Software bauen mit GPT-6 Astra: So automatisierst du erste Prozesse selbst

Eine Geschäftsidee für eine interne Software ist meist rasch formuliert: Ein Angebotsrechner soll Arbeitszeit, Materialkosten und Rabatte zusammenführen. Die eigentliche Hürde liegt in den Details. Was geschieht bei fehlerhaften Eingaben? Wie verhält sich die Rundung bei Schwellenwerten? Und stimmen die Beträge in der Druckansicht exakt mit der Eingabemaske überein?

Beim softwaregestützten Arbeiten mit KI entscheidet sich der Nutzen an dieser Schnittstelle. Das Modell GPT-6 Astra, das OpenAI Anfang September 2026 veröffentlichte, bringt erweiterte Fähigkeiten bei Programmieraufgaben, logischem Schließen und der Computerbedienung mit. Für Einsteiger, Vibecoder und kleinere Betriebe stellt sich die Frage: Was lässt sich damit realistisch bauen, und wie führt man ein solches Projekt zum Erfolg?

Was bereits entstanden ist: Beispiele aus Praxis und Community

Erste Umsetzungen verdeutlichen die Bandbreite. Thomas Ricouard aus dem Codex-Team von OpenAI demonstrierte das Potenzial anhand des Projekts Solace House: Er steuerte über Astra die Python-Schnittstelle von Blender, um Geometrie, Materialien und Lichtführung schrittweise aufzubauen, und überführte das Ergebnis anschließend in die Unreal Engine 5. Das Projekt entstand als herstellerbegleitete Demonstration über mehrere Arbeitsrunden mit externen 3D-Assets. Es belegt, dass textbasierte Anweisungen visuelle Umgebungen formen können, ersetzt aber keine selbstständige Ingenieursleistung.

Neben Herstellerbeispielen listen Community-Verzeichnisse wie awesome-gpt-6-astra über 160 von Entwicklern eingereichte Experimente. Dazu gehören browserbasierte Three.js-Szenen, spielbare Prototypen in der Godot-Engine sowie automatisierte Workflows. Bei diesen Community-Belegen handelt es sich um Selbstberichte und explorative Demos, nicht um standardisierte Leistungsvergleiche. Sie illustrieren jedoch, dass der Arbeitsablauf aus einem funktionierenden Kern, schnellen Iterationen und manuellem Nachbessern besteht. Gegenüber Vorgängermodellen zeigt Astra eine beeindruckende Leistungssteigerung, die nicht nur Programmieren betrifft, sondern auch Computer-Bedienung: Astra klickt sich beeindruckend schnell durch Menüs im Internet und bedient Excel schneller als jeder menschliche Nutzer.

Modell versus Arbeitsumgebung

Für den Praxiseinsatz ist eine Unterscheidung grundlegend: GPT-6 Astra ist das zugrundeliegende Sprachmodell, das Code generiert, Anweisungen interpretiert und Fehler analysiert. Die Entwicklungsumgebung – etwa Codex – stellt den Rahmen, führt Befehle aus und verwaltet den Zugriff auf Dateien und Testwerkzeuge. Ein Modell allein kann keine Programme ausführen; es benötigt die passende Arbeitsumgebung.

Mit den neuen Fähigkeiten von Astra verändern sich auch die Anforderungen an Prompts und Projektdateien. OpenAIs Entwicklerdokumentation empfiehlt, bestehende Konfigurationsdateien und Skills radikal zu verschlanken. Statt das Modell vor jedem Editieren mit langen Regellisten zu überfrachten, empfiehlt sich das Prinzip der schrittweisen Offenlegung (Progressive Disclosure) über kurze Router-Dateien. Werden zu viele Instruktionen übergeben, kürzt das System Beschreibungen automatisch, was die Treffsicherheit verschlechtert. Zudem neigt Astra laut OpenAI eher als Vorgängermodelle dazu, nach einem ersten Umsetzungsschritt für Rückfragen zu pausieren. Entwickler müssen daher klare Abbruch- und Fertigstellungskriterien definieren.

Schritt für Schritt: Der Workflow für ein eigenes Werkzeug

Um aus einer vagen Idee eine stabile interne Anwendung zu machen, empfiehlt sich ein disziplinierter Ablauf in fünf Phasen. Als durchgehendes Beispiel dient ein kleiner Angebotsrechner für Dienstleister.

1. Geschäftsregeln vor Code festlegen

Bevor die erste Zeile Code entsteht, muss das fachliche Problem präzise umrissen werden. Ein geeigneter Einstiegsauftrag lautet:

„Ich möchte ein internes Werkzeug zur Angebotserstellung bauen. Es soll Positionen für Arbeitszeit und Material erfassen, Zwischensummen berechnen und Rabatte anwenden. Stelle mir fünf gezielte Fragen zu unklaren Geschäftsregeln, Rundungen und Steuerlogik, bevor du Code schreibst. Baue noch keine Benutzerverwaltung oder Bezahlschnittstellen ein.“

In diesem Schritt wird geklärt, ob Preise netto oder brutto erfasst werden, welche Steuersätze gelten und wie Rabattstaffeln berechnet werden. Das Modell soll keine steuerlichen Regeln erraten.

2. Berechnung mit konkreten Testfällen absichern

Im nächsten Schritt wird die reine Berechnungslogik isoliert erstellt und getestet. Statt abstrakter Beschreibungen helfen konkrete Zahlen:

„Implementiere die Berechnungsfunktion. Nutze folgendes Prüfbeispiel: 2 Stunden zu 80 Euro plus Material für 40 Euro ergeben 200 Euro netto. Bei 10 Prozent Rabatt ab 150 Euro beträgt der Nettobetrag 180 Euro. Schreibe automatisierte Tests für dieses Beispiel sowie für Grenzfälle wie leere Eingaben, negative Werte und Fließkommazahlen. Führe die Tests aus und zeige das Ergebnis.“

Ein erfolgreicher Testlauf beweist, dass die definierten Beispiele funktionieren. Er entbindet den Auftraggeber jedoch nicht davon, die mathematische Plausibilität selbst gegenzuprüfen.

3. Benutzeroberfläche und Eingabevalidierung

Sobald die Logik steht, folgt die Bedienoberfläche:

„Erstelle eine übersichtliche Weboberfläche für den Rechner. Falsche oder unvollständige Eingaben müssen mit einer klaren Meldung am betroffenen Feld markiert werden. Die Gesamtsumme muss sich bei jeder Eingabeänderung sofort aktualisieren.“

Der Auftraggeber testet nun typische Abläufe direkt. Fehlermeldungen sollten dabei exakt formuliert werden: Statt „Das Formular funktioniert nicht“ hilft „Wenn ich die Menge auf 0 setze, bleibt der alte Rabattbetrag in der Anzeige stehen“.

4. Druckansicht und Export

Ein Angebot muss den Betrieb verlassen können. Daher gehört der Export frühzeitig in den Prüfplan:

„Erstelle ein druckoptimiertes Stylesheet für die Angebotsansicht. Stelle sicher, dass Seitenumbrüche bei mehr als zehn Positionen nicht mitten in einer Zeile liegen und die Summenleiste auf der letzten Seite korrekt schließt.“

5. Dokumentation und Bereitstellung

Zum Abschluss hält der Agent fest, wie das Projekt lokal gestartet und gepflegt wird:

„Dokumentiere in einer README-Datei, wie die Anwendung gestartet wird, wo Daten abgelegt werden und welche Bibliotheken verwendet wurden. Erstelle einen sauberen Versionsstand im Versionskontrollsystem.“

| Arbeitsschritt | Agentenauftrag | Nachprüfbares Ergebnis | | --- | --- | --- | | 1. Regeln klären | Fachliche Logik, Rabatte und Ausnahmen definieren | Schriftliche Spezifikation ohne offene Logikfragen | | 2. Kernlogik & Tests | Berechnungsmodul mit automatisierten Tests bauen | Ausgeführte Tests für Normal- und Grenzfälle sind grün | | 3. Oberfläche bauen | Eingabemaske mit Live-Berechnung erstellen | Browser-Interaktion reagiert fehlerfrei auf Fehleingaben | | 4. Export & Druck | Druckansicht und Seitenumbrüche formatieren | Druckvorschau zeigt übereinstimmende Summen und sauberes Layout | | 5. Übergabe | Startbefehle, Abhängigkeiten und Grenzen dokumentieren | Projekt lässt sich auf einem frischen Rechner starten |

Grenzen und Betriebsverantwortung

So zugänglich die Erstellung von Prototypen mit Astra geworden ist, so wichtig bleibt die Abgrenzung sicherheitskritischer Bereiche. OpenAI stufte GPT-6 Astra in seinem Preparedness Framework im Bereich Cybersicherheit auf der Risikostufe Critical ein. Das unterstreicht die Notwendigkeit robuster Sicherheitsprüfungen.

Interne Prototypen sollten bewusst ohne direkte Anbindung an Zahlungsdienstleister, sensible Personendaten oder Produktivdatenbanken betrieben werden. Multi-Agenten-Setups, bei denen beispielsweise ein zweites Modell Änderungen prüft, erhöhen zudem den Token-Verbrauch durch doppelte Kontexte spürbar. Die Verantwortung für Betrieb, Datenschutz und korrekte Abrechnungen verbleibt stets beim Betreiber – keine KI übernimmt die rechtliche oder unternehmerische Haftung für fehlerhafte Angebote.