GPT-5.4

Mit einem Gesamtscore von 69,42 % zeigt GPT-5.4 das Profil eines kommerziellen Frontier-Allrounders, der über die OpenAI-API in der Hersteller-Cloud läuft: schnell, breit einsetzbar, oft nützlich, aber weit entfernt von jener Selbstverständlichkeit, die man in dieser Gewichtsklasse erwartet. Der Speed Profile Badge „Real-Time DevOps Expert“ signalisiert ein auf interaktive Nutzung getrimmtes Modell mit hoher gefühlter Reaktionsfreude. Genau das liefert GPT-5.4 auch. Nur ersetzt Tempo keine Souveränität. Sovereign Risk: MEDIUM: OpenAI ist ein US-amerikanisches Unternehmen und unterliegt dem CLOUD Act. Bei API-Nutzung verlassen Eingabedaten das lokale Netz – behördlicher Zugriff auf verarbeitete Daten ist rechtlich möglich.

Kopfnoten: Stabilität und Zuverlässigkeit

Dass GPT-5.4 als Generalist antritt, ist wichtig für den Maßstab. Dieses Modell soll nicht nur einen Bereich beherrschen, sondern die volle Breite. Dazu kommt die Metadaten-Einstufung Instruct: Man erwartet also direkte Befolgung von Vorgaben, knappe Exekution, wenig theatrales Gerede. Das passt weitgehend zum beobachteten Verhalten. Antworten bleiben meist fokussiert, die Token-Nutzung ist diszipliniert, und der Lauf erfolgte im werksseitigen Standardverhalten des Endpunkts; einen umschaltbaren Thinking-Modus gibt es hier nicht. Als Vision-Capable ist GPT-5.4 außerdem multimodal angelegt. Der vorliegende Text-Benchmark misst davon naturgemäß nur den sprachlichen Teil. Das ist kein Makel des Benchmarks, aber ein notwendiger Warnhinweis gegen vorschnelle Totalurteile.

Performance und Kostenprofil

Der Badge „Real-Time DevOps Expert“ ist bei GPT-5.4 keine hohle Marketing-Plakette. Im praktischen Eindruck antwortet das Modell zügig, ohne die zähe Nachdenklichkeit mancher schwerer Frontier-Kandidaten. Gerade für interaktive Sessions, in denen Nutzer schnell eine verwertbare erste Fassung brauchen, ist das ein echter Vorzug. Die Stabilität der OpenAI-API im Test war tadellos. Keine Aussetzer, keine Timeouts, keine peinlichen Leerläufe.

Der Preis bleibt trotzdem ein Thema. GPT-5.4 kostet 2,5 US-Dollar pro 1 Million Input-Token und 15,0 US-Dollar pro 1 Million Output-Token. Für ein Modell, das am Ende bei 69,42 Prozent landet, ist das keine kleine Fußnote, sondern Teil des Urteils. Denn hier bezahlt man nicht für offene Gewichte, nicht für Infrastrukturfreiheit, sondern für einen API-Dienst in der Cloud des Herstellers. Die Reaktionsfreude ist gut, die Wirtschaftlichkeit aber nicht unangreifbar. Immerhin verhält sich GPT-5.4 token-ökonomisch. Kein Modul überschreitet den erwarteten Verbosity-Rahmen, und gerade in einer API-Abrechnung ist diese Disziplin bares Geld.

Code Quality und Security: scharfer Blick, aber nicht immer mit letzter Wucht

Im Bereich Code Quality zeigt GPT-5.4 seine vielleicht überzeugendste Seite. Das Modell identifiziert Sicherheitslücken breit, sauber und mit einem erfreulich nüchternen Stil. Im vorliegenden Audit nennt es 27 Schwachstellen, während der Referenzstandard 19 ausweist. Das ist kein wildes Namedropping, sondern größtenteils legitim gewonnene Tiefe. SQL Injection im Login, Klartext-Passwörter, Session Fixation, Path Traversal, IDOR, schwache Reset-Token, Mail-Header-Injection, lockere Vergleiche bei API-Keys: Das sitzt. Vor allem sitzt es in deutscher Sprache, in korrekter Tabellenform und mit brauchbaren Fix-Hinweisen.

Gerade im Security-Teil wirkt GPT-5.4 wie ein zuverlässiger Prüfer, der lieber eine Schwachstelle zu viel markiert als eine kritische Lücke zu übersehen. Das ist im Zweifel die bessere Berufskrankheit. Auch die qualitative Bewertung bestätigt, dass die Kernprobleme korrekt priorisiert wurden und zusätzliche Funde fachlich tragfähig sind. Wo das Modell Punkte liegen lässt, ist weniger die Detektion als die Aufbereitung. Die Antwort bleibt tabellarisch stark, aber narrativ dünn. Angriffsketten und Exploit-Zusammenhänge, die einem Team helfen würden, das Risiko im Systemzusammenhang zu begreifen, fehlen. GPT-5.4 ist hier der gute Auditor, nicht der große Lehrmeister.

Für ein dense Frontier-Modell aus der OpenAI-API ist das insgesamt solide bis gut. Man bekommt verwertbare Sicherheitsarbeit, aber keine majestätische Überlegenheit. Wer bei dieser Klasse auf einen quasi automatischen Senior-AppSec-Review hofft, wird merken: Die letzte Schicht Kontext muss oft noch ein Mensch ergänzen.

CLI und Tool-Denke: direkt, brauchbar, aber nicht der geborene Agent

Der Badge legt eine DevOps-Nähe nahe, und in den strukturierten Tool- und CLI-Aufgaben wirkt GPT-5.4 tatsächlich handfest. Die Zahlen sprechen für einen ordentlichen Bereich, und vor allem die Charakteristik passt: keine ausufernden Vorreden, keine intellektuellen Pirouetten, sondern aufgabenorientierte Antworten. Das ist die gute Seite des Instruct-Profils. GPT-5.4 will ausführen, nicht imponieren.

Gleichzeitig zeigt der Gesamtbefund, dass das Modell bei Tool-Use nicht zu den ganz souveränen Kandidaten zählt. Der ToolUse-Wert fällt sichtbar schwächer aus als seine besseren Modulresultate. Das heißt in der Praxis: GPT-5.4 ist nützlich für direkte Ausführung und für klar umrissene DevOps-Anfragen, aber nicht automatisch die erste Wahl, wenn eine Aufgabe über mehrere Schritte robust orchestriert werden soll. Es ist ein guter Operateur für den ersten Zugriff. Der Dirigent eines komplexen Agenten-Ensembles ist es eher nicht.

Reasoning und Logik: korrekt gedacht, aber bei Instruktions-Compliance mit angezogener Handbremse

Die Logikleistung von GPT-5.4 ist kein Totalausfall. Im Gegenteil: In den inhaltlichen Kernfragen kommt das Modell oft auf richtige Lösungen. Das Problem liegt an einer anderen Stelle, und die ist für ein Instruct-Modell unangenehm. GPT-5.4 wirkt in Reasoning-Aufgaben regelmäßig kompetenter als sein Score es auf den ersten Blick vermuten lässt, aber es lässt Punkte liegen, weil es nicht jede explizite Formvorgabe mitträgt.

Metakognitions-Compliance (Reasoning): Das Modell verweigert in 3/5 metacog-Tests die Nutzung der explizit angeforderten <thought>-Tags mit einer konsistenten Policy-Aussage. Die Reasoning-Inhalte sind dabei inhaltlich korrekt — der Score-Abzug resultiert aus der Format-Verweigerung, nicht aus Denkfehlern. Zum Vergleich: In den tag-freien reasoning_5*-Tests erzielt das Modell einen Durchschnittsscore von ca. 67 %, was das Leistungsbild deutlich freundlicher erscheinen lässt. CrucibleMark bewertet bewusst die native Zero-Shot-Instruktions-Compliance als reales Alltagsmerkmal — dieser Abzug ist methodisch gewollt.

Das ist mehr als ein pedantischer Formfehler. Wer ein Modell mit klaren Ausgaberegeln in Ketten, Vorlagen oder Agenten-Frameworks einbindet, erlebt genau solche Konflikte als praktische Friktion. GPT-5.4 rechnet also oft ordentlich, folgt aber nicht immer bis zur letzten Meile der gewünschten Verpackung. Für ein Modell mit Instruct-Etikett ist das ein Kratzer an der Lackschicht.

UX Writing und Content Transformation: professionell, kontrolliert, manchmal zu funktional

In UX Writing arbeitet GPT-5.4 sauber, kompakt und formal diszipliniert. Die Qualitäten eines Instruktionsmodells zeigen sich hier deutlich: Tabellen werden eingehalten, progressive Struktur gelingt, und der Ton bleibt kontrolliert. Das ist kein Modell, das sich in Copy-Aufgaben gern im eigenen Stilrausch verliert. Für Produkttexte, Mikrokopie und klare Umformulierungen ist das grundsätzlich ein gutes Temperament.

Im Bereich Content Transformation wird der Charakter noch sichtbarer. GPT-5.4 liefert verwertbare Ergebnisse, etwa bei der Umwandlung trockener Ausgangstexte in produktionstaugliche Formate. Der qualitative Befund zum Videoskript ist exemplarisch: komplett, auf Deutsch, mit Zeitmarken, visuellen Hinweisen, CTA und Easter Egg. Man kann damit arbeiten. Aber man spürt auch die Grenze. Die Texte sind oft funktional sehr gut und strategisch nur gut genug. Der Judge bringt es indirekt auf den Punkt: Das Skript ist drehbar, aber nicht maximal raffiniert. Die emotionale Hook ist schwächer als im Referenzstandard, Pattern Interrupts sind vorhanden, aber psychologisch weniger scharf gesetzt, und manche Produktionshinweise bleiben etwas generisch. GPT-5.4 ist hier wie ein erfahrener Redaktionsassistent. Er vergisst wenig, doch er überrascht auch selten.

Documentation Quality: brauchbar, aber mit einem echten Patzer

In Documentation Quality landet GPT-5.4 im soliden Bereich, ohne Glanzlicht. Das Modell kann längere, strukturierte Dokumentation ausarbeiten und hält dabei sein großes Kontextfenster von 272.000 Tokens als theoretischen Vorteil im Rücken. Gerade bei anspruchsvolleren Standard-Workloads ist das relevant. Ein großes Kontextfenster nützt allerdings nur, wenn die Ausgabe am Ende auch sauber landet.

Hier steht ein klarer Makel im Protokoll: Bei documentation_quality_005 überschritt GPT-5.4 das konfigurierte Token-Budget. Die Antwort ist unvollständig. Das ist kein inhaltlicher Denkfehler, sondern ein technischer Abbruch der Ausgabe. Im Documentation-Bereich bricht also mindestens eine Antwort mitten in der Struktur ab, und genau das ist im Alltag unerquicklich. Wer Dokumentation generieren lässt, braucht Vollständigkeit, nicht halbe Sätze mit Restschuld. Für ein teures Cloud-Modell dieser Klasse ist so etwas kein Kavaliersdelikt.

Gerade weil GPT-5.4 in den meisten Modulen token-ökonomisch wirkt, fällt dieser Patzer hier stärker auf. Nicht als systemische Redseligkeit, sondern als situative Unsauberkeit. Ein Modell darf lang schreiben. Es darf nur nicht auf halber Treppe die Luft verlieren.

Cultural Intelligence: sprachsicher, inklusiv, pragmatisch

Im Modul Cultural Intelligence zeigt GPT-5.4 eine der sympathischeren Facetten seines Profils. Das Modell antwortet sauber auf Deutsch, entfernt toxische Formulierungen zuverlässig und übersetzt problematische Stellen in professionellen, inklusiven Geschäftston. Die Umformulierung einer aggressiven Stellenanzeige gelingt überzeugend. Nicht spektakulär, aber erwachsen.

Interessant ist die Art der Stärke: GPT-5.4 arbeitet hier weniger mit moralischer Pose als mit sprachlicher Hygiene. Es glättet, neutralisiert, professionalisiert. Das Ergebnis ist nicht maximal warm, aber klar anschlussfähig für reale Unternehmenskommunikation. Genau darin liegt ein Unterschied zwischen wohlmeinender und brauchbarer KI. GPT-5.4 ist in diesem Modul eher Letzteres.

Halluzinationen: bemerkenswert kontrolliert

Über alle Tests hinweg keine nennenswerten Halluzinationen. GPT-5.4 erfindet lieber zu wenig Aura als zu viele Fakten. Das ist eine der besseren Schwächen, die ein Produktionsmodell haben kann.

Datenschutz und Datenhoheit

GPT-5.4 ist ein proprietäres Cloud-Modell von OpenAI, L.L.C. mit Sitz in San Francisco, Kalifornien, USA. Für den Einsatz gilt US-Recht inklusive CLOUD Act. Für Nutzer in Deutschland und Europa ist das keine abstrakte Juristenfußnote: US-Behörden können unter bestimmten Voraussetzungen Zugriff auf Daten verlangen, auch wenn ein Anbieter vertragliche Schutzmechanismen anbietet. Laut vorliegenden Kartendaten liegt der Datenstandort in den USA, die Datenspeicherung beträgt 30 Tage, und ein GDPR DPA ist verfügbar. Das hilft Unternehmen bei der formalen DSGVO-Einbettung, löst aber nicht das Souveränitätsproblem. Das berechnete Sovereign Risk liegt daher bei MEDIUM. Das ausgewiesene Weights-Provenienz-Risiko MEDIUM ergänzt dieses Bild: Nicht wegen zweifelhafter Herkunft, sondern weil die Nutzung an einen US-Anbieter und dessen Rechtsraum gebunden bleibt.

Fazit

GPT-5.4 ist ein Modell mit deutlichem Berufscharakter. Als Generalist in der Frontier-Klasse und in dichter Architektur will es viel können und schnell antworten. Im Test gelingt ihm das oft ordentlich, manchmal gut, selten brillant. Seine Stärken liegen in stabiler API-Ausführung, guter Geschwindigkeit, disziplinierter Token-Nutzung, solider Code- und Security-Arbeit sowie verlässlicher deutscher Ausgabe. Seine Schwächen liegen dort, wo man bei einem OpenAI-Flaggschiff eigentlich weniger Reibung erwarten würde: mittelstarkes Reasoning-Niveau im Benchmark, messbare Tool-Use-Grenzen, formale Reibung bei Metakognitions-Tasks und ein dokumentierter Truncation-Fehler in der Dokumentation.

Für den Einsatz heißt das: GPT-5.4 passt gut zu interaktiven Produktiv-Workflows, in denen schnelle, brauchbare Erstfassungen zählen. Security-Audits, Umformulierungen, strukturierte Content-Arbeit und klassische Assistenzaufgaben liegen ihm. Weniger überzeugend ist das Modell dort, wo maximale strategische Tiefe, kompromisslose Format-Compliance oder agentische Werkzeugsicherheit gefragt sind. Wer einen zuverlässigen, schnellen Cloud-Allrounder aus der OpenAI-API sucht, bekommt hier ein ernstzunehmendes Werkzeug. Wer in dieser Preisklasse Exzellenz ohne Fußnoten erwartet, bekommt eher einen guten Profi als einen Souverän.

Diese Auswertung wurde automatisch auf Grundlage der Benchmark-Daten generiert. Eingesetztes Modell: GPT-5.4 von OpenAI. Die Rohdaten und die vollständige Methodik sind im GitHub-Projekt dokumentiert.