GPT-5.5

Mit einem Gesamtscore von 76,52 % liefert GPT-5.5 genau die Sorte Ergebnis, die man von einem Frontier-Allrounder aus der OpenAI-API erwarten darf: breit kompetent, oft sehr gut, aber nicht mit jener unangreifbaren Souveränität, die der Name vielleicht verspricht. Der Speed-Profile-Badge Interactive DevOps Expert sagt dabei mehr über den Charakter als jede Marketingfolie: Dieses Modell ist auf zügige, arbeitsnahe Interaktion getrimmt, nicht auf literarische Selbstverliebtheit. Als Generalist in der Frontier-Klasse mit dichter Dense-Architektur und internem Reasoning im Standardmodus n/a wirkt GPT-5.5 wie ein Profi, der fast überall mitreden kann, aber nicht in jedem Raum der Klügste ist. Sovereign Risk: HIGH — OpenAI unterliegt als US-Anbieter dem CLOUD Act; die Datenverarbeitung erfolgt laut Vendor Card in den USA.

Kopfnoten: Stabilität und Zuverlässigkeit

Das ist die erste wichtige Einordnung: GPT-5.5 ist als kommerzielles Cloud-Modell zuverlässig erreichbar, aber nicht frei von schwerem Latenz-Tail. Im Alltag heißt das: keine Abbrüche, keine peinlichen Aussetzer, aber in einem spürbaren Teil der Anfragen genug Wartezeit, um einen interaktiven Flow zu stören. Für klassische Wissensarbeit ist das verkraftbar. Für eng getaktete Agenten-Ketten oder UI-nahe Anwendungen ist es ein echter Faktor.

Architektur und Erwartungsrahmen

Die vorab vergebene Kategorie General, Thinking, Multimodal passt auffallend gut zum Profil. Als Generalist muss GPT-5.5 auf voller Breite liefern. Spezialschwächen lassen sich hier nicht einfach mit „dafür war es nie gedacht“ entschuldigen. Der Thinking-Tag ist ebenfalls plausibel, obwohl der konkrete Lauf im Modus n/a stattfand, also ohne sichtbaren Thinking-Schalter, wie bei Cloud-Modellen üblich. Gerade deshalb sollte man die teils knappe, teils sehr kontrollierte Ausgabestruktur nicht mit Denkfaulheit verwechseln. Die Modellkarte weist ausdrücklich auf internes Chain-of-Thought-Reasoning hin, das in der API-Antwort nicht sichtbar wird.

Hinzu kommt Multimodalität. Das ist wichtig, weil ein reiner Textbenchmark bei einem multimodalen Modell immer nur einen Teil der Wahrheit zeigt. GPT-5.5 wird hier ausschließlich im Textbetrieb vermessen. Wer Bilder, Screenshots oder gemischte Eingaben produktiv nutzt, bekommt aus diesem Report keine Vollabbildung, sondern nur den sprachlichen Charaktertest. Als Frontier-Modell mit Dense-Architektur gelten dabei die höchsten Maßstäbe. Hier vergleicht man nicht Talent relativ zur Größe. Hier fragt man, ob das Modell als Referenz taugt.

Performance-Profil: schnell genug, teuer genug, nicht immer elegant genug

Der Badge Interactive DevOps Expert ist eine treffende Kurzformel. GPT-5.5 fühlt sich nicht wie ein Batch-Schreiber an, sondern wie ein Modell für direkte Rückfragen, Security-Analysen, technische Prüfpfade und strukturierte Arbeitsdialoge. Qualitativ ist die Geschwindigkeit im interaktiven Bereich angesiedelt. Das ist gut. Aber Preis und Ausgabevolumen sorgen dafür, dass die Rechnung weniger elegant ausfällt als die Rohleistung.

Mit 5,0 Dollar pro 1 Million Input-Tokens und 30,0 Dollar pro 1 Million Output-Tokens spielt GPT-5.5 klar im Premium-Segment. Bei einem Cloud-Modell ist das keine Nebensache, sondern Produktrealität. Wer mit wenigen, dichten Antworten arbeitet, kann das rechtfertigen. Wer längere Bench- oder Agentenläufe plant, bezahlt nicht nur für Qualität, sondern auch für jede unnötige Ausschweifung.

API-Kostenprofil

Gerade bei GPT-5.5 ist diese Ausschweifung kein theoretischer Punkt. Das Modell produziert im CLI-Benchmark durchschnittlich 661 Tokens bei einem Fleet-Median von 312. Das entspricht einem Faktor von 2,12 gegenüber dem Schnitt aller getesteten Modelle. Im Bereich Code Quality liegt GPT-5.5 bei 5067 Tokens gegenüber einem Fleet-Median von 2921, also bei 1,73×. Auch bei Documentation Quality fällt der Overhead mit 4931 zu 3003 Tokens ins Gewicht, also 1,64×.

Das ist keine formale Fehlleistung. Die Budgets werden eingehalten. Aber für die OpenAI-API bedeutet mehr Text bei gleichem oder nur leicht besserem Nutzwert schlicht höhere Kosten. GPT-5.5 schreibt oft nicht zu viel, aber regelmäßig mehr als nötig. Ein Modell kann ökonomisch klingen und finanziell trotzdem laut sein.

Code Quality und Security: stark im Audit, schwächer in der Einordnung für Menschen

Die Code-Quality-Wertung von 81,52 % gehört klar zu den Stärken. In den Security-nahen Audit-Aufgaben zeigt GPT-5.5, warum OpenAI dieses Modell für professionelle Workloads positioniert. Das Modell identifiziert nicht nur offensichtliche Schwachstellen, sondern findet auch implizite Lücken wie Mail-Header-Injection, Second-Order-Injection, Session Fixation, Type Juggling und IDOR-Ketteneffekte. Das ist keine bloße Trefferliste. Das ist solide Sicherheitsarbeit.

Bemerkenswert ist vor allem die technische Präzision. Die Fixes bleiben knapp und anwendbar, die Terminologie sitzt, die Tabelle ist sauber formatiert. Besonders in einer PHP-lastigen Schwachstellenanalyse liefert GPT-5.5 mehr Funde als die Referenzlösung und bleibt dabei überwiegend auf fachlich sauberem Boden. Für Security-Reviews, First-Pass-Audits und Angriffspfad-Screenings ist das ein ernstzunehmendes Werkzeug.

Die Schwäche liegt an anderer Stelle: bei der narrativen Synthese. Der Judge lobt die Breite, kritisiert aber das Fehlen einer priorisierten Zusammenfassung und konkreter Angriffsketten. Genau das ist im Praxiseinsatz oft der Unterschied zwischen „gute Analyse“ und „entscheidungsreife Analyse“. GPT-5.5 sieht den Wald. Es markiert viele Bäume. Aber es sagt nicht immer, welcher zuerst brennt. Für Entwickler ist das noch akzeptabel. Für Security-Entscheider kostet es Zeit.

CLI und Tool-Denken: verlässlich, aber nicht chirurgisch

Mit 91,34 % im CLI-Bereich gehört GPT-5.5 zur oberen Liga der textnahen Tool- und Kommandoaufgaben. Das passt zum Badge und zum Generalisten-Profil mit Reasoning-Unterbau. Das Modell versteht operative Aufgaben, strukturiert Schritte sauber und zeigt ein gutes Gespür für systematische Abarbeitung. Es arbeitet wie jemand, der Shell-Kommandos nicht auswendig rezitiert, sondern als Teil eines Arbeitsablaufs versteht.

Der Preis dafür ist wieder die Ausführlichkeit. GPT-5.5 neigt im operativen Kontext eher zur erklärenden Breite als zur kompromisslosen Knappheit. In Teams ist das angenehm. In automatisierten Tool-Ketten kann es störend sein, wenn eigentlich ein exakter Befehl genügt hätte. Es ist ein starker Assistent. Es ist nicht immer der disziplinierteste Maschinenbediener.

Reasoning und Logik: korrekt gedacht, aber nicht immer instruktionsgehorsam

Hier zeigt GPT-5.5 sein interessantestes Paradox. Als Modell mit internem Reasoning löst es logische Aufgaben oft korrekt, fällt aber bei Metakognitions-Aufgaben durch Format-Disziplin auf. Der Gesamtwert im Bereich Logical Reasoning liegt bei 64,78 %. Das ist für ein Frontier-Modell ordentlich, aber nicht beeindruckend. Der qualitative Befund erklärt, warum.

In einer klassischen Wächter-Logikaufgabe liefert GPT-5.5 die korrekte Lösung, verweigert aber explizit die angeforderten <thought>-Tags und ersetzt sie durch eine kurze, externe Erklärung. Inhaltlich stimmt die Richtung. Formal scheitert die Aufgabe dennoch teilweise an Instruktions-Compliance. Das ist keine Denkschwäche. Es ist eine Produktpolitik, die sich im Benchmark als Reibungsverlust niederschlägt.

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 teilweise 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. 65 %, was dem Niveau anderer Modelle entspricht. CrucibleMark bewertet bewusst die native Zero-Shot-Instruktions-Compliance als reales Alltagsmerkmal — dieser Abzug ist methodisch gewollt.

Das ist ein wichtiger Befund für Unternehmen. Wer GPT-5.5 in stark formalisierten Prompt-Ketten nutzt, bekommt kein Modell, das jede explizite Meta-Anweisung ausführt, nur weil sie dort steht. Es kann richtig liegen und trotzdem den Testpunkt verlieren. Das ist nicht dramatisch. Aber es ist Charakter, und Charakter hat in Produktionssystemen Folgen.

UX Writing: der überraschend matte Fleck

Mit 68,43 % im Bereich UX Writing bleibt GPT-5.5 unter seinen Möglichkeiten. Für ein Frontier-Allroundmodell ist das zu wenig. Hier fehlt nicht Intelligenz, sondern Feinschliff. GPT-5.5 formuliert brauchbar, oft klar, aber nicht konstant mit jener Präzision und emotionalen Dosierung, die gute Microcopy ausmacht. Wo andere Modelle in UI-nahen Texten Nuance, Ton und Knappheit sauber austarieren, wirkt GPT-5.5 gelegentlich wie ein sehr kompetenter Mensch, der noch einen internen Absatz zu viel im Kopf hat.

Das ist keine Katastrophe. Für generische UI-Texte reicht es häufig. Aber ausgerechnet dort, wo Sprache klein, scharf und sofort wirksam sein muss, verliert GPT-5.5 etwas an Spannung. Ein Modell mit dieser Klasse dürfte hier weniger brav und mehr treffsicher sein.

Documentation Quality: fachlich ordentlich, stilistisch nicht ganz auf Referenzniveau

Die 76,22 % in der Dokumentationsqualität zeigen ein recht typisches GPT-5.5-Muster. Das Modell kann strukturieren, erklären, gliedern und technische Inhalte mit professioneller Grundhaltung ausgeben. Es bleibt dabei lesbar und inhaltlich belastbar. Für Handbücher, interne Doku, API-Erklärtexte oder Entwicklerleitfäden ist das eine sichere Bank.

Aber auch hier gilt: fachlich stark heißt nicht automatisch editorisch brillant. GPT-5.5 produziert mehr Text als viele Konkurrenten und gewinnt daraus nicht immer proportional mehr Klarheit. Gute Dokumentation braucht nicht nur Vollständigkeit, sondern Reibungsarmut. Man spürt bei GPT-5.5 bisweilen den Drang, jede Faser der Antwort noch einmal ordentlich hinzulegen. Das ist respektabel. Nur eben nicht immer die eleganteste Form von Hilfe.

Content Transformation: starkes Handwerk, ein klarer Regelverstoß

Mit 78,82 % ist der Bereich Content Transformation insgesamt gelungen. Besonders in einer aufwendigen Videoskript-Transformation liefert GPT-5.5 ein technisch überzeugendes Ergebnis: deutsche Sprache sauber eingehalten, klare Struktur, Timestamps vorhanden, Produktionshinweise integriert, Screen-Annotations sinnvoll gesetzt. Das Modell versteht nicht nur den Text, sondern die Produktionslogik dahinter. Genau hier zahlt sich die Mischung aus Generalist, internem Reasoning und multimodaler Ausrichtung aus. GPT-5.5 denkt nicht nur in Sätzen, sondern erkennbar in Formaten.

Allerdings fehlt der letzte kreative Biss. Der Hook ist funktional statt mitreißend, der narrative Bogen eher instruktiv als cinematisch, das kleine Easter Egg wirkt mit englischem Einschlag im deutschen Skript leicht schief. Das ist Jammern auf höherem Niveau, aber bei dieser Modellklasse legitim.

Entscheidend ist ein anderer Punkt: In einer Aufgabe im Content-Transformation-Bereich überschritt das Modell die explizite Wortvorgabe von 900 um 35 %. Das System verhängte einen automatischen Abzug von 18,00 Punkten beziehungsweise 20 %. Die inhaltliche Qualität der Antwort ist damit irrelevant. Die Strafe greift unabhängig davon. Genau das macht harte Constraints so gnadenlos: Nicht der Stil wird bestraft, sondern der Regelbruch.

Dieser Einzelfall ist mehr als eine Fußnote. Er zeigt, dass GPT-5.5 unter simultanen Anforderungen aus Struktur, Ton und Länge dazu neigt, die Längenbremse zu spät zu ziehen. Für redaktionelle Workflows mit klaren Limits ist das ein reales Risiko. Ein guter Text, der die Vorgabe sprengt, ist im Produktionsalltag oft einfach der falsche Text.

Cultural Intelligence: stark, aber nicht völlig fehlerfrei im professionellen Feinsinn

Mit 79,16 % zeigt GPT-5.5 in Cultural Intelligence ein erfreulich reifes Profil. In der Überarbeitung einer toxischen Stellenanzeige ins professionelle, inklusive Deutsch entfernt das Modell problematische Formulierungen zuverlässig, hält den Ton angemessen und bleibt vollständig in der Zielsprache. Das ist mehr wert, als viele Benchmarks abbilden. Gerade in HR-nahen Texten kippen Modelle schnell in generische Wohlfühlsprache oder moralische Überkorrektur. GPT-5.5 passiert beides nicht.

Die Abzüge entstehen auf höherem Niveau. Der Judge bemängelt einzelne Wortwahl-Entscheidungen und den fehlenden expliziten inklusiven Formatmarker. Das ist kein Kollaps, eher ein Hinweis auf den letzten Meter professioneller Kontextsensibilität. GPT-5.5 ist hier gut genug für echte Arbeit. Es ist nur nicht ganz so elegant, wie es sein könnte.

Datenschutz und Datenhoheit

Für europäische Unternehmen ist GPT-5.5 keine neutrale Infrastrukturfrage, sondern ein klarer Compliance-Fall. Laut Vendor Card liegt das berechnete Sovereign Risk bei HIGH, begründet durch die Kombination aus OpenAI als US-Anbieter und anwendbarem US-Recht inklusive CLOUD Act. Das bedeutet konkret: US-Behörden können unter bestimmten Voraussetzungen Zugriff auf Daten verlangen, auch wenn ein Anbieter vertragliche Schutzmechanismen anbietet.

Der Datenstandort ist laut Karte USA, die Datenspeicherung beträgt 30 Tage. Positiv ist, dass eine GDPR DPA verfügbar ist. Für Unternehmen, die DSGVO-konform arbeiten müssen, ist das eine notwendige Voraussetzung, aber keine vollständige Entwarnung. Die vertragliche Lage ist handhabbar. Die rechtliche Souveränität bleibt dennoch begrenzt. Das separat ausgewiesene Weights-Provenienz-Risiko MEDIUM unterscheidet sich hier kaum von der Deployment-Realität: Auch die Modellherkunft selbst bleibt im US-Rechtsraum verankert.

Fazit

GPT-5.5 ist ein leistungsfähiges, teures und in seinem Verhalten sehr klar konturiertes Frontier-Modell. Seine Stärken liegen dort, wo technische Präzision, Sicherheitsdenken, Struktur und arbeitsnahe Interaktion gefragt sind. Code Quality, CLI und Content-Transformation gelingen auf hohem Niveau, oft mit jener professionellen Ernsthaftigkeit, die man lieber sieht als jede künstliche Genialitätsgeste. Seine Schwächen sind subtiler, aber real: UX-Texte bleiben hinter der Klasse zurück, Reasoning verliert unnötig Punkte durch Format-Compliance, und bei harten Längenvorgaben zeigt das Modell, dass gutes Schreiben ohne Disziplin eben nicht genug ist. Über alle Tests hinweg keine nennenswerten Halluzinationen — GPT-5.5 erfindet lieber wenig, als sich mit großer Geste zu blamieren.

Die Empfehlung fällt deshalb differenziert aus. Für Security-Analysen, technische Reviews, Dokumentation, komplexe Arbeitsdialoge und anspruchsvolle Generalisten-Tasks ist GPT-5.5 eine starke Wahl, wenn Budget und Datenschutzlage tragbar sind. Für streng formatierte Agenten-Workflows, kostenempfindliche API-Nutzung und copy-scharfe UX-Arbeit gibt es Modelle, die effizienter oder präziser auftreten. GPT-5.5 ist kein Blender. Aber auch kein Modell, das sich allein durch seinen Namen freispricht.

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.