GPT-6 Astra ist in Microsoft Copilot. Macht das Cowork besser?

Ich hab am Launchtag als Erstes ChatGPT im Browser aufgemacht und in der Modellliste nach Astra gesucht. War nicht da. Für ein paar Sekunden war da dieses Gefühl, hinten dran zu sein. Dann die Desktop-App geöffnet, gleiches Konto: da stand es. Kurz darauf auch im Browser. Ein Modell, ein Konto, zwei Clients, zwei Antworten.

Wenn du das Gefühl kennst, kennst du auch das eigentliche Thema dieses Textes, und es hat mit Astra wenig zu tun. Wenn dich jeder Modell-Launch nervös macht, hast du kein Modellproblem. Dir fehlt ein Prüfstand: eine feste Routine, mit der du in einer Woche klärst, ob ein neues Modell in deinen Tenant darf, was es dort kostet und wohin deine Daten dabei gehen. Astra in Copilot Cowork ist ein guter Anlass, so einen Prüfstand einmal aufzubauen. Und die Frage dahinter ist berechtigt: Wird Copilot Cowork mit Astra besser? Bei langen, mehrstufigen Aufgaben und bei Mails mit versteckten Anweisungen wahrscheinlich ja. Bei Berichten und Präsentationen deutet die unabhängige Messung eher in die andere Richtung. Und Computer Use, die Fähigkeit, über die gerade alle schreiben, spielt in Copilot Cowork überhaupt keine Rolle. Der Reihe nach.

‍

Das kannst du ab heute in Microsoft Copilot nutzen

Weil die Meldungen durcheinandergehen: Am 3. September hat OpenAI Astra vorgestellt und Microsoft es in Foundry freigeschaltet, erst über ein Limited-Access-Programm, seit dem Tag danach laut Azure-Blog allgemein verfügbar [1]. Am 4. September folgten GitHub Copilot für die Pläne Pro+, Max, Business und Enterprise [3] und Microsoft 365 Copilot [2]. Dort aber nur an zwei Stellen: in Copilot Cowork und in Copilot Studio. Copilot Chat, Word, Excel, PowerPoint, Outlook: nichts. Wer heute in Word nach dem Modellnamen sucht, sucht umsonst. Damit hat sich die Reihenfolge gedreht: Früher bekam der Chat für alle das neue Modell zuerst und die Unternehmenswerkzeuge irgendwann später. Diesmal war es umgekehrt.

‍

‍

Auch in Copilot Cowork siehst du Astra nicht unbedingt. Microsoft schreibt, die Verfügbarkeit variiere nach Region und Organisation, Admins steuern den Zugriff im Microsoft 365 Admin Center [2]. Und der Modell-Picker steht standardmäßig auf Auto. Auto wählt aus den Modellen, die dein Tenant freigeschaltet hat, du siehst höchstens hinterher am Badge der Antwort, welches Modell gearbeitet hat [6]. Die meisten Nutzer werden Astra also nie bewusst auswählen. Sie bekommen es, oder eben nicht.

Selbst Microsoft kommt hier nicht hinterher: Die Learn-Seite zu den Copilot-Cowork-Modellen listet Astra zwei Tage nach Launch noch nicht [6]. Für euch heißt das vor allem: Geduld einplanen und das vorher sagen. Wenn Microsoft ein Feature über die Tenants ausrollt, kann es heute bei euch stehen, morgen oder erst in zwei Wochen. Sagt das eurem Team, bevor die erste Person fragt, warum die Kollegin in der Nachbarabteilung etwas sieht, das bei ihr fehlt. Wir erleben regelmäßig, dass Adoption-Programme genau an dieser Stelle unnötig Vertrauen verlieren.

‍

Copilot Cowork ist nicht Computer Use

Die Zahl, die in fast jeder Meldung steht, kommt aus OSWorld 2.0, einem Benchmark für das Bedienen eines Rechners über Bildschirm, Maus und Tastatur. Astra erreicht dort 72,6 Prozent bei rund 40 Minuten pro Aufgabe, der Vorgänger GPT-5.6 Sol 65,7 Prozent bei 75 Minuten [4]. Das ist ein echter Sprung. Nur: Copilot Cowork bedient keinen Rechner. Es kann laut Microsofts eigener Doku keine lokalen Dateien lesen oder bearbeiten und arbeitet stattdessen über Work IQ mit OneDrive, SharePoint, Outlook, Teams und den Office-Diensten [8]. Browser-Aufgaben gibt es, einen Desktop, den Astra klicken könnte, nicht. Wer also schreibt, Astra könne jetzt Computer bedienen und deshalb werde Copilot Cowork besser, hat zwei Dinge verwechselt. Diesen Satz wirst du in den nächsten Wochen trotzdem oft lesen.

In Copilot Cowork kommt von Astra etwas deutlich Unauffälligeres an.

• Erstens die Verlässlichkeit bei langen Aufgaben. GitHub beschreibt aus internen Tests, dass Astra vorausplant, unterwegs prüft und Ergebnisse verifiziert, bevor es fertig meldet [3]. Genau das ist Copilot-Cowork-Arbeit: eine Aufgabe delegieren, zwanzig Minuten später ein Ergebnis bekommen, das stimmt.
• Zweitens, und das halte ich für den wichtigsten Punkt, die Widerstandsfähigkeit gegen fremde Anweisungen. Copilot Cowork liest deine Mails, deine Chats, deine Dokumente. Genau dort stecken indirekte Prompt Injections, etwa eine Mail mit einem versteckten Absatz, der dem Agenten etwas anderes sagt als du. OpenAI schreibt im Safety Overview, Astra sei deutlich schwerer aus dem Rahmen zu bringen als Sol, auch über lange Verläufe, und bleibe besser innerhalb dessen, was es darf. In 54.000 internen Codex-Aufgaben gab es etwa halb so viele Meldungen für schwerwiegendes Fehlverhalten [5]. Für ein Werkzeug mit Zugriff auf deinen Posteingang ist das relevanter als jeder Intelligenz-Index.
• Drittens die Halluzinationsrate. OpenAI misst im eigenen Benchmark einen Rückgang von 12,2 auf 4,2 Prozent [4], und Artificial Analysis bestätigt die Richtung unabhängig: In AA-Omniscience fällt die Halluzinationsrate von 92 auf 51 Prozent, bei gleichzeitig höherer Trefferquote [12].

Moment mal. Was OpenAI in seinen Launch-Unterlagen nicht erwähnt, hat Artificial Analysis nachgemessen. Bei GDPval-AA v2, einem Benchmark für wirtschaftlich relevante Aufgaben aus 44 Berufen, fällt Astra um rund 80 Elo-Punkte hinter Sol zurück. Bei AA-Briefcase, wochenlangen Wissensarbeits-Projekten über tausende Dateien, legt Astra um etwa denselben Betrag zu, verliert aber bei der Präsentationsqualität, wo Sol weiter vorn liegt. Dazu kleinere Rückgänge beim Kundensupport und beim Schlussfolgern über lange Dokumente [12]. Das ist gemischt. Und es ist ziemlich genau die Arbeit, die Copilot Cowork macht: Berichte, Tabellen, Präsentationen aus vielen Quellen. VentureBeat weist darauf hin, dass OpenAI seinen eigenen GDPval-Benchmark, der genau solche Aufgaben misst, in den Launch-Unterlagen diesmal nicht veröffentlicht hat [14]. Ich will da nichts hineinlesen. Aber ich hätte die Zahl gern gesehen.

Die Grenze zieht ausgerechnet Microsoft im eigenen Blog: Die Qualität hänge vom Modell und vom Kontext ab, über den es nachdenken kann [2]. Wenn euer SharePoint ein Friedhof aus Kopien ist und die Berechtigungen seit 2019 niemand angefasst hat, macht Astra das nicht besser. Es macht es schneller sichtbar. Die Orchestrierung, die Genehmigungsschritte vor riskanten Aktionen, die Anbindung an eure Daten: alles Microsofts Schicht, nicht OpenAIs. Wie Copilot Cowork das im Alltag anstellt, haben wir in unserer Cowork-Analyse auseinandergenommen.

‍

Die „OpenAI-Subprozessor-Falle“

In der Modellliste von Copilot Cowork steht bei GPT-5.6 Sol und GPT-5.6 Terra „Provided by OpenAI as a subprocessor“. Nur bei GPT-5.5 steht „Hosted in Azure AI Foundry“ [6]. Die neuesten OpenAI-Modelle in Copilot laufen also nicht in Microsofts eigener Infrastruktur, sondern bei OpenAI, als Auftragsverarbeiter unter Microsofts Vertrag. Astra wird aller Wahrscheinlichkeit nach denselben Weg nehmen. Bestätigt ist das noch nicht.

Die Zeitleiste dazu steht bei Microsoft Learn: OpenAI kam am 23. Juni auf die Subprocessor-Liste, war ab 9. Juli nutzbar, und seit dem 24. Juli ist der Zugang für alle Nutzer standardmäßig aktiviert, sofern der Admin nicht „Keine Nutzer“ einstellt [7]. Wer seit Juli nicht ins Admin Center geschaut hat, hat das also. Nicht, weil jemand es entschieden hätte, sondern weil niemand es entschieden hat.

‍

Ist das das Totschlagargument gegen Copilot? Nein. Subprocessors sind der Normalzustand jeder Cloud, Microsofts DPA und Product Terms gelten weiter, Enterprise Data Protection gilt, und für die genutzte Responses API nennt Microsoft Zero Data Retention [7]. Das ist etwas anderes, als ChatGPT direkt zu nutzen. Aber drei Ausnahmen zählen für deutsche Unternehmen. Die OpenAI-betriebenen Modelle sind in der EU Data Boundary enthalten, aber von In-Country-Processing-Zusagen ausgenommen. Europa ja, Deutschland nein [7]. Es fehlen Nachweise, unter anderem SOC 1 Typ 2 und PCI DSS, was für Banken, Zahlungsdienstleister und Teile des Gesundheitswesens kein Detail ist [7]. Und Zero Data Retention gilt „subject to limitations“, ohne dass Microsoft sagt, welche. Für Astra kommt dazu, dass OpenAI das Modell in Produktion mit einem Monitoring auf Fehlverhalten betreibt [4]. Wie sich das mit der Zusage verträgt, nichts aufzubewahren, hat bisher niemand beantwortet. Wer bei Nachweispflichten an den EU AI Act denkt, liegt richtig, dazu mehr in Beitrag über den EU-AI-Act.

Und für alle, die den Schalter suchen: Im Microsoft 365 Admin Center unter Copilot, dann Settings, dann View all, findest du den Eintrag „AI providers operating as Microsoft subprocessors“. Dort steht OpenAI, und du kannst wählen, ob alle Nutzer, bestimmte Gruppen oder niemand die OpenAI-betriebenen Modelle nutzen dürfen [7]. Du brauchst die Rolle AI Administrator oder Global Administrator. Ohne den Schalter fallen Sol, Terra und Astra weg, GPT-5.5 bleibt. Ob ihr ihn umlegt, ist eure Sache. Aber trefft die Entscheidung, statt sie geerbt zu haben.

‍

Der Taxameter läuft. Aber nicht wegen Astra.

Copilot Cowork ist seit dem 16. Juni allgemein verfügbar und rechnet nutzungsbasiert ab, in Copilot Credits, ein Cent pro Credit im Pay-as-you-go, zusätzlich zur Copilot-Lizenz [9]. Der Preis einer Aufgabe ergibt sich aus vier Größen: dem Modell, dem abgerufenen Kontext, den Tool-Aufrufen und der Laufzeit. Aus dem Frontier-Programm hat Microsoft drei Muster genannt, leichte, mittlere und schwere Aufgaben, und die häufigste Kundenfrage sei, wie man das budgetiert [9]. Eine Aufgabe in Copilot Cowork ist kein Chat-Prompt. Sie ist Dutzende Modellaufrufe hintereinander, und sie kostet Euro, nicht Cent.

Die naheliegende Rechnung geht so: Astra kostet in der API zweieinhalbmal so viel wie Sol, nämlich 10 statt 4 Dollar pro Million Eingabe-Tokens und 50 statt 20 für die Ausgabe [1]. Wird Copilot Cowork damit zweieinhalbmal so teuer?

Nicht unbedingt. In Copilot Cowork zahlst du nicht pro Token, sondern pro Aufgabe. Und wie viele Tokens eine Aufgabe verbraucht, hängt vom Modell ab. Astra arbeitet sparsamer als Sol, frisst den höheren Tokenpreis also teilweise wieder auf.

Wie stark, hat Artificial Analysis gemessen [12]. Bei agentischen Coding-Aufgaben braucht Astra nur ein Drittel der Tokens von Sol. Auf der höchsten Effort-Stufe kostet so eine Aufgabe am Ende etwa so viel wie vorher mit Sol. Bei allgemeineren Aufgaben spart Astra dagegen nur rund zehn Prozent Tokens, und dann bleibt ein Aufpreis von 75 Prozent pro Aufgabe stehen.

Der Aufschlag liegt also irgendwo zwischen null und drei Vierteln. Wo genau, entscheidet sich daran, was du delegierst. Brockman hat im Briefing gesagt, der Preis pro Token sage nichts mehr aus, es zähle der Preis pro Aufgabe [13]. Damit hat er recht. Nur ist das kein Argument für Astra, sondern eins fürs Nachmessen.

Sicher steigt dagegen die Spannweite. Dieselbe Aufgabe kostet mit Terra auf niedrigem Effort einen Bruchteil dessen, was sie mit Astra auf Extra hoch und viel Work-IQ-Kontext kostet [6]. Zwischen der günstigsten und der teuersten Einstellung liegen Welten, und beide sind einen Klick voneinander entfernt.

Der stille Kostentreiber heißt Auto. Wer Astra freischaltet, erlaubt Auto, es auszuwählen. Nach welchen Kriterien Auto dabei zwischen Qualität und Preis abwägt, steht nirgends. Und was Microsoft für Astra in Copilot Cowork pro Credit berechnet, steht bisher auch nirgends. GitHub verrechnet Astra zum Listenpreis des Anbieters [3]. Ob Microsoft das genauso macht, weiß ich nicht.

Die Kontrollen dafür gibt es längst: Budgets, Warnungen und harte Kappungen pro Nutzer und Gruppe im Admin Center, Kosten pro Aufgabe sichtbar für den, der sie startet, und Kreditanfragen statt stiller Überschreitung [10]. Wer die gesetzt hat, kann Astra freischalten und zuschauen. Wer sie nicht gesetzt hat, hat ein Kostenproblem, das mit Astra nichts zu tun hat.

‍

Bei uns bricht Astra in Copilot Cowork mit einem EU-Fehler ab

Am 6. September haben wir in unserem eigenen Tenant nachgesehen. Astra steht im Modell-Picker von Copilot Cowork: oben Auto, darunter GPT von OpenAI und Claude von Anthropic, und unter GPT stehen GPT 6 Astra, GPT 5.6 Sol, GPT 5.6 Terra und GPT 5.5. Daneben die Effort-Stufe, bei uns auf „Extra hoch“. Auswählen lässt sich Astra also.

Ausführen nicht. Wir haben eine harmlose Aufgabe auf den Posteingang losgelassen, sinngemäß die Frage, wie viele Mails sich problemlos löschen lassen, weil es Spam und Werbung ist. Nach fünf Wiederholungen und gut 31 Sekunden kam das hier zurück:

Execution failed: Error: Failed to get response from the AI model; retried 5 times (total retry wait time: 31.12 seconds) Last error: Attempted to access resource from outside project geography EU

‍

‍

Die Aufgabe hat das Modell nie erreicht. Der Fehler sagt, es wurde versucht, auf eine Ressource außerhalb der Projektgeografie EU zuzugreifen. Das passt zu dem, was oben aus der Dokumentation kommt: Astra läuft laut Azure-Blog in der Global- und in der US-Data-Zone [1], und die OpenAI-betriebenen Modelle sind von In-Country-Zusagen ausgenommen [7]. Wenn dein Tenant auf EU festgelegt ist, läuft die Anfrage gegen genau diese Wand.

Eine allgemeine Aussage machen wir daraus nicht. Ein Tenant, ein Tag, mitten im Rollout. Es kann ein Rollout-Artefakt sein, das nächste Woche verschwunden ist. Es kann auch die Datenresidenz sein, die sich hier zum ersten Mal praktisch zeigt. Wir wissen es noch nicht.

Für dich heißt das: Wenn diese Meldung bei euch auftaucht, liegt es nicht an eurem Prompt und nicht an eurer Lizenz. Schaut nach, auf welche Geografie euer Tenant festgelegt ist und in welchen Data Zones das gewählte Modell überhaupt läuft. Und die größere Lehre: Ein Eintrag im Modell-Picker ist keine Verfügbarkeit. Er ist erstmal nur ein Eintrag im Modell-Picker.

‍

20 Aufgaben, eine Woche, eine Zahl

Noch ein Wort zu den Zahlen, mit denen dir gerade alle kommen. OpenAI-Präsident Greg Brockman hat das Pressebriefing zum Launch laut übereinstimmenden Berichten von Axios und VentureBeat mit den Worten beendet, willkommen in der AGI-Ära [13]. Im selben Briefing sagte Chefwissenschaftler Jakub Pachocki sinngemäß, Fortschritt bei der Intelligenz garantiere keinen Fortschritt beim Alignment, und OpenAI werde die weitere Skalierung aussetzen, falls die Überwachbarkeit der Modelle unter ein bestimmtes Niveau falle [14]. Derselbe Raum, derselbe Tag. Die Zahlen dazu: In OpenAIs eigener Benchmark-Tabelle liegt Astra beim Artificial Analysis Intelligence Index bei 61,2 Punkten, Claude Fable 5.1 bei 65,7, Opus 5 bei 63,1 [4]. Bei ARC-AGI-3 kursieren zwei Zahlen, und die ARC Prize Foundation hat beide selbst geprüft und beide als Bestwert eingeordnet: 62,7 Prozent mit dem Standard-Harness, das ARC an alle Anbieter ausliefert, und 99,9 Prozent mit einem Provider-Adapter, der dem Modell erlaubt, seinen Denkstand zwischen den Zügen zu behalten [11]. Dasselbe Modell, 37 Punkte Unterschied, und der Unterschied steckt nicht im Modell, sondern in der Umgebung drumherum. Das ist der brauchbarste Befund des ganzen Launches, und er sagt genau das, worauf dieser Artikel hinausläuft. Und beim Humanity's Last Exam, einem Test mit Expertenfragen aus Mathematik, Naturwissenschaften und Geisteswissenschaften, misst Artificial Analysis für Astra 54,7 Prozent, für Claude Fable 5.1 59,1 und für Sol 49,5 [15]. Fünf Punkte vor dem Vorgänger, vier hinter dem Wettbewerber. Für eine AGI-Ära ist das dünn.

Für Copilot Cowork sagt es fast nichts, dort beantwortet niemand Expertenfragen, dort werden Tabellen gebaut. Skandalös ist daran nichts. Nur beantwortet kein einziger dieser Werte die Frage, ob Astra in eurem Copilot Cowork mit euren Daten und euren Aufgaben besser ist als das, was ihr heute nutzt. Das kann dir nur eure eigene Messung sagen.

Sobald Astra bei uns durchläuft, machen wir Folgendes, und das empfehle ich dir auch: 20 bis 50 echte Aufgaben aus eurem Copilot-Cowork-Alltag zusammenstellen. Die Routinefälle, die schweren Fälle, und die, bei denen zuletzt jemand von Hand nachbessern musste. Dieselben Aufgaben einmal mit Auto laufen lassen und einmal mit Astra explizit. Gemessen wird nicht, wie klug die Antwort klingt. Gemessen wird, wie oft sie im ersten Durchgang angenommen wurde, wie oft jemand nachbessern musste, wie lange das Review dauerte und was jede Aufgabe an Credits gekostet hat. Am Ende steht eine Zahl: Credits pro akzeptiertem Ergebnis, Auto gegen Astra. Der Prüfstand kostet dich eine Woche. Danach ist die Entscheidung keine Bauchsache mehr.

Das meine ich mit KI-Resilienz, und es hat wenig mit Gelassenheit zu tun. Der Prüfstand steht schon, wenn das nächste Modell kommt. Wer ihn hat, ist fertig, bevor die Diskussion im Haus überhaupt losgeht. Wer ihn nicht hat, öffnet wieder ChatGPT und spürt den Stich.

Wenn ihr beim nächsten Modell nicht wieder bei null anfangen wollt: Im KI-Strategie-Review gehen wir mit dir durch, wer bei euch entscheidet, welche Schalter im Tenant überhaupt stehen und woran ihr ein Modell messt. Danach habt ihr euren Prüfstand, und der nächste Launch ist eine Meldung, keine Aufregung.

‍