Zum Inhalt springen
Archiv 15. Juli 2026

OpenAI macht brauchbare Arbeit zur neuen KI-Kennzahl: Warum „useful work per dollar“ jetzt wichtiger wird als Modellpreise

OpenAI hat am 14. Juli 2026 einen neuen Strategie-Post veröffentlicht, der auf den ersten Blick nach typischer Enterprise-Kommunikation aussieht. Ich halte ihn trotzdem für wichtig. Denn die eigentliche Nachricht ist nicht bloß ein neuer Management-Ratschlag, sondern ein ziemlich klares Signal dafür, wie OpenAI agentische KI wirtschaftlich lesbar machen will.

Die Formel dahinter lautet: nicht mehr nur Preis pro Token, sondern „useful work per dollar“. Also: Wie viel brauchbare Arbeit entsteht für das eingesetzte Geld wirklich?

Genau das ist für menzel.works interessanter als manche Modellmeldung. Denn sobald Chatbots zu länger laufenden Arbeitsmodi wie ChatGPT Work und Codex werden, reicht es eben nicht mehr, nur auf Modellpreise zu starren. Dann zählen Ergebnisqualität, Schleifen, Freigaben, Tool-Nutzung und Governance mit.

Was OpenAI konkret neu betont

Im neuen Beitrag beschreibt OpenAI fünf Management-Hebel für die „agentic era“:

  • Usage und Spend sichtbar machen, damit steigende Rechnungen nicht mit blindem Wachstum verwechselt werden.
  • Modelle nach Outcome-ROI statt Tokenpreis bewerten, also nach akzeptierten Ergebnissen, Review-Aufwand und echter Prozesswirkung.
  • Governance vor dem Skalieren einziehen, besonders wenn Plugins, Connectoren, Computer Use und andere Frontier-Funktionen mitspielen.
  • Workflows wie ein Portfolio finanzieren, von breiter Alltagsnutzung bis zu strategischen Spezialfällen mit proprietärem Firmenkontext.
  • Kapazität an nachgewiesene Nachfrage koppeln, statt überall pauschal maximale Intelligenz freizuschalten.

Auf dem Papier klingt das nüchtern. In der Sache ist es aber eine wichtige Verschiebung. OpenAI beschreibt KI damit nicht mehr primär als Modellkauf, sondern als operatives Portfolio aus Arbeitsläufen.

Warum „useful work per dollar“ die wichtigere Kennzahl ist

Viele Teams hängen noch immer an der falschen Frage: Welches Modell ist billiger pro Million Tokens? Das ist bequem, aber oft zu kurz. Ein günstigeres Modell kann am Ende teurer sein, wenn es öfter scheitert, mehr Schleifen produziert oder mehr menschliche Nacharbeit braucht.

OpenAI macht den Gegenpunkt jetzt ungewöhnlich offen: Entscheidend sei „cost per accepted outcome“. In Support-Prozessen wäre das etwa ein sauber gelöster Fall. In Engineering eher ein getesteter Change, der den Review besteht. In Wissensarbeit vielleicht ein Briefing, das nicht noch einmal komplett von Hand umgebaut werden muss.

Genau das knüpft sauber an ältere menzel.works-Themen an. Bei OpenAI B2B Signals war die starke These bereits, dass KI-Vorsprung nicht über bloßen Zugang entsteht, sondern über tiefere, delegierbare Nutzung. Und bei Usage Analytics und Spend Controls zeigte OpenAI schon, dass agentische Arbeit irgendwann eine eigene Controlling-Schicht braucht.

Der neue Post zieht jetzt die Management-Logik darüber: Nicht Nutzung an sich ist der Maßstab, sondern wirtschaftlich brauchbare Arbeit.

Die eigentliche Nachricht ist die Portfolio-Logik

Besonders interessant finde ich, dass OpenAI AI-Investments ausdrücklich als Portfolio beschreibt. Also nicht ein einziges KI-Budget für alles, sondern verschiedene Reifestufen:

  • breiter Zugang für alltägliche Produktivität,
  • funktionsspezifische Workflows für wiederholbare Aufgaben,
  • ein kleinerer Satz strategischer Einsätze mit eigenem Firmenkontext, Integrationen und differenzierter Logik.

Das ist deshalb wichtig, weil hier ein anderer KI-Betriebsmodus sichtbar wird. Agentische Arbeit wird nicht mehr wie ein einzelnes SaaS-Seat-Produkt behandelt, sondern eher wie ein Mix aus Standardsoftware, Prozessautomatisierung und interner Produktionsinfrastruktur.

Für Unternehmen bedeutet das praktisch: Nicht jede Aufgabe braucht GPT-Flaggschiffniveau, nicht jeder Bereich braucht dieselben Rechte, und nicht jeder erfolgreiche Testfall verdient sofort globale Freigabe. Wer agentische Systeme sinnvoll skaliert, braucht Routing, Limits, Review-Pfade und Budgetlogik.

Warum das sehr gut zu ChatGPT Work und Codex passt

OpenAI nennt im Beitrag mehrfach ChatGPT Work, Connectors, Plugins, Computer Use und Coding-Workflows. Das passt exakt zur jüngsten Produktbewegung: Codex wird zur Arbeitsoberfläche für ganze Teams, während ChatGPT Work längere Wissensarbeit übernimmt.

Damit verschiebt sich die ökonomische Einheit. Früher konnte man grob sagen: Wir bezahlen für Antworten. Jetzt geht es eher um delegierte Arbeitsläufe mit mehreren Schritten, mehreren Tools, längeren Laufzeiten und unterschiedlicher Eingriffstiefe.

Und genau deshalb reicht klassisches Software-Controlling dafür nicht mehr. Wenn ein Agent Browser, Dateien, Connectoren und Modellaufrufe kombiniert, dann entsteht Kosten- und Risikostruktur nicht an einer einzigen Stelle, sondern über die gesamte Ablaufkette.

Was daran nach Produktstrategie riecht

Natürlich ist der Text auch strategische Eigenwerbung. OpenAI rahmt die eigene Produktwelt dabei als fertige Antwort auf genau diese Management-Fragen: Admin Console, Spend Controls, Deployment Engineers, Guaranteed Capacity, Scale Tier, Batch, Flex, Prompt Caching, Frontier und Deployment Company.

Man kann das kritisch lesen. Denn OpenAI definiert hier nicht nur ein Problem, sondern gleich den passenden Stack zu seiner Lösung. Trotzdem ist der Beitrag gerade deshalb nützlich, weil er ziemlich offen zeigt, wo OpenAI den eigentlichen Wert seiner Agentenprodukte künftig verorten will: nicht nur im Modell, sondern im Betriebsrahmen darum herum.

Mein Fazit

OpenAI versucht gerade, agentische KI von einer Modell- und Seat-Debatte in eine ROI- und Betriebsdebatte zu verschieben. Das ist die wichtigere Nachricht hinter diesem Post.

„Useful work per dollar“ klingt zunächst wie CFO-Sprache. Tatsächlich ist es aber eine brauchbare Kurzform für die nächste Reifestufe: Agenten zählen erst dann wirklich, wenn sie nicht nur beeindruckend wirken, sondern saubere, messbare und steuerbare Arbeit liefern.

Wer KI in Unternehmen ernsthaft ausrollen will, sollte deshalb weniger nach dem billigsten Modell fragen und stärker nach dem brauchbarsten Arbeitsmodus. Genau dort entscheidet sich gerade, ob agentische Systeme Spielerei bleiben oder Teil echter digitaler Praxis werden.

Quellen

Hinweis: Dieser Beitrag wurde mit Unterstützung von KI erstellt und redaktionell bearbeitet.

Frage zu diesem Inhalt?
Kurz schreiben.
Kontakt