OpenAI stellt die Nutzung von ChatGPT um: Die bisher getrennten Modi Chat und Work laufen künftig in einer gemeinsamen Oberfläche zusammen. Spürbarer als die Oberfläche ist jedoch die Änderung dahinter. Ab Dezember greifen die Tarife Plus, Pro und Business auf ein gemeinsames, tokenbasiertes Kontingent zu – und zwar sowohl für den normalen ChatGPT-Betrieb als auch für Codex, das Werkzeug für KI-gestützte Softwareentwicklung.
Token sind dabei die Abrechnungseinheit von Sprachmodellen: kleine Text- oder Codefragmente, in die Eingaben und Antworten zerlegt werden. Wer bisher in Kategorien wie „Anzahl Nachrichten pro Zeitfenster“ gedacht hat, muss sich auf eine Verbrauchslogik umstellen, die sich an der tatsächlichen Menge verarbeiteten Texts orientiert.
Was sich konkret ändert
Die wesentlichen Punkte der Umstellung lassen sich knapp zusammenfassen:
- Chat und Work erscheinen nicht länger als getrennte Modi, sondern in einer Oberfläche.
- Plus-, Pro- und Business-Tarife erhalten ein gemeinsames Kontingent, aus dem sich ChatGPT und Codex bedienen.
- Komplexere Modelle verbrauchen mehr von diesem Kontingent als einfachere.
- Einfache Instant-Chats werden nicht auf das Kontingent angerechnet.
Damit entsteht eine Abstufung, die es vorher in dieser Form nicht gab: Nicht jede Anfrage kostet gleich viel. Eine kurze Rückfrage im Alltagsbetrieb fällt anders ins Gewicht als ein länger laufender Codex-Durchlauf, der eine größere Codebasis liest, Änderungen vorschlägt und Ergebnisse zurückschreibt.
Warum das für Entwicklungsteams relevant ist
Codex-Sitzungen sind typischerweise tokenintensiv. Kontext aus mehreren Dateien, Testausgaben, Fehlermeldungen und iterative Korrekturschleifen summieren sich schnell. Liegt dieser Verbrauch im selben Topf wie die alltägliche ChatGPT-Nutzung, konkurrieren zwei sehr unterschiedliche Arbeitsweisen um dasselbe Budget.
Praktisch heißt das: Ein Team, in dem dieselben Accounts sowohl für Textarbeit – Konzepte, Zusammenfassungen, Recherche – als auch für Entwicklungsaufgaben genutzt werden, kann das Kontingent deutlich schneller ausschöpfen als bisher kalkuliert. Der Artikel, der die Änderung beschreibt, weist darauf hin, dass intensive Nutzung in den günstigeren Tarifen zu Qualitätseinbußen führen dürfte, weil dann auf weniger aufwendige Modelle ausgewichen werden muss.
Diese Einschätzung ist eine Prognose, keine Zusage von OpenAI. Sie beschreibt aber eine plausible Mechanik: Wenn leistungsfähigere Modelle mehr Token kosten und das Budget begrenzt ist, entsteht ein Anreiz, im Zweifel das sparsamere Modell zu wählen.
Kostenplanung wird zur Verbrauchsplanung
Bisher war die Kalkulation für viele Unternehmen einfach: eine feste monatliche Gebühr pro Arbeitsplatz. Mit einem gemeinsamen tokenbasierten Kontingent verschiebt sich die Frage von „Wie viele Lizenzen brauchen wir?“ zu „Wie viel Verbrauch erzeugt welche Tätigkeit?“.
Das erfordert ein grundsätzlich anderes Vorgehen bei der Budgetierung:
- Verbrauch beobachten: Bevor Tarife angepasst werden, lohnt sich eine Phase, in der der tatsächliche Verbrauch pro Rolle und Aufgabe erfasst wird.
- Nutzung trennen: Wo möglich, sollten entwicklungsnahe und allgemeine Nutzung nicht unkontrolliert im selben Account vermischt werden, damit Engpässe zuordenbar bleiben.
- Modellwahl bewusst steuern: Nicht jede Aufgabe braucht das stärkste Modell. Klare interne Leitlinien, wann welches Modell sinnvoll ist, sparen Budget ohne spürbaren Qualitätsverlust.
- Alternativen offenhalten: Eine Abhängigkeit von einem einzigen Anbieter wird teurer, wenn sich dessen Abrechnungslogik ändert. Wer Schnittstellen und Arbeitsabläufe so gestaltet, dass ein Wechsel möglich bleibt, bleibt handlungsfähig.
Auswirkungen auf die Werkzeugauswahl
Für Teams, die Codex fest in ihren Entwicklungsalltag eingebaut haben, stellt sich die Frage nach der passenden Tarifstufe neu. Wer bisher mit einem günstigen Tarif ausgekommen ist, weil die Nutzung über mehrere Werkzeuge verteilt war, könnte durch die Zusammenlegung an eine Grenze stoßen.
Gleichzeitig entsteht ein differenzierterer Blick auf die eigenen Arbeitsabläufe. Die Unterscheidung zwischen angerechneten und nicht angerechneten Anfragen – einfache Instant-Chats zählen nach aktueller Darstellung nicht gegen das Kontingent – macht es sinnvoll, Routineabfragen und anspruchsvolle Aufgaben bewusst zu trennen. Wer gewohnheitsmäßig jede Kleinigkeit an das leistungsfähigste Modell gibt, verschenkt Budget.
Auch die Zusammenführung von Chat und Work in einer Oberfläche ist nicht nur eine kosmetische Änderung. Sie verringert den Aufwand beim Wechsel zwischen Kontexten, erhöht aber zugleich die Wahrscheinlichkeit, dass unterschiedliche Nutzungsarten unbemerkt ineinanderlaufen – und damit auch der Verbrauch weniger transparent wird.
Vorsicht bei der Hochrechnung
Belastbare Zahlen zum Umrechnungsverhältnis zwischen Modellen oder zur Größe des Kontingents liegen an dieser Stelle nicht vor. Wer jetzt Budgets für das kommende Jahr festzurrt, sollte daher mit Spielräumen arbeiten statt mit festen Annahmen. Erst die Praxis ab Dezember wird zeigen, wie weit ein Kontingent in typischen Entwicklungsszenarien tatsächlich reicht.
Sinnvoll ist es, die Umstellung als Anlass für eine kurze Bestandsaufnahme zu nehmen: Welche Aufgaben erledigen KI-Werkzeuge im Team wirklich, welchen Anteil davon trägt Codex, und welche dieser Aufgaben ließen sich mit anderen Mitteln ebenso gut lösen?
Einordnung für Web- und Softwareprojekte
Für Projekte, in denen KI-Unterstützung zum Standardwerkzeug geworden ist, wird der Werkzeugeinsatz damit zu einem Posten, der laufend beobachtet werden muss – ähnlich wie Hosting- oder Lizenzkosten. Projektkalkulationen sollten KI-Nutzung künftig als variable Größe ausweisen statt als Pauschale. Und Architekturentscheidungen gewinnen an Gewicht: Wer seine Abläufe nicht zu eng an ein einzelnes Produkt bindet, kann auf Änderungen bei Abrechnung und Modellverfügbarkeit reagieren, ohne das Projekt umbauen zu müssen.
