Gemini 3.6 Flash und GPT-5.6 API-Migration: sicher wechseln

Der nächtliche Modellwechsel, der am nächsten Morgen zum Produktionsproblem wird

Um 23:40 Uhr tauscht ein Plattformteam in der Konfiguration nur die Modellkennung aus. Die Requests erreichen weiterhin den Anbieter, die Antwort kommt zurück und die ersten manuellen Tests sehen unauffällig aus. Um 08:15 Uhr melden jedoch mehrere Kunden, dass Aktionen nicht mehr ausgeführt werden, JSON-Ausgaben sporadisch nicht validierbar sind und ein Gespräch nach dem zweiten Werkzeugaufruf seinen Kontext verliert.

Genau an diesem Punkt beginnt die eigentliche Gemini 3.6 Flash und GPT-5.6 API-Migration. Die Modellnamen sind schnell geändert. Schwieriger ist die Frage, ob Anfrageformat, Rollenmodell, Tool-Aufruf, Statusverwaltung, Streaming und Fehlerbehandlung dieselbe Bedeutung behalten.

Dieser Leitfaden richtet sich an Sie, wenn eine produktive Anwendung zwischen Gemini 3.6 Flash und GPT-5.6 wechseln soll. Sie erhalten keine pauschale Aussage über ein angeblich „kompatibles“ API, sondern eine Arbeitsgrundlage für die reale Migration: Was lässt sich wiederverwenden, was muss übersetzt werden und welche Prüfungen sollten vor dem ersten Prozent Produktionsverkehr abgeschlossen sein?

Warum ein neuer Modellname nicht genügt

Beide Plattformen unterstützen moderne Funktionen wie multimodale Eingaben, Funktionsaufrufe und strukturierte Antworten. Das bedeutet jedoch nur syntaktische Ähnlichkeit, nicht automatisch Verhaltenskompatibilität.

Gemini 3.6 Flash ist laut offizieller Modelldokumentation unter anderem für Text, Bild, Video, Audio und PDF als Eingabe ausgelegt. Das Modell besitzt ein Eingabelimit von 1.048.576 Token und ein maximales Ausgabevolumen von 65.536 Token. GPT-5.6 wird dagegen innerhalb einer Modellfamilie mit unterschiedlichen Fähigkeitsstufen angeboten; für die API sind unter anderem Sol, Terra und Luna vorgesehen. (ai.google.dev)

Für eine Produktionsanwendung entstehen daraus mindestens fünf unabhängige Risiken:

1. Unterschiedliche Request-Strukturen: Rollen, Inhaltsblöcke, Anhänge und Werkzeuge werden nicht zwingend in derselben Objektstruktur übertragen.
2. Andere Antwortobjekte: Ein Textsegment kann bei einem Anbieter direkt im Antwortfeld liegen, während der andere Anbieter mehrere Output-Elemente, Tool-Ereignisse oder Statusobjekte liefert.
3. Abweichende Zustandsverwaltung: Serverseitige Gesprächs-IDs, manuell verwaltete Historien und verschlüsselte Denk- oder Statusobjekte dürfen nicht vermischt werden.
4. Nicht identische Parameternamen: Sampling-, Reasoning-, Cache- und Ausführungsparameter haben unterschiedliche Namen, Wertebereiche oder Lebenszyklen.
5. Verändertes Fehlerverhalten: Ein ungültiges Schema, ein abgelehnter Tool-Aufruf oder ein Timeout kann als HTTP-Fehler, unvollständige Antwort oder gültiges, aber fachlich unbrauchbares Ergebnis erscheinen.

Die häufigste Fehlannahme lautet: „Wenn beide Endpunkte JSON akzeptieren, kann mein Adapter die Antworten einfach umbenennen.“ In einfachen Single-Turn-Anwendungen kann das teilweise funktionieren. Bei einem Agenten mit mehreren Werkzeugen, Anhängen und strenger Ausgabevalidierung ist diese Annahme gefährlich.

Welche Eingaben können Sie übernehmen?

Bei der Migration sollten Sie Eingaben nicht als einen einzigen Prompt behandeln. Teilen Sie sie in fünf Bestandteile auf:

• Systemregeln und Sicherheitsvorgaben,
• Benutzertext,
• Gesprächshistorie,
• multimodale Anhänge,
• technische Steuerdaten wie Werkzeuge, Schema und Ausführungsparameter.

Der reine Benutzertext ist meist der am leichtesten wiederverwendbare Teil. Trotzdem sollten Sie die Rollenlogik prüfen. Eine Anweisung, die bei Gemini 3.6 Flash als Systeminhalt funktioniert, kann bei GPT-5.6 stärker oder schwächer gewichtet werden, wenn sie in eine andere Nachrichtenstruktur übertragen wird.

Bilder, PDFs und Videos dürfen ebenfalls nicht nur anhand des MIME-Typs migriert werden. Prüfen Sie, ob Ihr bestehender Adapter Daten inline übergibt, eine Datei-ID verwendet oder eine URL referenziert. Bei Datenschutz-relevanten Dokumenten ist außerdem zu klären, ob Dateien zwischengespeichert werden, wie lange sie verfügbar bleiben und ob Ihre Datenschutzerklärung für API-Workloads diese Verarbeitung abdeckt.

Die Gesprächshistorie ist noch kritischer. Bei einer serverseitigen Zustandsverwaltung kann eine Interaktions-ID den bisherigen Verlauf referenzieren. Im zustandslosen Betrieb muss Ihre Anwendung dagegen die vollständige, korrekt rekonstruierte Historie senden. Die Gemini-Dokumentation verlangt bei manueller Verwaltung unter anderem, Modellschritte, Funktionsaufrufe und Funktionsresultate vollständig weiterzugeben. (ai.google.dev)

GPT-5.6 verlangt bei manuell verwalteten Verläufen ebenfalls, vorherige Benutzereingaben und sämtliche relevanten Antwort-Elemente zu bewahren. Bei bestimmten Betriebsarten müssen zusätzlich verschlüsselte Reasoning-Elemente erneut übertragen werden. (developers.openai.com)

Kann eine bestehende Chat-Historie unverändert übernommen werden?

Nein, nicht als verlässliche Produktionsstrategie. Sie können den semantischen Inhalt übernehmen, sollten aber die Historie in ein neutrales internes Format überführen. Speichern Sie beispielsweise role, content, attachment, tool_name, tool_call_id, arguments, result und timestamp getrennt. Der jeweilige Anbieter-Adapter erzeugt daraus erst beim Versand das Zielmodellformat.

Tool-Aufrufe: Wo liegen die gefährlichsten Unterschiede?

Die Werkzeugaufruf-Migration scheitert selten an der Funktionsbeschreibung selbst. Häufiger bricht die Verarbeitung an der Verbindung zwischen Modellantwort, eigener Ausführung und Rückantwort.

Gemini kann Funktionsaufrufe mit einer strukturierten Kennung, Funktionsname und Argumenten zurückgeben. Die Anwendung führt die Funktion aus und sendet anschließend das Ergebnis als neuen Funktionsresultat-Schritt zurück. Mehrere Funktionsaufrufe in einem Durchlauf sowie sequenzielle Aufrufe werden unterstützt. (ai.google.dev)

Bei GPT-5.6 sollten Sie dagegen das konkrete Output-Ereignis, die call_id, die Zuordnung zum Aufrufer und gegebenenfalls zusätzliche Programm- oder Ergebnisobjekte erfassen. Bei Programmatic Tool Calling können mehrere Werkzeugergebnisse in einem Lauf verarbeitet werden; Ihre Anwendung muss dann nicht nur einfache Funktionsaufrufe, sondern auch Programm- und Ausgabeobjekte behandeln. (developers.openai.com)

Ein robuster Adapter sollte deshalb nicht nur diese Funktion anbieten:

execute_tool(name, arguments)

Sinnvoller ist ein Protokoll mit mindestens:

validate_tool_call()
authorize_tool_call()
execute_tool()
normalize_tool_result()
append_continuation_event()

Prüfen Sie bei jedem Aufruf:

1. Existiert der Werkzeugname in der erlaubten Werkzeugliste?
2. Sind alle Pflichtargumente vorhanden?
3. Stimmen Datentypen, Enum-Werte und Einheiten?
4. Darf der aktuelle Benutzer diese Funktion ausführen?
5. Ist der Aufruf idempotent oder könnte ein Wiederholungsversuch eine Doppelaktion auslösen?
6. Wurde das Ergebnis mit derselben Aufrufkennung zurückgegeben?
7. Ist die Antwort vollständig oder muss die Anwendung einen weiteren Modellturn starten?

Werkzeugaufrufe und strukturierte Ausgabe nicht vermischen

Funktion Calling und strukturierte Ausgabe erfüllen unterschiedliche Aufgaben. Ein Werkzeugaufruf veranlasst Ihre Anwendung zu einer Aktion. Eine strukturierte Ausgabe beschreibt normalerweise das gewünschte Endergebnis für Ihre Anwendung oder Benutzeroberfläche.

Die Gemini-Dokumentation trennt diese Anwendungsfälle ausdrücklich und beschreibt für strukturierte Ausgaben nur einen Teilumfang von JSON Schema. Unterstützt werden beispielsweise Objekte, Arrays, Zeichenketten, Zahlen, boolesche Werte und bestimmte Einschränkungen wie required, enum, minimum oder maximum. (ai.google.dev)

Wenn Ihr bestehendes Schema komplexe Konstrukte wie rekursive Referenzen, spezielle Formatprüfungen, umfangreiche Kompositionslogik oder sehr strikte Zusatzschlüssel verwendet, sollten Sie es für beide Zielsysteme auf den kleinsten gemeinsamen Nenner reduzieren. Die Validierung muss anschließend in Ihrer Anwendung erfolgen, nicht nur durch das Modell.

Was sind typische Probleme bei der Werkzeugaufruf-Migration?

Typisch sind fehlende Pflichtfelder, eine andere Position der Aufrufkennung, parallele Aufrufe, die versehentlich sequenziell verarbeitet werden, und ein Tool-Ergebnis, das an den falschen vorherigen Turn angehängt wird. Zusätzlich kann eine Anwendung nach einer Fehlermeldung blind wiederholen und dadurch eine nicht idempotente Aktion zweimal ausführen. Jeder Retry benötigt deshalb eine eigene Ausführungskennung und eine fachliche Prüfung.

Wie sollten Parameter, Streaming und Fehler abgebildet werden?

Die Migration von Parametern sollte über eine explizite Zuordnungstabelle erfolgen. Kopieren Sie nicht alle bisherigen Parameter in den neuen Request. Unbekannte oder veraltete Felder können die Anfrage ablehnen oder scheinbar akzeptiert werden, ohne denselben Effekt zu haben.

Besonders wichtig sind:

• temperature, top_p und top_k,
• Reasoning- beziehungsweise Thinking-Einstellungen,
• maximale Ausgabelänge,
• Stop-Sequenzen,
• Cache-Einstellungen,
• Tool-Ausführungsmodus,
• Zeitüberschreitungen und Retry-Limits.

Für Gemini 3.6 Flash weist die aktuelle Änderungsdokumentation darauf hin, dass temperature, top_p und top_k als veraltet gelten. Diese Felder sollten bei einer Migration nicht ungeprüft weitergesendet werden. (ai.google.dev)

GPT-5.6 verwendet für die Denkleistung unter anderem reasoning.effort mit mehreren Stufen. Die empfohlene Migration besteht nicht darin, einfach einen Zahlenwert des alten Systems zu kopieren, sondern die bisherige Qualitäts- und Latenzstufe als Ausgangspunkt zu messen. (developers.openai.com)

Beim Streaming müssen Sie ebenfalls Ereignisse normalisieren. Schreiben Sie keinen Parser, der ausschließlich auf ein einzelnes Textfeld wartet. Ihr internes Ereignismodell sollte mindestens folgende Zustände kennen:

• Antwort begonnen,
• Textfragment empfangen,
• Werkzeugaufruf begonnen,
• Werkzeugargumente vollständig,
• Werkzeugresultat empfangen,
• Antwort abgeschlossen,
• Antwort abgebrochen,
• Fehler oder Timeout.

Ein unvollständiges JSON-Fragment darf nicht direkt an den Benutzer oder an einen nachgelagerten Parser gelangen. Puffern Sie Fragmente, erkennen Sie das Ende des Ereignisses und validieren Sie erst dann.

Praxis-Hinweis: Behandeln Sie jede gestreamte Antwort als potenziell unvollständig. Ein TCP-Abbruch, ein Anbieter-Timeout oder ein moderierter Inhalt kann mitten in einem Satz oder innerhalb eines JSON-Objekts auftreten. Ihre Anwendung braucht deshalb einen kontrollierten Zustand „nicht abgeschlossen“ und darf diesen nicht als erfolgreiche Antwort verbuchen.

Was müssen Sie vor dem Produktivstart testen?

Wenn Sie sich fragen, wie eine große Modell-API-Migration durchgeführt wird, hilft ein streng begrenzter Ablauf besser als ein vollständiger Rewrite auf einmal.

1. Erstellen Sie ein neutrales internes Datenmodell

Definieren Sie zuerst die eigene Schnittstelle. Sie sollte nicht die Objektnamen eines einzelnen Anbieters widerspiegeln. Trennen Sie Nachrichten, Anhänge, Werkzeuge, Toolresultate, Statusereignisse und Abrechnungsmetadaten.

2. Erfassen Sie repräsentative Produktionsfälle

Nehmen Sie echte, anonymisierte Aufgaben aus fünf Gruppen:

1. einfache Textantworten,
2. strukturierte JSON-Ausgaben,
3. ein einzelner Werkzeugaufruf,
4. mehrere oder parallele Werkzeugaufrufe,
5. mehrstufige Gespräche mit Anhängen.

Ein Satz aus zehn künstlichen Prompts reicht nicht aus. Verwenden Sie Fälle, die in der Vergangenheit bereits zu Retries, manuellen Korrekturen oder Supportanfragen geführt haben.

3. Führen Sie einen Schema- und Parser-Test durch

Prüfen Sie nicht nur, ob JSON syntaktisch gültig ist. Testen Sie Pflichtfelder, zusätzliche Eigenschaften, Nullwerte, Enum-Abweichungen, Zahlen als Zeichenketten und abgeschnittene Antworten. Der Test muss außerdem zeigen, ob ein fachlich unvollständiges Ergebnis korrekt abgelehnt wird.

4. Wiederholen Sie Werkzeugfälle mit Nebenwirkungen

Für schreibende Aktionen verwenden Sie zunächst eine Simulationsumgebung. Prüfen Sie, ob ein Retry eine doppelte Bestellung, eine doppelte E-Mail oder einen zweiten Datenbankeintrag auslösen könnte. Erst wenn Aufrufkennung, Idempotenzschlüssel und Autorisierung funktionieren, darf der Test in eine begrenzte Produktionsumgebung wechseln.

5. Messen Sie Qualität, Latenz und Ressourcen getrennt

Ein Modellwechsel ist nicht erfolgreich, wenn nur die Antwortzeit sinkt. Erfassen Sie mindestens:

• Erfolgsquote der Gesamtaufgabe,
• korrekte Werkzeugausführung,
• Schema-Validierungsquote,
• Zahl der Retries,
• Zeit bis zum ersten Token,
• Zeit bis zur vollständigen Antwort,
• Eingabe- und Ausgabetoken,
• geschätzte Kosten pro erfolgreicher Aufgabe.

Achten Sie auf den Unterschied zwischen Kosten pro Anfrage und Kosten pro erfolgreicher Aufgabe. Ein günstiger Request, der häufiger wiederholt oder manuell repariert werden muss, kann im Betrieb teurer sein.

6. Starten Sie mit Schattenverkehr

Senden Sie eine Kopie ausgewählter Anfragen an das Zielmodell, ohne dessen Antwort an Benutzer oder Systeme weiterzugeben. Vergleichen Sie beide Ausgaben automatisiert und lassen Sie sensible Fälle zusätzlich manuell bewerten. Bei personenbezogenen Daten müssen Sie die Datenminimierung und Ihre Hinweise zu Datenschutz und Verarbeitung berücksichtigen.

7. Aktivieren Sie einen begrenzten Graustufen-Rollout

Beginnen Sie mit einer kleinen Nutzergruppe, einer einzelnen Region oder einem nicht kritischen Workflow. Legen Sie vorab Abbruchgrenzen fest, etwa eine erhöhte Schemafehlerquote, eine wachsende Werkzeug-Fehlerquote oder eine definierte Latenzverschlechterung.

8. Halten Sie den Rückfall technisch bereit

Ein Rückfall darf nicht erst durch eine neue Anwendungsversion möglich werden. Verwenden Sie eine serverseitige Modellkonfiguration, einen Feature-Schalter oder einen Routing-Dienst. Speichern Sie außerdem die ursprüngliche Anfrage, normalisierte Tool-Ereignisse, Modellkennung, Adapterversion und Fehlerklasse, damit ein Vorfall nachvollziehbar bleibt.

VpsGona-Praxisprotokoll: Welche Daten müssen Sie wirklich vergleichen?

Das VpsGona-Modul zur API-Migrationskompatibilität sollte nicht aus einem allgemeinen Modellvergleich bestehen. Entscheidend ist derselbe Workflow mit denselben anonymisierten Testfällen und identischen Werkzeugdefinitionen.

Für jeden Testfall sollte das Protokoll folgende Felder enthalten:

• Fallkennung und fachlicher Zweck,
• Eingabetyp und Anhangsgröße,
• verwendete Modellkennung,
• Adapterversion,
• Anzahl der Modellturns,
• Zahl der Werkzeugaufrufe,
• korrekte oder fehlerhafte Argumente,
• Schema-Validierung,
• Zeit bis zum ersten Token,
• Zeit bis zum Abschluss,
• Retry-Grund,
• Ergebnis der fachlichen Prüfung.

Wichtig ist, keine Erfolgsquote vorwegzunehmen. Die Werte müssen aus dem tatsächlichen VpsGona-Lauf stammen. Ein belastbarer Bericht trennt außerdem zwischen „API-Anfrage akzeptiert“, „JSON syntaktisch gültig“, „Schema erfüllt“, „Werkzeug korrekt ausgeführt“ und „Geschäftsaufgabe erfolgreich abgeschlossen“. Diese fünf Zustände sind nicht identisch.

Die technische Umgebung sollte reproduzierbar sein: feste SDK-Version, protokollierte Adapterversion, definierte Timeoutwerte, identische Testdaten und ein festgelegtes Zeitfenster. Bei einem späteren Vergleich müssen Sie dokumentieren, ob Anbieter, Modellalias oder API-Version zwischen den Läufen geändert wurden.

Direkt wechseln oder dauerhaft eine doppelte Adapterschicht betreiben?

Ein direkter Wechsel kann sinnvoll sein, wenn Ihre Anwendung überwiegend aus Single-Turn-Textanfragen besteht, keine kritischen Werkzeuge ausführt und strukturierte Ausgaben nur lokal validiert. Der Änderungsumfang bleibt dann häufig auf Modellrouting, Authentifizierung, Inhaltsformat und Parser begrenzt.

Eine doppelte Adapterschicht ist meist robuster, wenn mehrere der folgenden Punkte zutreffen:

• produktive Aktionen werden über Werkzeuge ausgelöst,
• Gesprächszustände laufen über viele Turns,
• Sie benötigen Anbieter-Redundanz,
• Datenschutz- oder Aufbewahrungsanforderungen unterscheiden sich,
• Ihre Anwendung verarbeitet mehrere Medienarten,
• ein Modellalias kann sich ohne vollständige Codeänderung weiterentwickeln,
• die Rückfallzeit muss unter wenigen Minuten bleiben.

Die zusätzliche Schicht verursacht zunächst Entwicklungs- und Testaufwand. Dafür vermeiden Sie, dass jeder Anbieterwechsel sämtliche Geschäftslogik, Parser und Monitoring-Komponenten berührt. Die zentrale Regel lautet: Geschäftslogik entscheidet, was ausgeführt wird; der Anbieteradapter entscheidet, wie eine Anfrage und Antwort technisch dargestellt werden.

Welche Migrationsstrategie passt zu Ihrer Anwendung?

Kosten und Betriebsaufwand richtig vergleichen

Vergleichen Sie nicht nur veröffentlichte Tokenpreise. Die Anbieter veröffentlichen unterschiedliche Modellstufen und Abrechnungsregeln. Für Gemini 3.6 Flash nennt die aktuelle Modelldokumentation 1,50 US-Dollar je eine Million Eingabetoken und 7,50 US-Dollar je eine Million Ausgabetoken. Für GPT-5.6 werden je nach Stufe unterschiedliche Preise angegeben; die offizielle Veröffentlichung nennt für Sol, Terra und Luna jeweils eigene Eingabe- und Ausgaberaten. (ai.google.dev)

Für Ihre Entscheidung zählen zusätzlich Cache-Schreibvorgänge, Cache-Lesevorgänge, Retries, Tool-Fehler, längere Kontexte und die Kosten Ihrer eigenen Ausführungsumgebung. Die folgende Tabelle ist deshalb als Prüfschema zu verstehen, nicht als pauschale Preisempfehlung.

Was sollten Sie am Tag der Umschaltung kontrollieren?

Erstellen Sie für den Umschalttag eine kurze, ausführbare Checkliste:

1. Zielmodell und API-Version sind fest konfiguriert.
2. Alte Route bleibt sofort aktivierbar.
3. Geheimnisse und Berechtigungen sind geprüft.
4. Werkzeugdefinitionen wurden gegen das Zielschema validiert.
5. Streaming- und Nicht-Streaming-Pfade wurden separat getestet.
6. Strukturierte Ausgaben werden vor der Weitergabe validiert.
7. Metriken für Toolfehler, Schemafehler, Latenz und Retries sind sichtbar.
8. Ein Testfall mit Mehrturn-Historie wurde erfolgreich ausgeführt.
9. Schreibende Werkzeuge laufen zunächst mit begrenzten Berechtigungen.
10. Die Rückfallentscheidung und verantwortliche Person sind dokumentiert.

Prüfen Sie außerdem die organisatorische Seite: Aufbewahrung von Logs, Zugriff auf Gesprächsinhalte, Verarbeitung personenbezogener Daten und regionale Anforderungen. Die Service- und Nutzungsbedingungen von VpsGona sollten in Ihre interne Dokumentation aufgenommen werden, wenn Infrastruktur, Zugriff oder Betriebsverantwortung zwischen Teams verteilt sind.

Ist Gemini 3.6 Flash und GPT-5.6 API-Migration für Sie jetzt sinnvoll?

Wenn Ihre aktuelle Lösung nur einfache Antworten erzeugt, kann eine Migration mit überschaubarem Aufwand möglich sein. Sobald jedoch Werkzeuge, Anhänge, strukturierte Ausgaben oder lange Gesprächszustände beteiligt sind, ist ein reiner Modelltausch keine belastbare Strategie. Die sichtbare Syntax mag ähnlich sein; das Verhalten bei Ereignisreihenfolge, Zustandsfortsetzung, Schemafehlern und Retries kann trotzdem abweichen.

Für eine produktive Umgebung ist ein direkter Wechsel häufig deshalb ungünstig, weil Sie gleichzeitig Parser, Telemetrie, Fehlerbehandlung und Rollback verändern müssten. Eine dauerhaft doppelte Adapterschicht kostet zwar zunächst zusätzliche Entwicklungszeit, reduziert aber die Abhängigkeit von einem einzelnen API-Format und macht spätere Modellwechsel kontrollierbarer.

Wenn Ihre Tests derzeit auf einer lokal verwalteten oder schwer reproduzierbaren Umgebung laufen, entstehen zusätzlich typische Nachteile: wechselnde SDK-Versionen, unklare Netzwerkbedingungen, fehlende Dauerprotokollierung und ein Rückfall, der im Ernstfall manuell vorbereitet werden muss. Für wiederholbare Migrationsläufe ist es deshalb oft praktischer, eine stabile Mac-Umgebung zu mieten, Testdaten und Adapter reproduzierbar auszuführen und den Rollout getrennt vom Arbeitsplatz zu überwachen. Mit VpsGona können Sie eine solche Mac-Umgebung für Test, Regression und kontrollierte Umschaltung nutzen, ohne die gesamte Infrastruktur dauerhaft selbst vorzuhalten.

Kopieren Sie sich vor dem Wechsel die Prüfschritte aus diesem Leitfaden, beginnen Sie mit Werkzeugaufrufen und strukturierter Ausgabe und lassen Sie zunächst nur einen kleinen Teil des Verkehrs über das Zielmodell laufen. Erst wenn die VpsGona-Messwerte aus Ihrem echten Workflow die Qualitäts-, Latenz- und Fehlergrenzen erfüllen, sollten Sie entscheiden, ob ein direkter Wechsel genügt oder eine doppelte API-Adapterschicht langfristig die sicherere Lösung ist.

Weiterführende Lektüre

• Direkte API-Anbindung oder Gateway: Unterschiede bei Routing und Migration
• GPT-5.6 und Codex: Modellwahl, Agentenleistung und Effizienz im Vergleich