Wie Asana mit GPT-6.1 Sol und OpenAI Codex die Modellkosten um das 76-fache senkt
Zusammenfassung: Wie Asana KI-Agenten schneller und günstiger macht
Das Enterprise-Softwareunternehmen Asana hat in Zusammenarbeit mit OpenAI demonstriert, wie moderne KI-Entwicklungstools die Leistung und Kosteneffizienz autonomer Browser-Agenten drastisch verbessern können. Durch den Einsatz von GPT-6 Astra in OpenAI Codex analysierte und optimierte Asana den Workflow seines No-Code-Browser-Agenten (basiert auf der übernommenen Plattform StackAI).
Das Ergebnis: Die geschätzten Modellkosten für einen komplexen Browser-Workflow sanken von über 36 USD auf 0,47 USD pro Durchlauf (eine 76-fache Reduktion gegenüber der ursprünglichen Produktionseinrichtung), während die Ausführungszeit von über 22 Minuten auf etwa 4 Minuten verkürzt wurde (5-mal schneller).
Die Herausforderung: Ineffizienzen bei Browser-Agenten
Über die Plattform StackAI können Kunden von Asana automatisierte Workflows erstellen, die Websites navigieren, Formulare ausfüllen und Informationen sammeln – völlig ohne Programmierkenntnisse. Bei der Skalierung solcher Agenten summieren sich jedoch kleine Ineffizienzen schnell zu hohen Betriebskosten auf.
Dr. Frank Hidalgo, CTO von StackAI bei Asana, untersuchte die Ursachen für hohe Latenzen und Kosten:
- Fehlendes Caching für dynamische Verläufe: Der Agent speicherte zwar feste Anweisungen und Werkzeugdefinitionen im Cache, nicht aber den wachsenden Verlauf aus Seitentexten und Screenshots. Jede neue Anfrage übermittelte die gesamte Historie erneut zum vollen Preis.
- Suboptimale Verlaufsbereinigung: Der Agent kürzte bei fast jedem Schritt Seitentexte und entfernte Screenshots einzeln. Dies veränderte ständig den Kontext und verhinderte effektives Prompt-Caching. Zudem führte das voreilige Löschen von Informationen dazu, dass der Agent bereits besuchte Seiten erneut aufrufen musste.
Von zwei Monaten auf eine Woche: Automatisierung mit GPT-6 Astra in Codex
Statt den Code manuell zu durchforsten und Versuche durchzuführen, beauftragte Hidalgo GPT-6 Astra in Codex, die Codebasis zu analysieren, Optimierungsvorschläge zu erarbeiten und eine umfangreiche Versuchsreihe durchzuführen.
Arbeiten, die manuell schätzungsweise ein bis zwei Monate gedauert hätten, wurden in etwa einer Woche abgeschlossen. GPT-6 Astra strukturierte den Code so um, dass Vor- und Backend parallele Tests mit unterschiedlichen Konfigurationen ausführen konnten.
Die optimierte Teststruktur
GPT-6 Astra führte eine Studie mit 144 Testläufen durch, bei der vier verschiedene Frontier-Modelle unter unterschiedlichen Bedingungen evaluiert wurden:
- Verlaufsbudget (History Budget): Vergleich zwischen 120.000 und 480.000 Zeichen.
- Caching- und Screenshot-Strategien: Überprüfung von 6 verschiedenen Richtlinien.
- Batch-Löschung: Screenshots wurden gesammelt (bis zu 20 Stück) und dann gesammelt auf den neuesten Stand reduziert, um den Verlauf über längere Strecken unverändert zu halten.
Ergebnisse und Modellvergleich
In den Tests führten alle Konfigurationen dieselbe repräsentative Aufgabe aus: Das Erfassen von 6 Datenfeldern für 32 Bücher aus einem öffentlichen Demokatalog.
| Modell | Beschreibung | Ursprüngliche Kosten / Run | Optimierte Kosten / Run | Ausführungszeit | Erfolgsquote | | :--- | :--- | :--- | :--- | :--- | :--- | | Model A | Kleineres, günstigeres Modell eines anderen Anbieters | ca. $0,98 (geschätzt) | – | – | Unvollständig | | Model B | Ursprüngliches Produktionsmodell | $\ge $36,21$ | $1,24 | $> 22,5$ Min. | Mäßig | | Model C | Aktualisierte Version von Model B | Same Price as Sol | – | – | Variabel | | GPT-6.1 Sol | Neuestes OpenAI-Modell | $1,97 | $0,47 | ~4 Minuten | 100% (18/18) |
Durch das erweiterte Verlaufsbudget (480.000 Zeichen) und die optimierte Caching-Strategie auf GPT-6.1 Sol stammten 89 % der Eingabe-Tokens aus dem Cache – zu nur 5 % des regulären Preises. Dies senkte die Gesamtkosten pro Ausführung auf durchschnittlich 0,47 USD.
„Das ist es, wie Teams aus Menschen und Agenten in der Praxis aussehen. Ein Ingenieur gibt die Richtung vor, GPT-6 Astra führt die Experimente durch, und die Ergebnisse fließen direkt in die Produktion.“ — Arnab Bose, Chief Product Officer bei Asana
Bedeutung für die Zukunft der Softwareentwicklung
Für Asana bedeutet dieser Durchbruch mehr als nur eine reine Kostenersparnis. Das Unternehmen kann seinen Kunden nun leistungsfähigere und schnellere Modelle zur Verfügung stellen, ohne dass die Betriebskosten aus ufern.
Darüber hinaus nutzt Asana GPT-6 Astra in Codex nun auch für automatisierte Integrationstests und Qualitätskontrollen vor Releases: Der KI-Agent navigiert selbstständig durch die Software, testet verschiedene Eingaben und erstellt Fehlerberichte für menschliche Reviewer.
„Die Liefergeschwindigkeit ist nicht mehr der Engpass; die menschliche Aufmerksamkeit ist es. Wir nähern uns einer Welt, in der jeder Ingenieur wie ein Produktmanager eine Flotte von Agenten leitet.“ — Dr. Frank Hidalgo, CTO von StackAI bei Asana
Häufig gestellte Fragen (FAQ)
Was ist Asana StackAI?
StackAI ist eine von Asana übernommene Plattform, mit der Unternehmen KI-gestützte Browser-Agenten ohne Code erstellen können, um repetitive Aufgaben in Webanwendungen zu automatisieren.
Wie hat GPT-6.1 Sol die Kosten um das 76-fache gesenkt?
Durch die Kombination von klugem Prompt-Caching (89 % gefilterte Eingaben aus dem Cache) und Batching bei Screenshots konnte die Datenmenge stabil gehalten werden. In Verbindung mit dem effizienten Modell GPT-6.1 Sol sanken die Kosten pro Ausführung von $\ge $36,21$ auf $0,47$.
Welche Rolle spielte GPT-6 Astra in Codex?
GPT-6 Astra fungierte als autonomer Test-Engineers-Agent. Es analysierte den bestehenden Code, refaktorierte ihn für parallele Versuche, führte 144 Testläufe durch und dokumentierte die Ergebnisse vollautomatisch.
