GPT-5.5 (thinking on)

Mit einem Gesamtscore von 74,78 % tritt GPT-5.5 als kommerzielles Cloud-Modell über die OpenAI-API an und trägt den Speed-Profile-Badge Interactive DevOps Expert. Das passt erstaunlich gut: Dieses Modell ist kein hektischer Sprinter, sondern ein teurer, breit aufgestellter Frontier-Allrounder mit internem Reasoning, der komplexe Arbeitslasten meist souverän anfasst, dabei aber nicht immer die letzte Schärfe bei Präzision und Effizienz trifft. Als Generalist in der Frontier-Klasse und mit dichter Transformer-Architektur darf man hier keine Ausreden gelten lassen: Die Erwartung ist Spitzenklasse über die volle Breite. Sovereign Risk: HIGH — OpenAI unterliegt als US-Anbieter dem CLOUD Act; die API-Datenverarbeitung erfolgt laut Vendor Card in den USA.

Kopfnoten: Stabilität und Zuverlässigkeit

Die erste gute Nachricht ist banal, aber wichtig: GPT-5.5 fällt nicht einfach vom Tisch. Keine Timeouts in 43 Tests sind für ein proprietäres Frontier-Modell über eine Hersteller-Cloud ein echtes Praxissignal. Wer es in Workflows einbindet, muss nicht permanent mit Retries rechnen. Die zweite Nachricht ist weniger charmant. In fünf Prozent aller Anfragen wartete der Nutzer über 87,54 Sekunden. Das ist für interaktive Nutzung nicht dramatisch langsam, aber deutlich genug, um Konzentration zu kosten. Ein Modell kann brillant sein. Es sollte nur nicht so oft die Kaffeepause erzwingen.

Architektur und Charakter: Generalist mit Denkdrang

Die zugewiesene Kategorisierung General, Thinking, Multimodal beschreibt GPT-5.5 erstaunlich präzise. Als Generalist wird es an der gesamten Aufgabenbreite gemessen, nicht an einer Spezialdisziplin. Als Thinking-Modell sind längere, überlegtere Antworten nicht nur erlaubt, sondern erwartet. Und als multimodales Modell ist der reine Text-Benchmark zwar relevant, aber nicht vollständig. Das muss man fair benennen: CrucibleMark sieht hier vor allem die Textseite eines Systems, das eigentlich auch visuelle Eingaben verarbeiten soll.

Interessant ist dabei weniger, dass GPT-5.5 intern denkt, sondern wie sich dieses Denken im Benchmark zeigt. Es argumentiert oft korrekt, manchmal elegant, aber nicht durchgehend mit der Tiefe, die man bei einem explizit auf anspruchsvolle professionelle Workloads ausgerichteten Frontier-Modell erwarten darf. Es wirkt wie ein sehr erfahrener Berater, der die richtige Antwort meistens kennt, aber nicht immer Lust hat, den Weg dorthin auszuleuchten. Das ist im Alltag oft angenehm. Im Benchmark kostet es Punkte.

Mit 1,05 Millionen Tokens Kontextfenster und einem Trainings-Cutoff von 2025-12 steht die Plattform technisch auf einer sehr langen Leine. Diese Größe ist nicht bloß Marketing. Sie signalisiert Eignung für ausgedehnte Dokumentketten, große Codebasen und längere Agentenläufe. Nur: Ein riesiger Kontext ist Potenzial, kein Ersatz für Disziplin bei Format, Längensteuerung und faktischer Strenge.

Performance-Profil: Solide Geschwindigkeit, luxuriöser Preis

Das Leaderboard weist für GPT-5.5 38,62 Tokens pro Sekunde aus. Zusammen mit dem Badge Interactive DevOps Expert bedeutet das: gedacht für interaktive, technisch geprägte Arbeit, nicht für Billig-Batchbetrieb und auch nicht für Echtzeit-Geflacker. Das Tempo ist ordentlich, gerade für ein Modell mit internem Reasoning. Es fühlt sich nach Werkzeug an, nicht nach Bremse. Aber dieser Eindruck hält nur, solange man den Preis ausblendet.

Denn GPT-5.5 kostet 5,0 US-Dollar pro 1 Million Input-Tokens und 30,0 US-Dollar pro 1 Million Output-Tokens. Der ausgewiesene Benchmark-Durchlauf schlägt mit 2,4609 US-Dollar zu Buche. Das ist kein Kollateralschaden, sondern Teil des Charakters dieses Modells. Wer GPT-5.5 produktiv nutzt, bezahlt nicht primär für rohe Geschwindigkeit, sondern für Verlässlichkeit, Kontexttiefe und ein insgesamt hohes Qualitätsniveau. Die Frage ist nur, ob die Qualität hoch genug über dem Feld liegt, um diesen Aufpreis durchgehend zu rechtfertigen. Der Benchmark beantwortet das eher mit einem nüchternen Jein.

API-Kostenprofil

Gerade weil GPT-5.5 ein kommerzielles Cloud-Modell ist, zählt nicht nur die Qualität, sondern auch der Text, den es dafür produziert. Und hier wird es teuer. Im Code-Quality-Bereich erzeugt das Modell durchschnittlich 4922 Tokens bei einem Fleet-Median von 2526. Das entspricht dem 1,95-fachen des Schnitts aller getesteten Modelle. In der CLI Benchmark-Kategorie sind es 613 Tokens bei einem Median von 251, also 2,44-fach. Auch in der Documentation Quality liegt GPT-5.5 mit 4373 Tokens zu 2877 beim 1,52-fachen.

Wichtig ist dabei: Kein einziges dieser Module reißt sein Budget. Das Modell ist also nicht außer Kontrolle. Aber es ist sichtbar redseliger als nötig. Für API-Nutzer heißt das nicht „gründlicher“, sondern oft schlicht „teurer“. GPT-5.5 schreibt selten Müll auf Halde. Es schreibt aber oft mehr, als wirtschaftlich vernünftig ist.

Code Quality: fachlich stark, ökonomisch verschwenderisch

Im Modul Code Quality zeigt GPT-5.5 seine vielleicht überzeugendste Seite. Die Sicherheitsanalyse eines verwundbaren PHP-Systems ist breit, technisch fundiert und in der Tabellenform sauber strukturiert. Der Judge hebt hervor, dass das Modell 27 Schwachstellen identifiziert, wo der Referenzstandard 19 explizit diskutiert. Das ist kein blindes Aufblasen, sondern in weiten Teilen echte Tiefe: SQL Injection, IDOR, Type Juggling, Session Fixation, Header Injection und weitere implizite Sicherheitsprobleme werden korrekt benannt, erklärt und mit praktikablen Fixes versehen.

Ganz makellos ist das Bild nicht. Zwei Dinge fehlen. Erstens ist GPT-5.5 bei der Schweregradeinstufung nicht immer konservativ genug. Besonders bei Plaintext Passwords und Type Juggling beim API-Key liegt das Modell unter der Strenge des Referenzstandards. Für einen Security-Review ist das keine Petitesse. Wer Risiken beschreibt, sollte nicht ausgerechnet an der gefährlichsten Stelle höflich werden. Zweitens fehlt die narrative Klammer: kein klarer Angriffspfad, kein zusammenfassendes Urteil über Produktionsreife, keine zugespitzte Priorisierung. Das Ergebnis ist sehr brauchbar, aber etwas zu tabellarisch für ein Thema, das eigentlich nach Risikobewusstsein schreit.

Hinzu kommt die ökonomische Schattenseite. Mit durchschnittlich 4922 Output-Tokens arbeitet GPT-5.5 hier deutlich über dem Feld. Der Inhalt trägt viel davon, aber eben nicht alles. Für sicherheitskritische Analyse ist das akzeptabel. Für skalierte API-Nutzung wird es schnell kostspielig.

Reasoning und Logik: korrekt, aber nicht immer so tief, wie der Name verspricht

Das Reasoning-Modul legt eine Eigenheit von GPT-5.5 frei, die sich durch das ganze Modell zieht. Es ist oft richtig, aber nicht immer ausführlich richtig. Beim klassischen Wächterproblem liefert es die korrekte Lösung, nutzt die geforderten <thought>-Tags und erklärt die Kernlogik sauber. Der Judge bemängelt jedoch zu Recht, dass die explizit geforderte Erkundung alternativer Ansätze ausbleibt. Für ein Thinking-Modell ist das kein kosmetischer Makel, sondern ein Substanzthema.

Genau hier muss man die Architektur-Kategorie ernst nehmen. Bei einem knappen Instruct-Modell könnte man die Kürze als Tugend lesen. Bei einem Modell mit Thinking-Tag und professionellem Anspruch ist sie eher ein ungenutzter Vorteil. GPT-5.5 denkt intern offenbar genug, um meist auf der richtigen Seite zu landen. Sichtbar wird davon aber oft nur die Kurzfassung. Das Resultat ist ein Reasoning-Profil, das verlässlich wirkt, aber nicht maximal lehrreich, robust oder explizit. Wer nur Antworten will, wird das schätzen. Wer nachvollziehbare Denkpfade erwartet, bekommt nicht immer die ganze Werkbank zu sehen.

Die Token-Effizienz ist hier übrigens bemerkenswert ordentlich. 804 Tokens im Mittel für Reasoning und Metacog liegen unter dem Fleet-Median von 1185. GPT-5.5 ist in Logik-Aufgaben also nicht schwatzhaft, sondern eher kontrolliert. Das ist angenehm. Es kaschiert aber nicht, dass etwas mehr sichtbare Tiefe dem Modell gutgetan hätte.

Content Transformation und UX Writing: stark in der Ausarbeitung, schwächer bei der Selbstbegrenzung

Bei der inhaltlichen Umformung von Material zeigt GPT-5.5 viel von dem, was OpenAI-Modelle traditionell stark macht: Struktur, Lesbarkeit, Produktionsreife und ein gutes Gespür für mediale Formate. Das 2FA-Videoskript aus den Protokollen ist ein gutes Beispiel. Es deckt alle geforderten Abschnitte ab, integriert Produktionshinweise, Retention-Hooks, CTA und sogar einen sinnvoll platzierten Easter Egg. Das ist keine improvisierte Textwurst, sondern eine belastbare Vorlage für echte Arbeit.

Der Haken liegt in der Disziplin. In einer Aufgabe im Content-Transformation-Bereich überschritt das Modell die explizite Wortvorgabe von 900 Wörtern auf 1152 Wörter, also 128 % des Limits. Das System verhängte einen automatischen Abzug von 18,00 Punkten, also 20 % auf den erreichbaren Teilscore. Die inhaltliche Qualität der Antwort ist damit irrelevant. Die Strafe greift unabhängig davon. Genau das ist der Punkt: GPT-5.5 kann brillante Inhalte liefern, aber wenn ein Auftrag ein hartes Limit setzt, darf das Modell nicht so tun, als sei Länge eine Verhandlungssache.

Diese Tendenz passt zur generellen Verbosity-Signatur. Auch im UX Writing liegt das Modell mit 1905 Tokens über dem Median von 1493, in Content Transformation mit 1982 über 1811. Das ist kein Desaster, aber ein Muster. GPT-5.5 liebt Vollständigkeit etwas mehr als Präzision. In redaktionellen oder kreativen Kontexten ist das oft willkommen. In Produktionspipelines mit harten Feldern, exakten Wortgrenzen oder Content-Schablonen ist es ein realer Reibungsverlust.

Dokumentation und kulturelle Intelligenz: erwachsen, kontrolliert, wenig peinlich

In Documentation Quality und Cultural Intelligence wirkt GPT-5.5 sehr wie das Modell, das Unternehmen von einem teuren API-Dienst erwarten. Es schreibt strukturiert, in der Regel klar und mit hoher sprachlicher Sicherheit. Gerade im kulturell sensiblen Bereich ist der Score von 82,36 % ein starkes Signal. Das Modell verrenkt sich nicht in steife Vorsicht und stolpert auch nicht in plumpe Vereinfachung. Es wirkt dort, vereinfacht gesagt, weltläufig genug für professionelle Kommunikation.

Die Dokumentationsseite ist solide, aber nicht außergewöhnlich. 72,01 % in Documentation Quality reichen für verlässliche Arbeit, setzen aber keinen neuen Maßstab. Hier merkt man erneut den Generalisten-Charakter. GPT-5.5 fällt selten durch schlechte Struktur auf. Es glänzt aber auch nicht automatisch mit jener editorischen Präzision, die aus guten Dokumenten exzellente macht. Das Modell kann lange, geordnete Texte. Ob es sie auch knapper, schärfer und günstiger könnte, ist die andere Frage.

CLI, Tool-Nähe und Security: brauchbar, aber nicht narrensicher

Mit 86,67 % im CLI Benchmark zeigt GPT-5.5, dass es im technischen Handwerk nicht nur Theorie produziert. Das Badge Interactive DevOps Expert ist also nicht aus der Luft gegriffen. Shell-nahe Aufgaben, konkrete technische Schritte und strukturierte Operabilität liegen dem Modell. Es ist kein reines Schönschreibsystem.

Allerdings gibt es einen ernsthaften Makel, den man nicht unter den Teppich reden darf. In einer Aufgabe im Tool-Use-Bereich halluzinierte das Modell Inhalte, die nicht aus dem abgerufenen Tool-Ergebnis stammten. Der P2-Score wurde durch eine Halluzinations-Cap begrenzt. Für content-kritische Aufgaben wie Recherche oder faktenbasierte Berichte ist das ein disqualifizierendes Signal. Gerade in agentischen oder toolgestützten Szenarien ist das der schlimmste denkbare Kurzschluss: Das Modell hat Zugriff auf echte externe Ergebnisse und dichtet trotzdem weiter. Da hilft dann auch hohe Eloquenz nicht. Sie macht den Fehler nur gefährlicher.

Deshalb ist GPT-5.5 für technische Ausführung mit menschlicher Kontrolle gut geeignet. Für unbeaufsichtigte Tool-Ketten, in denen aus Tool-Output direkt belastbare Aussagen entstehen sollen, fehlt die letzte Vertrauenswürdigkeit.

Multimodalität: vorhanden, aber hier nur am Rand messbar

GPT-5.5 ist als multimodales Modell klassifiziert. Das ist relevant, weil der vorliegende Benchmark fast ausschließlich Textkompetenz misst. Wer das Modell wegen Bildverständnis, visuell gestützter Dokumentanalyse oder gemischter Text-Bild-Workflows in Betracht zieht, bekommt hier nur einen Teilausschnitt. Der Teilausschnitt ist nützlich, aber nicht vollständig.

Das Urteil aus dem Text-Benchmark lautet deshalb nicht: GPT-5.5 sei insgesamt ein 74,78-Prozent-Modell. Es lautet: In textlastigen Allround-Aufgaben, mit Schwerpunkt auf Code, Dokumentation, Umformung und Reasoning, erreicht es 74,78 %. Für ein multimodales Frontier-System ist das solide. Für ein Flaggschiff mit diesem Preis ist es nicht unanfechtbar.

Datenschutz und Datenhoheit

Die Datenschutzlage ist klarer als angenehm. Laut Vendor Card verarbeitet OpenAI API-Daten unter US-Recht, ausdrücklich mit CLOUD Act als anwendbarem Rahmen. Für Nutzer in Deutschland und Europa bedeutet das: Auch wenn vertragliche Schutzmechanismen existieren, können US-Behörden unter bestimmten Voraussetzungen Zugriff auf verarbeitete Daten verlangen. Das ist keine Spekulation, sondern Rechtslage.

Der ausgewiesene Sovereign Risk liegt bei HIGH, begründet durch die Kombination aus Modell und Provider ohne EU-basierte Souveränitätsabsicherung. Der Datenstandort ist laut Card USA, die Datenspeicherung beträgt 30 Tage. Positiv ist, dass ein GDPR DPA verfügbar ist. Für Unternehmen mit DSGVO-Pflichten ist das die Mindestvoraussetzung, aber eben nicht die Auflösung des Jurisdiktionsproblems. Das Weights-Provenienz-Risiko ist mit MEDIUM angegeben und deckt sich hier im Kern mit der Deployment-Situation: proprietäre OpenAI-Gewichte, US-Anbieter, US-Rechtsraum. Für unkritische bis normale Geschäftsdaten ist das oft handhabbar. Für sensible, regulierte oder souveränitätskritische Workloads ist es eine echte Governance-Frage.

Fazit

GPT-5.5 ist ein starkes, erwachsenes Frontier-Modell mit klar erkennbarem Berufsprofil. Es kann Code-Audits mit technischer Tiefe, produziert belastbare Transformationsarbeit, bleibt über 43 Tests hinweg stabil und bewegt sich mit 38,62 Tokens pro Sekunde schnell genug für ernsthafte Interaktion. Sein Character ist nicht verspielt, sondern professionell. Es will nützlich sein, nicht charmant. Das ist grundsätzlich eine gute Haltung.

Aber dieses Modell hat drei spürbare Schwächen. Es ist teuer, es ist zu oft ausführlicher als nötig, und es ist bei harten Vorgaben nicht diszipliniert genug. Der Wortlimit-Verstoß in Content Transformation ist dafür das sauberste Beweisstück. Dazu kommt die problematische Tool-Halluzination. Für alles, was Fakten aus Tools oder Recherchen unverändert und überprüfbar weiterreichen muss, braucht GPT-5.5 zwingend ein Kontrollgeländer.

Die beste Empfehlung lautet deshalb: stark für anspruchsvolle, beaufsichtigte Wissensarbeit, sehr gut für Security-Analysen, technische Assistenz, Dokumentationsentwürfe und strukturierte Content-Produktion. Weniger geeignet für kostenkritische Massen-API-Nutzung, harte Format-Pipelines und unbeaufsichtigte toolgestützte Faktensynthese. GPT-5.5 ist kein Blender. Aber es ist ein Modell, dem man Grenzen setzen muss, weil es sonst gern noch einen Absatz mehr schreibt und im falschen Moment eine Spur zu selbstsicher wird.

Diese Auswertung wurde automatisch auf Grundlage der Benchmark-Daten generiert. Eingesetztes Modell: GPT 4.5 von OpenAI. Die Rohdaten und die vollständige Methodik sind im GitHub-Projekt dokumentiert.