Technischer Kontext
Ich habe nachgehakt, was wirklich mit GPT-5.6 Sol Max los ist, denn die Geschichte wirkte seltsam: Die Leute erwarten maximale Qualität, bekommen aber einen abgespeckten Modus und merken es nicht einmal. Für die KI-Implementierung ist das eine böse Überraschung, besonders wenn man Ketten aufbaut, bei denen das Modellverhalten vorhersehbar sein muss.
Die Bestätigung ist recht bodenständig. Im normalen ChatGPT gibt es keinen universellen Max-Autoschalter für alle, aber in ChatGPT Work und Codex muss die Reasoning-Effort-Stufe max manuell über Einstellungen und Konfigurationen aktiviert werden. Tut man das nicht, läuft das Modell nicht im maximalen Reasoning-Modus.
Und hier würde ich drei Dinge nicht in einen Topf werfen: das normale Sol, den max-Modus und separate verstärkte Modi wie ultra oder Sol Pro. Das ist nicht dasselbe. Max ist kein magischer „Mach es perfekt“-Knopf, sondern ein schwerfälligerer Reasoning-Modus mit erhöhter Zeit- und Token-Nutzung.
Bei den Token ist es erwartbar, aber unangenehm. OpenAI sagt offen, dass max und ultra den Verbrauch by design erhöhen, nennt aber keine genauen öffentlichen Faktoren. Die Visualisierung aus dem Tweet unterstreicht nur, was ich in der Praxis sehe: Max frisst extrem viel, und bei langen Aufgaben ist das kein kosmetisches Problem mehr, sondern ein Architekturfaktor.
Auswirkungen auf Business und Automatisierung
Die erste Konsequenz ist einfach: Wenn ein Team glaubt, den Top-Modus zu testen, aber Max nicht eingeschaltet hat, werden Modell- und Prompt-Vergleiche verzerrt. Dann entstehen falsche Schlüsse zu Qualität, SLA und Rentabilität.
Zweitens: Ich würde nicht raten, KI-Automatisierung direkt auf Max aufzubauen. Besser ist eine Weichenstellung: Standard für Massenaufgaben, Max nur für teure Stellen, an denen wirklich tieferes Reasoning nötig ist.
Drittens: Budgets. Wenn ein Agent Code schreibt, Hypothesen prüft oder mehrstufige Workflows abspult, wird ein Konfigurationsfehler schnell zu Tausenden zusätzlicher Token pro Durchlauf. Genau solche Dinge räumen wir bei Nahornyi AI Lab normalerweise vor dem Launch aus, denn KI-Integration zerbricht nicht in der Demo, sondern im großen Maßstab.
Wenn Sie eine ähnliche Geschichte haben und die Kosten bereits nach oben kriechen, können Sie Ihr Szenario einfach Schicht für Schicht aufdröseln: Wo brauchen Sie Max, wo reicht der normale Modus, und wo lohnt es sich, die KI-Architektur komplett neu zu denken. Bei Nahornyi AI Lab fange ich genau dort an, denn gute Automation with AI soll Ressourcen sparen, nicht sie durch einen Konfigurationsfehler verbrennen.