Finanzwunder 🪄 Die GPT-5.6 Sol erledigt Eure Finanzen — mit 99% weniger Aufwand
Von Jörg SchockErster Hauptkommissar a. D. · über 35 Jahre Hamburger Polizei
Kurz gesagt: OpenAI hat mit GPT-5.6 Sol ein auf Finanzautomation spezialisiertes KI-Modell vorgestellt, das komplexe Aufgaben wie Recherche, Tabellenkalkulationen und Präsentationen weitgehend selbstständig erledigt und laut Anbieterangaben die Fehlerquote gegenüber dem Vorgänger deutlich senkt. Ein von OpenAI genanntes Praxisbeispiel: Ein Projekt, das mit dem Konkurrenzmodell Opus 5 rund 423 US-Dollar an Rechenkosten verschlang, kostete mit Sol nur noch etwa 5 US-Dollar - daher die 99 Prozent aus der Überschrift. Unabhängig geprüfte Langzeitwerte zur Fehlerquote im echten Praxiseinsatz stehen noch aus.
Wer im Finanzwesen arbeitet, kennt das Problem: Tabellenkalkulationen, Tearsheets und Präsentationen für Investoren oder Kunden fressen Stunden, und ein einziger Zahlendreher kann teuer werden. Genau hier will OpenAI mit einem neuen, spezialisierten KI-Modell ansetzen.
Was GPT-5.6 Sol können soll
OpenAI hat GPT-5.6 Sol als leistungsstärkstes Modell seiner neuen 5.6-Serie vorgestellt, die zusätzlich aus den günstigeren Varianten Terra und Luna besteht. Sol übernimmt laut Born City komplette Finanz-Workflows von der Recherche bis zur fertigen, editierbaren Excel- oder PowerPoint-Datei. Bei einem konkreten Anwendungsbeispiel von OpenAI, das Sol mit dem Konkurrenzmodell Opus 5 vergleicht, kostete ein Projekt mit rund 690 Millionen verarbeiteten Tokens bei Opus 5 etwa 423 US-Dollar, mit Sol dagegen nur rund 5 US-Dollar - ein Rückgang um etwa 99 Prozent, daher der Titel dieses Artikels. Die Fehlerquote soll laut OpenAI zudem rund 68 Prozent unter der des Vorgängermodells Terra liegen. Nach eigenen Recherchen berichtet der Finanzdienstleister Model ML, der die Zahlen mit seiner Composite-Benchmark für KI im Finanzwesen erhoben hat, von weiteren konkreten Werten: Bei einem Excel-Workflow verbrauchte Sol 36 Prozent weniger Tokens pro Arbeitsmappe als Opus 5, eine PowerPoint-Aufgabe schloss Sol in 100 Prozent der Testfälle korrekt ab (Opus 5: 76 Prozent), und die von Model ML definierte Prüfschwelle für „direkt verwendungsreife“ Ergebnisse erreichte Sol in 43,3 Prozent der Fälle statt 26,7 Prozent bei Opus 5. Bei einem globalen Vermögensverwalter soll ein bislang etwa einstündiges manuelles Tearsheet nun in rund fünf Minuten fertig sein.
Wie Sol im breiteren KI-Vergleich abschneidet
Über das Finanzthema hinaus positioniert OpenAI Sol als neues Spitzenmodell für anspruchsvolle Denk- und Programmieraufgaben. Im unabhängigen Agenten-Benchmark Terminal-Bench 2.1 erreichte die Basisversion von Sol 88,8 Prozent und lag damit knapp vor Anthropics Claude Mythos 5 (88,0 Prozent) und dem eigenen Vorgänger GPT-5.5 (ebenfalls 88,0 Prozent); eine leistungsstärkere „Ultra“-Variante kam auf 91,9 Prozent. Direkt vergleichbare, unabhängig geprüfte Finanz-Benchmarks zu Sol im Vergleich zu Claude oder Google Gemini liegen zum jetzigen Zeitpunkt noch nicht vor - die genannten Finanzzahlen stammen aus einer von OpenAI selbst veröffentlichten Fallstudie mit einem Partnerunternehmen, keiner vollständig unabhängigen Prüfung.
Was das für Anwender in Deutschland bedeutet
Der Zugriff auf GPT-5.6 Sol läuft über die OpenAI-API und kostet 5 US-Dollar je Million Eingabe- sowie 30 US-Dollar je Million Ausgabe-Tokens - für Privatnutzer und kleine Betriebe ist das eher etwas für die Anbindung über Buchhaltungs- oder Reporting-Software als für den direkten Chat-Einsatz. Wer im Alltag schon heute Finanzaufgaben mit KI unterstützen will, etwa Belegerfassung oder einfache Auswertungen, findet entsprechende Funktionen zunehmend auch in gängigen Buchhaltungstools; wer die volle Leistungsfähigkeit von Sol für komplexe Tabellen- und Präsentationsaufgaben nutzen will, braucht dagegen technisches Know-how zur API-Anbindung oder ein Werkzeug, das Sol bereits integriert hat. Die versprochene Kostenersparnis ist real belegt, doch wie zuverlässig das Modell in der breiten Praxis - jenseits des einen von OpenAI vorgestellten Beispiels - tatsächlich arbeitet, muss sich erst noch in unabhängigen Tests zeigen.
Quelle: Born City, ergänzt um eigene Recherche zu Benchmarks von Model ML und Terminal-Bench 2.1.