faktisch brachen bei den Leuten die Workflows nach 5.6 zusammen.
Ich habe überprüft, was die Community bestätigt. Das Bild ist unangenehm, aber nicht mystisch: Unter Linux läuft GPT-5.6 bei einigen Befehlen instabil oder startet gar nicht, unter Windows bleibt das Update an Zugriffsrechten hängen, und der interaktive Modell-Picker zeigt stellenweise GPT-5.6 nicht an, obwohl der Start über einen Flag funktioniert.
Das Problem sieht also nicht nach "alles ist tot" aus, sondern nach einer Mischung aus plattformbedingten Regressionen, Sandbox-Einschränkungen und veraltetem Cache. Deshalb fliegt ein Entwickler auf macOS, während ein anderer unter Linux dasselbe Szenario ohne klare Erklärung abstürzen sieht.
An praktischen Workarounds sehe ich drei sehr nützliche. Erstens: CLI manuell neu installieren, z.B. über npm, wenn das Auto-Update feststeckt. Zweitens: App-Server killen und models_cache.json leeren. Drittens: Nicht auf den Picker warten, sondern das benötigte Modell direkt über -m gpt-5.6-sol aufrufen.
Außerdem würde ich sofort detaillierte Logs aktivieren und separat die Verzeichnisberechtigungen prüfen, besonders wenn Sie den Full-Auto-Modus oder ein Organisationskonto mit nichttrivialer Autorisierung nutzen. Solche Dinge tarnen sich oft als "Modell kaputt", während tatsächlich die KI-Integration auf Umgebungsebene versagt hat.
Was dies für Unternehmen und Automatisierung bedeutet
Wenn Codex CLI in Ihren Produktionsprozess eingebettet ist, lautet die wichtigste Erkenntnis einfach: Sie können einen kritischen Ablauf nicht an automatische Updates binden, ohne die Version zu fixieren. Ein einziges Update, und das Team verliert Stunden nicht für die Entwicklung, sondern für die Fehlersuche in der Umgebung.
Gewinnen tun diejenigen mit Versionsisolation, einem Fallback-Szenario und einer separaten CLI-Prüfung nach dem Update. Verlieren tun Teams, deren KI-Implementierung "auf Treu und Glauben" ohne Testumgebung und ohne Beobachtbarkeit erfolgte.
Ich sehe solche Engpässe regelmäßig in Kundenprozessen: Das Tool selbst mag leistungsstark sein, aber eine schwache KI-Architektur darum herum verdirbt alles. Bei Nahornyi AI Lab entwirren wir genau solche Knoten, damit die Automatisierung mit KI nicht durch ein einziges Update zusammenbricht. Wenn Sie eine ähnliche Geschichte haben, können Sie in Ruhe Ihren Workflow durchsehen und ein solides Schema mit Backup, Logs und vorhersehbaren Updates aufbauen, anstatt im Modus "morgens lief alles, abends nichts" zu leben.