Warum OpenAI die Codex- und ChatGPT-Work-Limits am 29. August zurücksetzte

Kein dauerhaft größeres Kontingent

OpenAIs Reset vom 29. August 2026 war vor allem eine Korrekturmaßnahme für zahlende Nutzer von Codex und ChatGPT Work. Bei ihnen konnte das verfügbare Guthaben durch ineffizientes Produktverhalten oder Hintergrundprozesse schneller sinken, als es die eigentliche Programmierarbeit erwarten ließ. Die betroffenen Abonnement-Kontingente wurden automatisch wiederhergestellt – Nutzer mussten also keine individuellen Erstattungsanträge stellen. Die API ist davon getrennt: Dort wird der Verbrauch tokenbasiert gemessen und separat abgerechnet. 4 17

Wichtig ist die Unterscheidung zwischen mehr nutzbarer Leistung und einem größeren Zahlenwert im Kontingent. Berichte zum OpenAI-Update zufolge sollen die behobenen Probleme dazu führen, dass dasselbe Kontingent je nach Nutzungsprofil etwa 10 bis 50 Prozent länger reicht. Eine dauerhafte Erhöhung aller Limits um 10 bis 50 Prozent wurde damit nicht angekündigt. 8 4

Welche Prozesse verbrauchten Guthaben?

OpenAI-Ingenieur Thibault Sottiaux, in der Community meist „Tibo“ genannt, hatte zunächst drei besonders auffällige Verbrauchsquellen genannt:

• Bildlastige Sitzungen und Kontextkomprimierung: In langen Sitzungen mit mehreren Komprimierungen wurden ältere Bilder offenbar nicht effizient genug aus dem Kontext entfernt. Ein Changelog bestätigt inzwischen, dass behaltene Bilder standardmäßig zum Kontextbudget zählen und ältere Bilder bei Bedarf entfernt werden. 15 30
• Computer History: Bei besonders hoher Nutzung verursachte die Funktion ungewöhnlich viel zusätzlichen Verbrauch. Computer History macht Aktivitäten aus verbundenen Apps und Websites für ChatGPT und Codex durchsuchbar.
• Automatische Unterhaltungstitel: Eine Funktion zur Titelgenerierung nutzte mehr Kontingent als vorgesehen – für eine Aufgabe, die mit dem eigentlichen Programmierauftrag nichts zu tun hatte. 15

Spätere Berichte beschrieben insgesamt acht behobene Probleme. Dazu gehörten demnach auch Agenten, die nach dem faktischen Erreichen ihres Ziels weiterarbeiteten, Unteragenten, die auf teurere Modelle wechselten, sowie fehlerhaft konfigurierte geplante Automatisierungen. 4 8

Wie konnte der Verbrauch unbemerkt steigen?

Für Nutzer wirkt ein Kontingent oft wie ein einfacher Balken: Man stellt eine Aufgabe und sieht ein Ergebnis. Im Hintergrund können jedoch zahlreiche zusätzliche Modell- und Tool-Aufrufe stattfinden.

• Bei wiederholter Kontextkomprimierung konnten Bilder erneut verarbeitet werden und damit zusätzliche Bild- beziehungsweise Vision-Arbeit auslösen.
• Ein Agent, der nicht rechtzeitig stoppt, kann weiter Modellaufrufe und Werkzeuge verwenden, obwohl das Ziel praktisch schon erreicht ist.
• Computer History kann zusätzliche Verlaufs- und Kontextdaten bereitstellen.
• Automatisch erzeugte Titel erzeugen Hintergrund-Inferenz ohne neue Nutzeranfrage.
• Ein Unteragent mit einem kostspieligeren Modell verbraucht pro delegierter Aufgabe mehr Rechenleistung.
• Geplante Automatisierungen können Arbeit wiederholt oder zu einem Zeitpunkt starten, den Nutzer nicht beabsichtigt hatten.

Diese Mechanismen erklären, warum das Kontingent bei manchen Nutzern schneller schrumpfte als die sichtbare Menge an Code vermuten ließ. Eine verlässliche, öffentlich dokumentierte Einzelaufstellung aller acht Korrekturen sowie eine exakte Einsparung pro Fehler liegt jedoch nicht vor.

Wer profitiert am stärksten von den Fixes?

Die Angabe von 10 bis 50 Prozent beschreibt mehr nutzbare Arbeit bei unverändertem Kontingent, nicht eine entsprechende Erhöhung des Kontingents selbst. Besonders stark dürften Nutzer profitieren, die lange Sitzungen mit vielen Bildern, Computer History, mehreren Agenten oder geplanten Aufgaben ausführen. Bei kurzen, rein textbasierten Coding-Sitzungen kann der Unterschied dagegen gering ausfallen. 8

Der Bild-Fix ist durch den veröffentlichten Changelog belegt. Eine belastbare öffentliche Quelle nennt jedoch keine genaue, für alle Konten geltende Reduzierung des Bildverbrauchs. Wer vom problematischen Verhalten nie betroffen war, muss deshalb nach dem Reset kaum eine praktische Veränderung bemerken.

Was Sottiaux am 24. August ankündigte

Am 24. August erklärte Sottiaux, das Team habe zunächst die drei genannten Verbrauchsquellen identifiziert. Eine sogenannte „Tiger-Team“-Gruppe sollte Nutzerberichte systematisch auswerten und kurzfristig Korrekturen veröffentlichen. 15 Später hieß es, das Team habe vor dem umfassenderen Reset Tausende von Berichten geprüft. 8

Der Ablauf ist entscheidend: Der Reset wurde als Ausgleich während der Fehlerbehebung dargestellt – nicht als Beleg dafür, dass OpenAI die Abonnement-Limits dauerhaft angehoben hätte.

Warum das Timing besonders heikel war

Codex und ChatGPT Work wuchsen im selben Zeitraum sehr schnell. Sekundärberichte veranschlagten die gemeinsame Nutzung bei rund 8 Millionen Nutzern Mitte Juli, 15 Millionen Mitte August und 20 Millionen am 21. August. 10 23

Parallel wurde GPT-5.6 Sol eingeführt. Reuters berichtete, dass OpenAI den Preis für Sol am 21. August auf 4 US-Dollar pro Million Eingabe-Tokens und 20 US-Dollar pro Million Ausgabe-Tokens senkte. 17 OpenAI beschreibt GPT-5.6 als Modellfamilie für ChatGPT, Codex und die API; Nutzung und Preise unterscheiden sich je nach Produkt. 28

Bei Millionen Nutzern werden kleine Ineffizienzen schnell zu einem größeren Problem. Was in einer einzelnen Sitzung nur etwas zusätzliche Rechenarbeit kostet, kann bei agentischen Coding-Tools die Kapazitätsplanung, die Abrechnung und den Support erheblich belasten.

Warum es bereits mehrere Resets gab

Für Codex und ChatGPT Work wurden zwischen Juni und August wiederholt Limits verändert oder Kontingente zurückgesetzt. Dazu gehörte auch ein gemeldeter globaler Reset am 11. August. 18 Frühere Resets standen unter anderem mit Nutzermeilensteinen, zeitlich begrenzten Richtlinien oder dem Versuch in Verbindung, die Nutzung während technischer Anpassungen aufrechtzuerhalten. 14 23

Die konkrete Behauptung, es habe im Juli „sechs Resets in zwei Wochen“ gegeben, lässt sich mit dem verfügbaren Material nicht sicher bestätigen. Ebenso wäre es zu weitgehend, jeden Reset ausschließlich auf Infrastrukturfehler zurückzuführen. Die belastbarere Schlussfolgerung lautet: OpenAI kalibrierte wiederholt die Messung von Kontingenten, die Modellweiterleitung, Hintergrundfunktionen und Kapazitätsgrenzen – und zwar während die Nachfrage stark anstieg.

Das erklärt auch die Skepsis mancher Nutzer. Zum Meilenstein von 20 Millionen Nutzern wurde zuvor ein gespeicherter Reset („banked reset“) beschrieben, den Nutzer später selbst einlösen konnten. Er musste also nicht sofort den sichtbaren Zähler auffüllen. 13 10 Wer einen unmittelbaren Reset erwartete, konnte deshalb den Eindruck gewinnen, die Gutschrift sei ausgeblieben.

Was sich für Plus- und Pro-Nutzer änderte

Der Reset fiel mit einer breiteren Kapazitätssteuerung zusammen. Für ChatGPT-Plus-Nutzer führte OpenAI das rollierende Fünf-Stunden-Limit für Codex und ChatGPT Work wieder ein, nachdem zeitweise vor allem ein Wochenlimit gegolten hatte. 5 6 Berichten zufolge blieben die höherpreisigen Pro-Tarife zunächst ausgenommen; bei weiter steigender Nutzung waren spätere Limits jedoch möglich. 12

Dahinter steckt ein grundlegender Zielkonflikt: Eine einzelne agentische Coding-Aufgabe kann lange Kontexte, Tool-Aufrufe, Bildverarbeitung, Hintergrundaktivitäten und mehrere Unteragenten umfassen. Ein Fixpreis-Abo ist für Kunden leicht verständlich, macht eine faire und transparente Verbrauchsmessung bei stark unterschiedlichen Workloads aber besonders wichtig.

Kommt eine detailliertere Verbrauchsanzeige?

OpenAI bietet für ChatGPT Work und Codex bereits Verwaltungsfunktionen an, mit denen sich Aktivität und Credit-Nutzung prüfen lassen. Administratoren können unter anderem erkennen, wann Mitglieder oder Gruppen sich einem Limit nähern, und Anfragen nach zusätzlichem Verbrauch verwalten. 49

Ob und in welcher Form daraus eine umfassende, für alle Nutzer sichtbare Ausgabenanzeige wird, ist durch die vorliegenden Quellen nicht belegt. Eine detaillierte Übersicht nach Modell, Aufgabe, Bildern, Agenten und Automatisierungen wäre zwar hilfreich, sollte aber nicht als bestätigte Produktspezifikation gelten.

Der klare Befund ist daher enger: OpenAI setzte die Kontingente zahlender Nutzer zurück, nachdem mehrere gemeldete Quellen unbeabsichtigten Verbrauchs behoben worden waren. Die längerfristige Frage bleibt, ob sich rechenintensive agentische Coding-Tools so verlässlich und nachvollziehbar betreiben lassen, dass feste Abonnementpreise dauerhaft tragfähig bleiben.