GPT-5.6 Sol erreicht 8 Millionen Nutzer: Warum kürzere Eingabeaufforderungen jetzt besser funktionieren

Nur wenige Tage nach der Veröffentlichung von GPT-5.6 meldete OpenAI einen weiteren starken Anstieg der Nutzerzahlen. Zum Zeitpunkt des ursprünglichen Berichts hatten Codex und ChatGPT Work die Marke von **8 Millionen aktiven Nutzern** überschritten, und OpenAI hatte erneut die Nutzungslimits für alle zurückgesetzt. Die Wachstumsgeschichte ist beeindruckend, aber die nützlichere Lektion könnte in OpenAIs neuen Richtlinien für GPT-5.6-Eingabeaufforderungen verborgen liegen. Das Unternehmen ermutigt Entwickler nun, wiederholte Regeln, unnötige Beispiele, überladene Tool-Beschreibungen und Schritt-für-Schritt-Anweisungen zu entfernen.

发布于 2026年7月17日•general•GEO 评分: 0•2 次阅读

选择语言

العربية Deutsch English Español Français Italiano 日本語 한국어 Português Русский 中文

GPT-5.6 Sol erreicht 8 Millionen Nutzer – und verändert, wie wir Prompts schreiben sollten

Einleitung

Die Wachstumsgeschichte ist beeindruckend, aber die nützlichere Lektion könnte in OpenAIs neuen Richtlinien zur Erstellung von GPT-5.6-Prompts verborgen liegen. Das Unternehmen ermutigt Entwickler nun, wiederholte Regeln, unnötige Beispiele, überladene Tool-Beschreibungen und Schritt-für-Schritt-Anweisungen zu entfernen, die das Modell nicht mehr benötigt.

Für GPT-5.6 Sol kommt es bei einem guten Prompt weniger darauf an, jede Bewegung zu kontrollieren, sondern vielmehr darauf, das Ziel zu definieren: das gewünschte Ergebnis, harte Einschränkungen, verfügbare Beweise, Genehmigungsgrenzen und den Standard für die Fertigstellung.

Acht Millionen Nutzer bringen Codex und ChatGPT Work zu einem neuen Meilenstein

Tibo, der bei OpenAI für Codex und ChatGPT verantwortlich ist, gab bekannt, dass die Gesamtzahl der aktiven Nutzer von Codex und ChatGPT Work 8 Millionen erreicht hat. OpenAI setzte außerdem erneut die Nutzungslimits zurück und arbeitete weiterhin ohne die vorherige Fünf-Stunden-Ratenbegrenzung.

Das Tempo war ungewöhnlich schnell. Laut dem ursprünglichen Bericht stieg die Gesamtnutzerzahl innerhalb weniger Tage nach dem Start von GPT-5.6 von 6 Millionen auf 7 Millionen und dann auf 8 Millionen.

Auch die Nutzungsrücksetzungen wurden so häufig, dass sie zu einem Running Gag unter den Nutzern wurden. Einige beschrieben das Muster als eine tägliche Auffrischung, die wöchentliche Limits außer Sichtweite brachte, insbesondere für diejenigen, die ihr wiederhergestelltes Guthaben vor dem nächsten Reset nicht vollständig aufgebraucht hatten.

Die Rücksetzungen sollten nicht als dauerhaftes Anrecht oder feste Produktpolitik interpretiert werden. Es handelte sich um öffentliche Reaktionen auf einen schnellen Nutzeranstieg, und die Limits können je nach Plan, Modell, Arbeitslast und aktueller Kapazität variieren.

OpenAI warnt vor möglicherweise ungleichmäßiger Skalierung

Sam Altman sagte, die Nachfrage nach GPT-5.6 Sol wachse rapide und lobte das Inference-Team für den Ausbau der Kapazitäten zur Unterstützung. Er warnte jedoch auch, dass Nutzer gelegentlich Dienstunterbrechungen erleben könnten, während die Infrastruktur weiter skaliert wird.

Diese Warnung ist wichtig, denn ein Nutzungsreset hebt nicht die zugrundeliegenden Kosten für den Betrieb eines Reasoning-Modells auf. Mehr Nutzer, längere Agentenläufe, parallele Tools und höhere Reasoning-Einstellungen können alle den Rechenbedarf erhöhen.

Die praktische Schlussfolgerung ist einfach: Wiederhergestellte Limits mögen mehr Spielraum für Experimente schaffen, aber Teams sollten Arbeitsabläufe dennoch auf messbare Qualität, Latenz und

Kosten, anstatt von unbegrenzter Kapazität auszugehen.

Die Preisgeschichte ist eigentlich eine Effizienzgeschichte

Altman sagte auch, dass GPT-5.6 Sol zu etwa der Hälfte der Kosten eines Konkurrenzmodells, das er als Fable bezeichnete, bewertet wurde, während es bei vielen vergleichbaren Aufgaben etwa halb so viele Token verwendete.

Wenn ein Modell pro Token halb so viel kostet und die gleiche Arbeit mit etwa halb so vielen Token erledigt, kann die Gesamtkosten in diesen spezifischen Fällen nahezu ein Viertel der Vergleichsbasis betragen.

Das ist keine universelle Formel. Die eigene Dokumentation von OpenAI empfiehlt wiederholt, repräsentative Arbeitslasten zu testen, da die Modellauswahl, der Denkaufwand, die Werkzeugnutzung, das Caching, die Latenz und die Ausgabeanforderungen alle die endgültigen Kosten beeinflussen.

Die Richtung ist jedoch klar: Der Wert von GPT-5.6 liegt nicht nur darin, dass jeder Token möglicherweise günstiger ist. Das Modell ist auch darauf ausgelegt, mit weniger Token mehr nützliche Arbeit zu erledigen.

Ihre alte Prompt-Bibliothek muss möglicherweise überarbeitet werden

Über mehrere Generationen von KI-Modellen hinweg bedeutete Prompt-Engineering oft, mehr Struktur hinzuzufügen.

Teams erstellten lange System-Prompts mit detaillierten Rollen, wiederholten Warnungen, XML-Blöcken, Persistenzanweisungen, Beispielen, Werkzeugbeschreibungen und expliziten Prozessschritten. Wenn das Modell versagte, wurde eine weitere Regel hinzugefügt.

GPT-5.6 Sol verändert dieses Gleichgewicht.

Die aktuellen Modellrichtlinien von OpenAI besagen, dass GPT-5.6 über ein stärkeres Intentionsverständnis verfügt und oft nicht jeden Zwischenschritt vorschreiben muss. Entwickler sollten weiterhin Domänenkontext, harte Einschränkungen, Genehmigungsgrenzen, Evidenzanforderungen und Erfolgskriterien bereitstellen – aber sie können dem Modell mehr Freiheit bei der Wahl des Arbeitswegs lassen.

In einer Stichprobe von OpenAIs internen Bewertungen von Codierungsagenten haben schlankere System-Prompts Berichten zufolge:

die Bewertungsergebnisse um etwa 10 % bis 15 % verbessert
den gesamten Tokenverbrauch um 41 % bis 66 % reduziert
die Kosten um 33 % bis 67 % gesenkt

OpenAI beschreibt diese Zahlen als richtungsweisend und nicht universell. Sie sollten anhand der Aufgaben, Werkzeuge und Bewertungssuiten validiert werden, die in Ihrer eigenen Anwendung verwendet werden.

Die Vier-Teilige Prompt-Struktur

Ein praktischer GPT-5.6 Prompt kann normalerweise um vier Elemente herum organisiert werden:

Ergebnis — Welches fertige Ergebnis soll das Modell liefern?
Einschränkungen — Welche Grenzen hinsichtlich Umfang, Sicherheit, Berechtigungen oder Richtlinien muss es respektieren?
Evidenz — Welche Dateien, Daten, Dokumentationen oder Quellenmaterialien sollen die Arbeit leiten?
Abnahmekriterien — Was muss wahr sein, bevor

Aufgabe gilt als erledigt?

Dieser Ansatz gibt dem Modell einen klaren Auftrag, ohne es durch eine starre Route zu zwingen.

Beispiel: Überprüfung einer Codebasis auf Sicherheitsrisiken

Ein älterer Prompt könnte dem Modell die Rolle eines leitenden Sicherheitsingenieurs zuweisen, jeden Schritt zur Dateinavigation vorgeben, die Reihenfolge der Analyse vorschreiben, Warnungen wiederholen und den genauen Berichtsablauf vorschreiben.

Eine schlankere GPT-5.6-Version könnte so aussehen:

Ergebnis:
Überprüfen Sie dieses Repository und identifizieren Sie schwerwiegende Sicherheitslücken.

Einschränkungen:
Konzentrieren Sie sich auf Authentifizierung und Eingabevalidierung.
Ändern Sie keine Produktionskonfigurationen und modifizieren Sie keine Dateien.
Melden Sie jedes Problem nur einmal, ohne dasselbe Risiko in mehreren Abschnitten zu wiederholen.

Nachweise:
Verwenden Sie die beigefügte Architekturdokumentation und das Abhängigkeitsinventar.
Erfinden Sie keine fehlenden Implementierungsdetails.

Abnahmekriterien:
Für jeden Befund fügen Sie den Dateipfad, den unterstützenden Nachweis, die wahrscheinlichen Auswirkungen und eine praktische Abhilfemaßnahme hinzu.
Überprüfen Sie vor dem Abschluss jeden Befund anhand dieser Anforderungen.

Das Modell kann dann entscheiden, ob es zuerst ein bestimmtes Verzeichnis inspiziert, Unteragenten einsetzt, einen nicht-destruktiven Test durchführt oder Abhängigkeiten mit bekannten Mustern vergleicht.

Der Benutzer definiert, wie gute Arbeit aussieht. Das Modell wählt einen effizienten Weg innerhalb der zulässigen Grenzen.

Drei Leitplanken für mehr Autonomie des Modells

Schlankere Prompts bedeuten nicht, die Kontrolle aufzugeben. Es bedeutet, die Kontrolle dorthin zu verlagern, wo sie wichtig ist.

1. Definieren Sie die Stopp- und Genehmigungsgrenzen

Geben Sie an, welche Aktionen das Modell selbstständig ausführen darf und welche eine Bestätigung erfordern.

Zum Beispiel das Lesen von Dateien, das Durchsuchen von Logs, das Bearbeiten von lokalen Code im Rahmen des Geltungsbereichs und das Ausführen von nicht-destruktiven Tests können erlaubt sein. Externe Schreibvorgänge, Käufe, destruktive Aktionen, Produktionsänderungen oder eine wesentliche Ausweitung des Umfangs sollten normalerweise genehmigt werden müssen.

Eine klare Grenze ist nützlicher, als im Prompt immer wieder „fragen Sie mich zuerst“ zu wiederholen.

2. Fordern Sie eine Selbstüberprüfung

Bitten Sie das Modell, seine Ausgabe vor der Auslieferung anhand der Abnahmekriterien zu überprüfen.

Dies ist besonders nützlich für Code-Reviews, Recherchen, Dokumentenerstellung, Datenanalyse und mehrstufige Tool-Workflows. Die Überprüfungsregel sollte konkret sein: erforderliche Felder bestätigen, die Änderung testen, Nachweise zitieren oder die endgültige Ausgabe mit einer bereitgestellten Referenz vergleichen.

3. Fangen Sie klein an und fügen Sie nur das hinzu, was fehlt

Beginnen Sie mit dem kleinsten Prompt und Tool-Set, das bereits funktioniert.

Entfernen oder fügen Sie jeweils eine Kategorie hinzu und führen Sie dann dieselben Bewertungen erneut durch. Dies erleichtert die Identifizierung, welche Anweisung tatsächlich die Qualität verbessert und welche nur Tokens hinzufügt.

Das Umschreiben eines gesamten Prompt-Stapels in einem Durchgang kann ein saubereres Ergebnis liefern, macht aber Fehler schwerer zu diagnostizieren.

Ein einziger zusätzlicher Satz kann widersprüchliche Anweisungen erzeugen

GPT-5.6 befolgt Anweisungen genau. Das ist nützlich, wenn der Prompt kohärent ist, macht Widersprüche aber teurer.

Ein Prompt kann in einem Abschnitt eine umfassende Antwort verlangen und in einem anderen eine sehr kurze Antwort. Er kann dem Modell sagen, dass es autonom handeln soll, dann wiederholen, dass es vor jeder Änderung um Genehmigung bitten muss. Er kann erfordern

alle verfügbaren Details unter gleichzeitiger Einhaltung einer strengen Ausgabelimitierung.

Frühere Modelle ignorierten manchmal eine Seite des Konflikts. Ein stärker anweisungsfolgendes Modell könnte versuchen, beide zu erfüllen, was zu zögerlichem Verhalten, unnötigen Genehmigungsanfragen oder einer Ausgabe führt, die keine der beiden Anforderungen sauber erfüllt.

Die Antwort ist nicht, einen weiteren Absatz hinzuzufügen, der erklärt, welche Regel am wichtigsten ist. Die Antwort ist in der Regel, den Konflikt zu entfernen oder aufzulösen.

Was zu entfernen ist

Die Lean-Prompt-Anleitung von OpenAI unterstützt das Entfernen von:

Wiederholten Regeln
Beispielen, die keine tatsächliche Anforderung codieren
Stilanweisungen, die das gewünschte Ergebnis nicht ändern
Prozessschritten, die das Modell bereits zuverlässig ausführt
Werkzeugen, die für die aktuelle Aufgabe irrelevant sind
Langen Werkzeugbeschreibungen, die offensichtliche Informationen wiederholen
Mehreren Versionen derselben Genehmigungsregel

Was zu behalten ist

Der Prompt sollte Folgendes bewahren:

Das erforderliche Ergebnis
Relevanten Kontext und relevante Beweise
Harte Sicherheits-, Richtlinien- und Berechtigungsgrenzen
Genehmigungs- und Stoppbedingungen
Erfolgskriterien
Erforderliche Ausgabestruktur
Anweisungen, die einen gemessenen Fehler beheben
Beispiele, die eine wichtige Produktanforderung codieren

Eine nützliche Regel ist, die Anweisungen zu behalten, die das Ergebnis ändern können, und diejenigen zu entfernen, die lediglich Ihren bevorzugten Prozess wiederholen.

Praktische Ratschläge für die Verwendung von GPT-5.6 Sol

Eine weit verbreitete Sammlung von Benutzertipps empfiehlt, alte Anweisungspakete zu bereinigen, wo angemessen den Codex-Speicher zu aktivieren und mit einer moderaten Reasoning-Einstellung zu beginnen, bevor man höher geht.

[

Die offizielle Anleitung unterstützt denselben maßvollen Ansatz.

Beim Wechsel von GPT-5.5 oder GPT-5.4 empfiehlt OpenAI, die aktuelle Reasoning-Einstellung als Basis beizubehalten und diese Einstellung zusammen mit einer Stufe darunter zu testen. GPT-5.6 kann die Qualität mit weniger Token beibehalten oder verbessern, aber die beste Konfiguration hängt von der Arbeitslast ab.

Für viele Produktionsaufgaben:

Verwenden Sie eine niedrigere Einstellung, wenn die Latenz wichtig ist und die Aufgabe einfach ist.
Starten Sie bei einer ausgewogenen Einstellung für allgemeine mehrschrittige Arbeiten.
Gehen Sie nur dann zu höherem Aufwand über, wenn Auswertungen eine sinnvolle Verbesserung zeigen.
Reservieren Sie die teuersten Modi für schwierige, qualitätskritische Aufgaben.
Vergleichen Sie Aufgabenerfolg, Vollständigkeit, Beweisqualität, Latenz, Tokennutzung und Gesamtkosten.

Die Standardmäßige Auswahl der höchsten Einstellung kann Ressourcen verschwenden, ohne das Ergebnis zu verbessern.

Die eigentliche Verschiebung: Von Mikromanagement zu Lenkung

Die tiefere Veränderung ist nicht nur technischer Natur. Es ist eine Veränderung in der Art und Weise, wie Menschen mit KI-Agenten zusammenarbeiten.

Der alte Ansatz behandelte das Modell wie einen Junior-Assistenten, dem jeder Schritt im Voraus beschrieben werden musste. Der Benutzer plante die gesamte Route, und das Modell führte sie aus.

Der neuere Ansatz ähnelt eher der Lenkung eines erfahrenen Operators. Der Benutzer definiert das

Zielsetzung, Grenzen, Nachweise und Qualitätsmaßstab. Das Modell plant und führt den Pfad aus und hält an, wenn es eine Entscheidung oder Aktion erreicht, die menschliche Zustimmung erfordert.

Dies beseitigt nicht das Prompt-Engineering. Es hebt die Ebene an, auf der Prompt-Engineering stattfindet.

Die wertvollste Arbeit besteht nicht mehr darin, hunderte von prozeduralen Anweisungen zu schreiben. Es geht darum, zu entscheiden:

Welches Ergebnis tatsächlich zählt
Welche Nachweise vertrauenswürdig sind
Welche Aktionen autorisiert sind
Welche Risiken eine menschliche Entscheidung erfordern
Wie das finale Ergebnis getestet wird
Wann der Agent anhalten sollte

Da Modelle leistungsfähiger werden, können übermäßig detaillierte Prompts genau die Reibung erzeugen, die sie verhindern sollten.

Häufig gestellte Fragen

Was ist GPT-5.6 Sol?

GPT-5.6 Sol ist das Flaggschiff-Modell der OpenAI GPT-5.6-Familie. OpenAI positioniert es für komplexe Produktions-Workflows, Programmierung, Wissensarbeit, Werkzeugnutzung und Aufgaben, bei denen sowohl Qualität als auch Token-Effizienz wichtig sind.

Warum können kürzere Prompts mit GPT-5.6 besser funktionieren?

GPT-5.6 kann mehr vom beabsichtigten Arbeitsablauf des Benutzers ableiten und benötigt nicht immer jeden Zwischenschritt vorgegeben. Das Entfernen von wiederholten oder widersprüchlichen Anweisungen reduziert den Prompt-Overhead und gibt dem Modell ein klareres Ziel.

Was sollte ein guter GPT-5.6-Prompt enthalten?

Ein guter Prompt sollte das Ergebnis, den relevanten Kontext, harte Einschränkungen, Zustimmungsgrenzen, Nachweisanforderungen, Erfolgskriterien und das erforderliche Ausgabeformat definieren. Fügen Sie Prozessanweisungen nur dann hinzu, wenn sie eine echte Anforderung kodieren oder einen gemessenen Fehler korrigieren.

Soll ich alle Prompts löschen, die für frühere GPT-Modelle geschrieben wurden?

Nein. Beginnen Sie mit einem Prompt, der bereits funktioniert, entfernen Sie jeweils eine Gruppe von Anweisungen und führen Sie dieselben Evaluierungen erneut durch. Behalten Sie alles, was Sicherheit, Berechtigungen, Produktverhalten, Ausgabeanforderungen oder einen bekannten Grenzfall schützt.

Bedeutet schlankes Prompting, dem Modell uneingeschränkte Autonomie zu geben?

Nein. Das Modell sollte nur innerhalb klar definierter Grenzen Freiheit haben. Externe Schreibvorgänge, destruktive Aktionen, Käufe, Produktionsänderungen oder eine Ausweitung des Umfangs sollten weiterhin eine explizite Zustimmung erfordern, wenn angemessen.

Sind die berichteten Token- und Kostenreduzierungen garantiert?

Nein. OpenAI beschreibt die 10–15%ige Verbesserung der Punktzahl, die 41–66%ige Token-Reduzierung und die 33–67%ige Kostenreduzierung als Richtungsergebnisse aus internen Bewertungen von Codierungsagenten. Die tatsächlichen Ergebnisse hängen von der Anwendung, dem Prompt, den Werkzeugen, den Reasoning-Einstellungen und den Bewertungskriterien ab.

Welchen Reasoning-Aufwand sollte ich mit GPT-5.6 Sol verwenden?

Beginnen Sie mit der Einstellung, die Ihr aktueller Produktions-Workflow verwendet, und vergleichen Sie diese mit einer Stufe darunter. Erhöhen Sie den Reasoning-Aufwand nur, wenn repräsentative Evaluierungen eine nützliche Verbesserung zeigen, die die zusätzliche Latenz und Kosten rechtfertigt.

Zusammenfassung

Der ursprüngliche Bericht erfasste zwei zusammenhängende Entwicklungen: das schnelle Wachstum von Codex und ChatGPT Work sowie eine Verschiebung der Art und Weise, wie OpenAI die Prompt-Erstellung für sein neuestes Modell empfiehlt.

GPT-5.6 Sol ist darauf ausgelegt, mehr der Planung selbst zu übernehmen. Effektive Prompts konzentrieren sich zunehmend auf das gewünschte Ergebnis, Einschränkungen, Belege, Genehmigungen und Abschlussstandards, anstatt jeden Schritt vorzugeben.

Teams sollten Prompts schrittweise vereinfachen und jede Änderung durch repräsentative Bewertungen validieren. Kürzer ist nicht automatisch besser; klarere, nicht redundante und messbare Anweisungen sind es.

Die Kernlektion besteht darin, das Ziel präzise zu definieren, die Grenzen klar zu setzen und die Mikroverwaltung der Route einzustellen.