Technischer Kontext
Ich liebe solche Messungen mehr als jeden Werbebenchmark. Hier hat jemand einfach 13 parallele Sol Ultra Sitzungen im Fast Mode gestartet und ein sehr bodenständiges Ergebnis erhalten: minus 30 % des Wochenlimits in etwa einer halben Stunde, wobei 12 Sitzungen abgeschlossen wurden.
Für mich ist das keine Neuigkeit über ein „teures Modell“. Es ist eine Neuigkeit über KI-Automatisierung in der echten Forschung, wo Token zu Treibstoff werden und eine schlechte KI-Architektur die Arbeit sofort in ein Budgetfeuer verwandelt.
Den verfügbaren Daten zufolge gibt es bei Sol Ultra keinen separaten Aufpreis speziell für den Fast Mode. Das Hauptproblem liegt woanders: Das Modell parallelisiert Aufgaben gern über Sub-Agenten, und der reale Verbrauch steigt nicht um Prozentpunkte, sondern um ein Vielfaches. Wenn Ihr Orchestrator Sol Ultra ist, erbt jede schlecht eingestellte Verzweigung leicht das gleiche teure Modell.
Und hier habe ich innegehalten. In der Diskussion hieß es zunächst, dass die Parameter für Sub-Agenten nicht angepasst werden können, aber später wurde präzisiert: In YAML lassen sich Rollen-Presets, das Modell und sogar ein günstigerer Modus für bestimmte Zweige festlegen. Das Problem liegt also nicht nur in den Produktlimits, sondern darin, wie die Orchestrierung selbst aufgebaut ist.
Geht man von einer groben Schätzung anhand öffentlicher Tarife aus, kostet Sol Ultra etwa 5 $ pro Million Eingabe- und 30 $ pro Million Ausgabetoken, und langer Kontext ist noch teurer. Bei 13 parallelen Sitzungen mit aktiver Verzweigung kann die Rechnung auf Hunderte von Dollar pro Durchlauf steigen. Die Emotion „wir brauchen ein Abo für je 100 Minuten Arbeit“ klingt hyperbolisch, trifft aber den Kern: Ein externer Forscher stößt sehr schnell an wirtschaftliche Grenzen.
Auswirkungen auf Unternehmen und Automatisierung
Meine erste Schlussfolgerung ist einfach: Man kann keinen ernsthaften Forschungsstack auf einem einzigen Topmodell für alle Schritte aufbauen. Das teure Reasoning-Modell würde ich nur für enge Entscheidungspunkte einsetzen und die Literatursammlung, Grobklassifikation, Faktenextraktion und einen Teil der Experimente an günstigere Agenten abgeben.
Die zweite Schlussfolgerung ist weniger erfreulich. Es gewinnen die Teams, die bereits nahezu unbegrenzten Zugang zu Token, Daten und internen Hypothesen-Validierungspipelines haben. Einzelforscher und kleine Teams verlieren, wenn sie ohne angemessene KI-Integration und Kontrolle der Sub-Agenten frontal vorgehen.
Und ja, ich kaufe die These nicht, dass „die gesamte Wissenschaft morgen in ein paar Labors zusammenbricht“. In der Biomedizin, Klinik, Hardware und allem, was auf reale Experimente angewiesen ist, sind Token nicht der einzige Engpass. Aber in Bereichen mit riesigem Suchraum wird sich die Konzentration jetzt beschleunigen, das ist mit bloßem Auge sichtbar.
Wir bei Nahornyi AI Lab lösen genau solche Fälle für Kunden: wo ein starkes Modell bleiben soll, wo die Orchestrierung verbilligt und wo ein teurer Durchlauf ganz durch sinnvolle Automatisierung mit einem Menschen in der Schleife ersetzt wird. Wenn Ihr Forschungsworkflow bereits das Budget schneller verbrennt, als er Ergebnisse liefert, lassen Sie uns die Architektur analysieren und eine KI-Lösungsentwicklung für Ihre echte Last aufbauen, nicht für ein hübsches Demoszenario.