OpenAI hat bei Codex eine Änderung ausgerollt, die auf den ersten Blick nach Pricing-Kosmetik aussieht, operativ aber ziemlich weit reicht: Teams in ChatGPT Business und Enterprise können jetzt Codex-only Seats ohne fixe Seat-Gebühr hinzufügen und rein nach Tokenverbrauch zahlen.
Wenn du Agenten, Code-Automationen oder Review-Workflows im Team betreibst, ist das kein kleines Detail. Es verändert, wie Kosten sichtbar werden – und damit auch, wie schnell Teams produktive Nutzung intern durchbekommen.
Was wirklich neu ist
Laut OpenAI können Teams Codex jetzt auf zwei Arten fahren:
- Standard Business Seat: breiter ChatGPT-Zugriff inklusive begrenzter Codex-Nutzung.
- Codex-only Seat: kein fixer Seat-Preis, dafür tokenbasierte Abrechnung ohne klassische Rate-Limits.
Parallel wurde der jährliche Preis für ChatGPT Business von 25 auf 20 US-Dollar pro Seat und Monat gesenkt. Dazu kommt zeitlich begrenztes Onboarding-Guthaben für neue Codex-only Seats in Business-Workspaces.
Das Entscheidende daran: OpenAI koppelt Codex-Nutzung jetzt explizit an API-nahe Token-Logik. Auf der Pricing-Seite ist die Umstellung auf tokenbasierte Credits und Modell-spezifische Sätze bereits transparent dokumentiert.
Darum das für Agentic Ops mehr ist als Preispolitik
Viele Teams scheitern nicht am ersten Agent-Prototypen, sondern am Übergang in den Alltag: Wer bezahlt was, welche Workflows sind teuer, wo liegt der Verbrauch zwischen Input, Output und Cache, und warum wirkt die Rechnung am Monatsende höher als erwartet?
Message-basierte Limits waren für schnelles Experimentieren okay, aber schlecht für sauberes FinOps. Tokenbasierte Abrechnung ist härter, aber ehrlicher. Du siehst schneller:
- welcher Workflow wirklich teuer ist,
- welches Modell für welchen Job überdimensioniert ist,
- wo Kontextverschwendung stattfindet (z. B. zu große AGENTS.md, zu viele MCP-Server),
- und ob Automationen im Verhältnis zum Nutzen stehen.
Das ist besonders relevant für Agent-Setups mit gemischter Last: lokale schnelle Loops plus cloudbasierte Reviews, CI-Tasks oder längere Multi-Step-Runs.
Der praktische Haken: Kosten werden sichtbarer, aber nicht automatisch kleiner
Transparenz ersetzt keine Disziplin. Wenn Teams ohne Leitplanken in tokenbasiertes Usage-Modell gehen, verschiebt sich das Problem nur: von unklaren Seat-Limits zu klaren, aber schnell steigenden Verbrauchskurven.
Die drei wichtigsten Gegenmaßnahmen sind ziemlich unspektakulär – und genau deshalb wirksam:
- Budget pro Workflow statt pro Teamtopf: z. B. Incident-Fixes, PR-Review, Refactoring getrennt messen.
- Model-Tiering festlegen: Default klein/mittel, große Modelle nur für definierte Fälle.
- Kontext-Hygiene erzwingen: weniger Ballast in Prompts, MCP nur aktiv wenn nötig, Caching bewusst nutzen.
OpenAI nennt diese Hebel indirekt selbst in den Usage-Hinweisen (Promptgröße, AGENTS.md, MCP-Anzahl, Modellwahl). Genau dort liegt in der Praxis oft der größte Kosteneffekt.
Einordnung
Das Update ist weniger ein „neues Feature“ als ein Reifezeichen: Coding-Agent-Nutzung wird von pauschaler Seat-Logik in Richtung messbare Workload-Ökonomie geschoben. Für Engineering-Leads ist das gut, weil Architektur- und Budgetentscheidungen endlich auf derselben Datengrundlage landen.
Kurz gesagt: Wer Agentic Coding ernsthaft skaliert, bekommt jetzt bessere Kostenkontrolle – aber nur, wenn Governance und Prompt-Disziplin mitziehen.
Quellen
Primärquelle: OpenAI – Codex now offers pay-as-you-go pricing for teams: https://openai.com/index/codex-flexible-pricing-for-teams/
Primärquelle: OpenAI Developers – Codex Pricing (Token-/Credit-Rate-Details): https://developers.openai.com/codex/pricing
Zweitquelle: gHacks – Einordnung der Änderungen für Business/Enterprise Seats: https://www.ghacks.net/2026/04/03/openai-adds-pay-as-you-go-codex-seats-for-chatgpt-business-and-enterprise-teams/
Leave a Reply