GPT-5.5

Mit einem Gesamtscore von 76.71% tritt GPT-5.5 als das an, was OpenAI gerade am liebsten verkauft: ein dicht gebautes Frontier-Allroundmodell für professionelle Cloud-Workloads, intern klar auf Reasoning getrimmt, nach außen aber mit der Attitüde eines schnellen DevOps-Werkzeugs. Der zugewiesene Rahmen passt erstaunlich gut: als Generalist muss es Breite liefern, als Thinking-Modell darf man in Logik mehr als bloße Plausibilität erwarten, und als Multimodal bleibt immer der Hinweis, dass ein reiner Text-Benchmark nur einen Teil seiner eigentlichen Spannweite misst. Der Speed Profile Badge lautet Real-Time DevOps Expert. Das verspricht interaktives Arbeiten mit hoher Schlagzahl statt gemächlicher Stapelverarbeitung, und genau so wirkt das Modell in diesem Lauf über die OpenAI-API auch: zügig, ernsthaft, nützlich, aber nicht makellos. 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

Die Kopfnoten sind besser als manche inhaltliche Schwankung des Modells vermuten lässt. Keine Timeouts bei 49 von 49 Tests sind für ein kommerzielles Cloud-Modell kein Luxus, sondern Pflicht. GPT-5.5 erfüllt diese Pflicht. Das ist wichtig, denn bei API-basierten Frontier-Modellen sind Aussetzer kein Laborproblem, sondern sofort ein Produktionsrisiko. Hier gab es dieses Risiko im Benchmark nicht.

Die Tail-Latenz bleibt trotzdem sichtbar. Interaktiv ja, nervenfrei nicht immer. Wer GPT-5.5 in Agentenketten oder in stark verzweigten Assistenz-Workflows einsetzen will, bekommt kein träges System, aber auch keinen präzise tickenden Chronographen. Es ist schnell genug, um als Arbeitsgerät durchzugehen. Für zeitkritische, eng getaktete Prozesse sollte man die Streuung trotzdem ernst nehmen.

Architektur und Charakter: ein Allrounder mit internem Denkmodus

Die Klassifikation ist hier nicht bloß Metadatenkosmetik, sondern erklärt den Charakter des Modells ziemlich sauber. GPT-5.5 ist ein Generalist, also kein Spezialwerkzeug für eine einzige Disziplin. Entsprechend fällt die Wertung breit aus: Code, Dokumentation, Transformation, Kultur- und Sprachgefühl, Logik, Werkzeugnähe. Gleichzeitig ist es als Thinking-Modell eingeordnet. Da der konkrete Testlauf bei einem kommerziellen Cloud-Modell folgerichtig mit Thinking Mode: n/a geführt wurde, gab es keinen expliziten Umschalter. Das Modell lief im Standardverhalten der OpenAI-API. Sichtbare Reasoning-Tokens gibt es nicht. Das deutet auf internes Chain-of-Thought hin, also auf verdeckte Zwischenschritte, die der Nutzer nicht zu sehen bekommt.

Genau daraus ergibt sich ein merkwürdig modernes Spannungsfeld. GPT-5.5 argumentiert oft wie ein Modell, das mehr nachdenkt, als es zeigt. Es ist in mehreren Aufgaben korrekt, knapp und kontrolliert, wirkt dabei aber manchmal pädagogisch unterentwickelt. Es löst das Problem, ohne dem Leser besonders viel über den Weg dorthin zu gönnen. Für Produktiveinsatz ist das oft gut. Für erklärende Rollen ist es nicht immer die beste Nachricht.

Als multimodales Modell verdient GPT-5.5 noch einen methodischen Hinweis: Dieser Benchmark prüft hier primär die Textseite. Dass das Modell Bilder verarbeiten kann, schlägt sich in diesen Ergebnissen nur indirekt nieder. Wer also aus dem Text-Score ein vollständiges Urteil über die Gesamtkompetenz ableiten will, schaut durch ein Schlüsselloch auf eine größere Maschine.

Performance und Preis: schnell genug, teuer genug

OpenAI positioniert GPT-5.5 klar als Premium-Werkzeug. Das zeigt sich nicht nur am Frontier-Anspruch, sondern auch am Preis: 5,0 Dollar pro 1 Million Input-Tokens und 30,0 Dollar pro 1 Million Output-Tokens. Für ein dichtes Frontier-Modell aus der Hersteller-Cloud ist das kein Ausrutscher nach oben, aber auch ganz sicher kein Schnäppchen. Man bezahlt hier nicht für pure Exotik, sondern für einen professionellen Allrounder mit großem Kontextfenster von 1,05 Millionen Tokens und Trainings-Cutoff 2025-12. Das ist ein ernst zu nehmendes Paket. Die Rechnung kommt dann mit jeder ausschweifenden Antwort.

Der Badge Real-Time DevOps Expert beschreibt den praktischen Charakter treffend. GPT-5.5 ist kein Batch-Schreiber, der in aller Ruhe epische Abhandlungen komponiert. Es wirkt eher wie ein erfahrener Kollege im Incident-Channel: schnell zur Sache, nützlich im Werkzeugkontext, selten panisch, nicht immer elegant. In einer Welt, in der viele Frontier-Modelle entweder glänzen oder driften, ist diese Form von arbeitsfähiger Geschwindigkeit durchaus ein Wert an sich.

API-Kostenprofil

Bei einem kommerziellen Cloud-Modell muss man über Verbosity nicht als Stilfrage sprechen, sondern als Rechnung. GPT-5.5 produziert im CLI-Benchmark durchschnittlich 697 Tokens bei einem Fleet-Median von 283. Das entspricht einem Faktor von 2,46 gegenüber dem Schnitt aller getesteten Modelle. Im Code-Quality-Bereich sind es durchschnittlich 5184 Tokens gegenüber 3059 im Median, also 1,69-fach.

Das ist der Punkt, an dem ein guter Benchmark-Score plötzlich betriebswirtschaftlich wird. GPT-5.5 ist nicht ungebremst geschwätzig, aber in mehreren praxisnahen Modulen deutlich redseliger als der Durchschnitt. Gerade in einer API mit hohem Output-Preis ist das kein Schönheitsfehler. Wer identische oder fast identische Qualität mit weniger Text bekommt, spart direkt Geld. GPT-5.5 muss seine zusätzliche Wortmenge also rechtfertigen. Das gelingt nicht immer.

Immerhin bleibt das Modell insgesamt innerhalb der gesetzten Budgets. Es läuft nicht völlig aus dem Ruder, sondern bewegt sich in einer kontrollierten, wenn auch kostspieligen Ausführlichkeit. Anders gesagt: kein Textdurchfall, eher eine Vorliebe für den ausführlicheren Befundzettel.

Code Quality und Security: kräftig, ernsthaft, nicht ganz chirurgisch

Im Code-Quality-Audit zeigt GPT-5.5 eine seiner besseren Seiten. Der Teilscore von 79.04 passt zum qualitativen Bild: Das Modell erkennt Sicherheitslücken breit, sauber und ohne die üblichen Anfängerfehler. Besonders stark ist das Beispiel mit der Schwachstellenanalyse in deutscher Markdown-Tabelle. Dort identifiziert GPT-5.5 29 Vulnerabilities gegenüber 19 zentralen Punkten im Referenzstandard, inklusive schwerer Klassiker wie SQL Injection, Path Traversal, IDOR, Session Fixation, schwacher Reset-Token, unsicherer Cookies, Header Injection und einer Account-Takeover-Kette. Das ist nicht bloß Fleiß. Das ist echte Bedrohungsmodellierung auf brauchbarem Niveau.

Wichtiger noch: Die Fixes sind überwiegend präzise und technisch vernünftig. Prepared Statements, hash_equals, serverseitige Nutzerbindung, realpath()-Prüfungen, sanitisiertes Mail-Handling. Das ist keine Halluzinationsprosa, sondern Handwerk. Das Modell wirkt hier wie jemand, der Sicherheitsprobleme nicht nur benennen, sondern auch beheben will.

Ganz ohne Haken bleibt es nicht. Der Richter lobt die Strenge zur Tabellenvorgabe, vermisst aber ergänzende Kontextualisierung, etwa eine Executive Summary oder einen strukturierten Angriffspfad. Das ist kein Kernfehler, aber ein Charakterzug: GPT-5.5 folgt der Instruktion sauberer als dem impliziten Wunsch nach didaktischer Abrundung. Für Analysten, die sofort verwertbare Tabellen wollen, ist das gut. Für Teams, die aus der Antwort auch ein Lehrstück machen wollen, etwas mager.

Security-seitig ist das Modell insgesamt glaubwürdig. Es erfindet keine spektakulären Zero-Days aus heißer Luft, sondern arbeitet entlang plausibler Angriffsflächen. Genau so soll es sein. In diesem Feld ist GPT-5.5 eher Schraubenschlüssel als Laserschwert, und das ist als Kompliment gemeint.

CLI und Tool-Nähe: arbeitsfähig, aber nicht billig in Worten

Der CLI-Teilscore von 86.67 ist stark und passt zum Speed-Badge. GPT-5.5 scheint sich in werkzeugnahen Aufgaben wohlzufühlen. Das ist die Zone, in der OpenAIs Positionierung als professionelles Arbeitsmodell Substanz bekommt. Gerade in DevOps-nahen Settings zählt nicht literarische Schönheit, sondern ob ein Modell in vernünftiger Form zu einem handhabbaren Ergebnis kommt. Diese Hürde nimmt GPT-5.5.

Was man aber im Hinterkopf behalten muss: Es redet im CLI-Modul deutlich mehr als die meisten anderen Modelle. Wenn ein Nutzer eigentlich einen präzisen Befehl, einen knappen Fix oder eine fokussierte Schrittfolge möchte, kann diese zusätzliche Ausführlichkeit produktiv sein oder einfach nur Gebühren erzeugen. Das hängt vom Einsatz ab. Für Einzelanwender ist das oft erträglich. In hochtaktigen API-Pipelines summiert es sich schnell.

Reasoning und Logik: korrekt, aber zu oft auf Sparflamme

Hier sitzt die eigentliche Ambivalenz des Modells. Als Thinking-Modell darf GPT-5.5 bei Logikaufgaben nicht nur richtig liegen, sondern soll die Aufgabe auch geistig sichtbar durchdringen. Der Logical-Reasoning-Score von 71.3 ist deshalb nicht katastrophal, aber klar unter dem, was man von einem Frontier-Dense-Modell mit internem Reasoning gern sähe.

Das qualitative Beispiel zum Wächterrätsel zeigt den Kern des Problems. GPT-5.5 liefert die richtige Lösung. Es nutzt die geforderten <thought>-Tags, bleibt auf Deutsch, argumentiert korrekt und effizient. Aber es erkundet die Aufgabe nicht wirklich. Alternative Formulierungen, Robustheitsargumente, methodische Einordnung des selbstreferenziellen Fragemusters: all das bleibt knapp oder fehlt. Der Richter nennt die Antwort korrekt und klar, aber strukturell minimalistisch. Das trifft den Punkt.

Es ist ein bekanntes Muster bei modernen Reasoning-Modellen mit internem CoT: Das Denken findet statt, aber die sichtbare Antwort ist oft stärker komprimiert als der Prompt eigentlich verlangt. Für den Nutzer wirkt das dann wie ein guter Student, der die richtige Lösung an die Tafel schreibt, aber den schönen Beweis im Heft lässt. In vielen Alltagssituationen reicht das. In Lehre, Audit, Argumentation oder regulierten Umgebungen reicht es eben nicht immer.

Eine systematische Verweigerung der <thought>-Tags ist in den vorliegenden Protokollen nicht erkennbar. Das ist wichtig, denn manche Modelle fallen hier nicht in der Logik, sondern schon an der Format-Compliance auseinander. GPT-5.5 tut das nicht. Sein Problem ist nicht Trotz, sondern Zurückhaltung.

Content Transformation: stark im Umbau, anfällig bei harten Leitplanken

Mit 81.66 ist Content Transformation eine der sichtbar besseren Disziplinen von GPT-5.5. Das passt zur offenen Architekturrolle als Generalist: Das Modell kann Rohmaterial aufnehmen und in eine neue Form bringen, ohne dabei den Faden zu verlieren. Das qualitative Beispiel des fünfminütigen deutschen Video-Skripts zur Zwei-Faktor-Authentifizierung zeigt genau das. GPT-5.5 baut aus einer trockenen Vorlage eine sprechbare, produktionstaugliche Fassung mit Hook, Timestamps, Regiehinweisen, Screen-Annotations, Pattern Interrupt und Easter Egg. Das ist kein Zufallstreffer. Das Modell versteht Formatdramaturgie.

Die Stärken liegen im konkreten Ton. Formulierungen wie „Du bist in deinem Account. Gut.“ oder die emotionale Zuspitzung beim Verlust des Zugangs wirken natürlich und nicht wie Übersetzungsmasse. Gerade im Deutschen ist das bemerkenswert, weil viele Modelle bei gesprochenem Instruktionsstil in steife Schriftsprache kippen. GPT-5.5 tut das hier nicht.

Dann kommt allerdings die schlechte Nachricht, und sie ist regelbasiert, nicht geschmacklich: In einer Aufgabe im Content-Transformation-Bereich überschritt das Modell die explizite Wortvorgabe von 900 Wörtern auf 1102 Wörter, also auf 122% des Limits. Das System verhängte dafür einen automatischen Abzug von 20% beziehungsweise 18,00 Punkten auf den erreichbaren Aufgabenscore. Die inhaltliche Qualität der Antwort ist damit irrelevant. Die Strafe greift unabhängig davon.

Hinzu kommt ein dokumentierter Sprach-Compliance-Patzer im selben Aufgabenfeld. Obwohl Deutsch durchgängig gefordert war, mischte GPT-5.5 englische Elemente wie „But wait“ und „Come up next“ in die Ausgabe. Das ist kein stilistischer Spleen, sondern ein Instruktionsfehler. In produktiven Umgebungen mit fixer Zielsprache, etwa Marketing, Schulung oder Corporate Content, fällt so etwas direkt durch.

Im Ergebnis bleibt der Befund zwiespältig: inhaltlich kreativ und strukturell kompetent, bei harten Grenzen aber nicht immer diszipliniert. GPT-5.5 kann sehr gut umschreiben. Es hört nur nicht immer sauber auf.

Documentation Quality: brauchbar, aber ohne die Gravitas der Klasse

Der Wert von 72.26 in Documentation Quality ist für ein Frontier-Modell mit dieser Positionierung eher Mittelmaß. Nicht schlecht, aber spürbar unter dem, was man für anspruchsvolle technische Dokumentation erwarten darf. Das deckt sich mit dem generellen Eindruck aus den anderen Modulen: GPT-5.5 ist oft korrekt und nützlich, wirkt aber bei Tiefe, Gliederung und didaktischem Mehrwert nicht durchgehend souverän.

Das Problem ist hier weniger faktische Schwäche als editorische Flughöhe. Gute Doku ist mehr als richtige Sätze in richtiger Reihenfolge. Sie braucht Priorisierung, Begriffsdisziplin, Leserführung und die Fähigkeit, Ursachen, Grenzen und Handlungsoptionen sauber auseinanderzuhalten. GPT-5.5 kann diese Bausteine liefern, aber nicht mit der Selbstverständlichkeit, die man in der Frontier-Klasse gern hätte. Es dokumentiert arbeitsfähig. Es schreibt nur nicht immer mit dem letzten Grad an Autorität.

UX Writing und Cultural Intelligence: professionell, aber nicht ganz warmblütig

Im UX-Writing landet GPT-5.5 bei 75.35. Das ist ordentlich, aber kein Glanzstück. Die Texte funktionieren, doch sie strahlen nicht immer jene Leichtigkeit aus, die gute Produktkommunikation von bloßer Korrektheit trennt. Auch hier taucht wieder das bekannte Muster auf: Das Modell erledigt die Aufgabe. Es veredelt sie nicht zwingend.

Interessanter ist Cultural Intelligence mit 74.52 und dem deutschen HR-Beispiel aus den Protokollen. GPT-5.5 entfernt toxische oder exkludierende Begriffe zuverlässig, hält die Sprache professionell, nutzt eine geschlechtsneutrale Berufsbezeichnung und bleibt sauber auf Deutsch. Das Fundament stimmt. Der Richter kritisiert jedoch mehrere Wortwahl- und Tonnuancen: „Teamgeist“ statt des emotional stärkeren „Leidenschaft“, „handwerkliches Können“ statt des inklusiveren „talentiert“, imperativere Formulierungen statt des weicheren, in deutschen HR-Texten meist besseren Konjunktivs wie „Wir wünschen uns“. Dazu kommt ein weniger einladender Abschluss.

Das ist aufschlussreich. GPT-5.5 scheitert hier nicht an grober Semantik, sondern an Feinkalibrierung. Es erkennt die Richtung moderner, inklusiver Unternehmenssprache. Es trifft nur nicht immer den warmen Kern. Für viele Unternehmen reicht das bereits. Wer Markenstimme, Recruiting-Tonalität oder sensible Außenkommunikation ernst nimmt, wird trotzdem nachredigieren wollen.

Token-Ökonomie: nicht verschwenderisch, aber selten asketisch

Trotz einzelner Overhead-Spitzen verhält sich GPT-5.5 über den Gesamtmix nicht chaotisch. Reasoning und Metacognition bleiben mit durchschnittlich 769 Tokens sogar klar unter dem Fleet-Median von 1414. Das ist ein interessanter Befund, denn er erklärt zum Teil auch den minimalistischen Charakter im Logikbereich. GPT-5.5 denkt intern offenbar ausreichend, zeigt aber vergleichsweise wenig davon. Das spart sichtbaren Text, nicht zwingend Rechenarbeit.

In den Schreib- und Dokumentationsmodulen bleibt es innerhalb der Budgets und meist nur moderat über Median. Das ist keine Effizienzmeisterschaft, aber auch kein selbstverliebter Monologbetrieb. Der wahre Kostentreiber sind die Module, in denen praktische Arbeitsnähe mit ausführlichen Erklärungen zusammenfällt. Dort sollte man GPT-5.5 bewusst einsetzen und nicht blind freidrehen lassen.

Datenschutz und Datenhoheit

Für europäische Nutzer ist die Lage klar und unerquicklich genug, dass man sie nicht mit Marketingpuder bestäuben sollte. Der berechnete Sovereign Risk liegt bei MEDIUM. Begründung: OpenAI ist ein US-Unternehmen, das Modell läuft ausschließlich über die OpenAI-API, anwendbar ist US-Recht inklusive CLOUD Act, und der verifizierte Datenstandort liegt in den USA. Für Unternehmen in Deutschland und der EU bedeutet das: Selbst wenn vertragliche Schutzmechanismen existieren, bleibt ein rechtlicher Zugriff US-Behörden unter bestimmten Voraussetzungen möglich. Das ist kein Randaspekt, sondern Teil der Einsatzrealität.

Positiv ist, dass eine GDPR DPA verfügbar ist. Für DSGVO-pflichtige Unternehmen ist das die Eintrittskarte, nicht die Entwarnung. Hinzu kommt eine dokumentierte Datenspeicherung von 30 Tagen, sofern keine abweichenden Vertragsregeln greifen. Das Weights-Provenienz-Risiko wird mit MEDIUM bewertet, in der Sache aus demselben Grund: US-Jurisdiktion und Cloud-Verarbeitung außerhalb der eigenen Sphäre. Wer mit sensiblen personenbezogenen, regulatorischen oder vertraulichen Daten arbeitet, bekommt hier also einen leistungsfähigen Dienst, aber keinen souveränen Datenraum.

Fazit

GPT-5.5 ist ein gutes Frontier-Modell mit professionellem Ernst, aber nicht das makellose Universalwerkzeug, als das solche Systeme gern vermarktet werden. Seine stärksten Seiten liegen in Security-naher Code-Analyse, CLI- und DevOps-Nähe, Transformation anspruchsvoller Vorlagen und einer insgesamt stabilen Ausführung über die OpenAI-Cloud. Seine schwächeren Zonen sind sichtbare Denktiefe, didaktische Vollständigkeit, Feinwärme in UX- und HR-Tonalität sowie die Disziplin bei harten Formatgrenzen.

Die Architektur-Einordnung als General, Thinking, Multimodal wird durch den Test im Kern bestätigt. Als Generalist liefert GPT-5.5 keine peinlichen Ausfälle. Als Thinking-Modell denkt es offenbar mehr, als es zeigt, was in produktiven Abläufen nützlich sein kann, im erklärenden Einsatz aber zu knappe Antworten erzeugt. Als multimodales System bleibt dieses Review bewusst unvollständig, weil die Bildseite hier nicht ausgereizt wurde. Über alle Tests hinweg keine nennenswerten Halluzinationen. Das Modell erfindet lieber wenig, als sich mit großer Geste in die Irre zu schreiben.

Meine Empfehlung fällt deshalb differenziert aus. Für professionelle Assistenz, Security-Reviews, DevOps-nahe Arbeitsabläufe, API-gestützte Wissensarbeit und lange Kontexte ist GPT-5.5 ein überzeugendes Werkzeug, wenn Budget und Datenhoheit geklärt sind. Für Lehre, dokumentationslastige Erklärrollen, streng regulierte Sprachvorgaben oder fein kuratierte Markenkommunikation sollte man eine redaktionelle Kontrollinstanz einplanen. GPT-5.5 ist kein Blender. Aber es ist auch nicht die letzte Instanz. Genau darin liegt seine Stärke und seine Grenze zugleich.

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.