Für Schnellleser: OpenAI verdoppelt die Nutzungskontingente für ChatGPT Pro – und kündigt gleichzeitig eine Änderung an, die gerade für intensive Nutzer zum Problem werden könnte. Ab Dezember 2026 sollen anspruchsvolle ChatGPT-Unterhaltungen, Work und Codex auf ein gemeinsames Kontingent zugreifen. Wer regelmäßig mit hohen Denkstufen komplexe Software analysiert und anschließend mit Codex programmiert, könnte seine verfügbaren Ressourcen künftig schneller aufbrauchen. Google bietet mit Gemini 4 Argon und Google AI Ultra ab 99,99 Euro monatlich eine ernstzunehmende Alternative mit getrennten Nutzungslimits für Gemini-Chat und Google Antigravity. Doch unbegrenzt ist auch Google nicht. Außerdem spricht bei umfangreicher Spieleentwicklung, komplexer Softwarearchitektur und Deep Coding einiges dafür, nicht vorschnell von einem bewährten Coding-Agenten zu wechseln. Auch Claude und lokal betriebene KI-Modelle wie Llama kommen als Alternativen infrage – allerdings mit erheblichen Unterschieden bei Kontingenten, Leistungsfähigkeit und Hardwareanforderungen.
OpenAI hat seinen Pro-Abonnenten Ende Oktober zunächst eine erfreuliche Nachricht übermittelt: mehr Nutzungskontingent für denselben monatlichen Preis. Was bei intensiver Nutzung von Codex eine spürbare Verbesserung verspricht, könnte sich allerdings schon wenige Wochen später relativieren.
Der Grund ist eine grundlegende Änderung der Kontingentverwaltung. ChatGPT, Work und Codex sollen künftig enger zusammengeführt werden. Dabei geht es nicht nur um eine gemeinsame Benutzeroberfläche, sondern auch um die verfügbaren Rechenressourcen.
Für Nutzer, die ChatGPT hauptsächlich für gelegentliche Fragen verwenden, dürfte die Änderung zunächst weniger dramatisch ausfallen. Ganz anders sieht es bei Entwicklern aus, die täglich anspruchsvolle Architekturentscheidungen treffen, umfangreiche Codeanalysen durchführen oder komplexe Anwendungen und Spiele entwickeln.
Ausgerechnet Google könnte davon profitieren. Der Konzern hat mit Gemini 4 Argon inzwischen ein leistungsfähiges KI-Modell im Angebot und verbindet es über Google Antigravity mit einer eigenen agentischen Entwicklungsplattform. Hinzu kommen großzügige Cloud-Speicherangebote und weitere Dienste.
Ob daraus tatsächlich das bessere Gesamtpaket entsteht, ist allerdings eine andere Frage. Denn zwischen einem guten KI-Chat und einer zuverlässigen Entwicklungsumgebung für umfangreiche Softwareprojekte liegt ein erheblicher Unterschied.
OpenAI verdoppelt die Kontingente – und verändert gleichzeitig die Spielregeln
Am 29. Oktober 2026 kündigte OpenAI eine Erhöhung der Nutzungskontingente für seine Pro-Tarife an. Insbesondere die Pro-100- und Pro-500-Stufen erhalten seitdem das doppelte bisherige Work- und Codex-Kontingent. Für Pro 200 wurde außerdem eine zuvor angekündigte Reduzierung zurückgenommen und die verfügbare Nutzung angeglichen.
Die offizielle Änderung ist in den ChatGPT Release Notes vom 29. Oktober dokumentiert.
Gerade für Entwickler klingt diese Nachricht zunächst ausgesprochen positiv. Wer Codex regelmäßig an größeren Softwareprojekten arbeiten lässt, weiß, dass mehr verfügbare Rechenleistung durchaus einen Unterschied machen kann.
Allerdings folgt unmittelbar eine weitere Änderung.
Auf seiner offiziellen Hilfeseite „Understanding ChatGPT and Codex usage limits“ bestätigt OpenAI, dass die Nutzung von ChatGPT und Codex für Plus-, Pro- und Business-Abonnements ab Dezember 2026 aus einem gemeinsamen Kontingent berechnet werden soll.
Die agentischen Work-Funktionen werden dabei stärker in die normale ChatGPT-Oberfläche integriert.
Das klingt nach einer Vereinfachung. Doch der eigentliche Eingriff betrifft die Nutzungskontingente.
Eine Verdopplung des bisherigen Budgets bedeutet nicht automatisch doppelt so viel nutzbare Entwicklungsleistung, wenn anschließend weitere Funktionen auf dasselbe Budget zugreifen.
Auch The Decoder berichtete am 1. November 2026 über die geplante Zusammenlegung und die möglichen Folgen für intensive Nutzer.
Künftig soll auch der normale ChatGPT-Chat Kontingent verbrauchen
Eine wichtige Unterscheidung geht bei der Diskussion häufig verloren: ChatGPT, Work und Codex sind zwar miteinander verwandt, wurden bisher jedoch für unterschiedliche Arbeitsabläufe verwendet.
Im klassischen ChatGPT-Chat lassen sich technische Fragen beantworten, komplexe Probleme analysieren, Softwarearchitekturen planen, umfangreiche Dokumente auswerten und vollständige Programme entwickeln.
ChatGPT Work geht darüber hinaus. Hier übernimmt die KI mehrstufige Aufgaben, arbeitet mit Dateien und verbundenen Anwendungen, nutzt einen Browser und kann bestimmte Arbeitsschritte selbstständig ausführen.
Codex konzentriert sich insbesondere auf die Softwareentwicklung. Der Coding-Agent untersucht bestehende Projektdateien, verändert Quellcode, führt Tests aus und kann umfangreiche Programmieraufgaben direkt in einer Entwicklungsumgebung bearbeiten.
Für viele Aufgaben war Work bisher keineswegs notwendig. Eine komplette Webseite konnte beispielsweise direkt im normalen Chat geplant und programmiert werden. Dasselbe galt für komplexe Softwarekonzepte, Datenbankstrukturen oder technische Fehleranalysen.
Die eigentliche Veränderung besteht deshalb nicht darin, dass ChatGPT plötzlich mehr Aufgaben erledigen darf.
Vielmehr kann die bisherige Nutzung des normalen Chats mit anspruchsvollen Modellen künftig dieselben Ressourcen beanspruchen wie die anschließende Arbeit mit Codex.
OpenAI möchte den Verbrauch dabei anhand von Tokens erfassen. Vereinfacht handelt es sich um Informationseinheiten, die ein KI-Modell verarbeitet und erzeugt. Wie stark das gemeinsame Kontingent belastet wird, hängt von der Modellwahl und der jeweiligen Aufgabe ab.
Leistungsfähigere Modelle und komplexere Anfragen können entsprechend mehr Ressourcen verbrauchen.
Eine wichtige zeitliche Einschränkung bleibt allerdings bestehen: Die allgemeine Einführung ist offiziell für Dezember 2026 angekündigt. Dass bereits am 2. November sämtliche normalen ChatGPT-Unterhaltungen nach den neuen Regeln abgerechnet werden, ist damit nicht bestätigt. Individuelle Kontoanzeigen und mögliche schrittweise Freischaltungen können vom allgemeinen Zeitplan abweichen.
Warum die Zusammenlegung gerade für Deep Coding problematisch werden könnte
Bei kleineren Aufgaben fällt der Unterschied möglicherweise kaum auf. Wer ChatGPT beispielsweise eine einzelne JavaScript-Funktion erklären lässt, benötigt vergleichsweise wenig Rechenleistung.
Bei großen Softwareprojekten sieht das anders aus.
Ein umfangreiches Spiel mit prozedural generierter Welt, hunderten aktiven Kreaturen, komplexer Beleuchtung, Physik, Speicherständen und dynamischem Streaming verlangt eine völlig andere Herangehensweise.
Hier reicht es nicht, einige Zeilen Code auszutauschen. Die KI muss häufig Zusammenhänge zwischen mehreren Systemen erkennen, mögliche Nebenwirkungen berücksichtigen und verschiedene Lösungswege gegeneinander abwägen.
Gerade bei der Optimierung von Rendering, Chunk-Verwaltung, Multithreading, Arbeitsspeicher und nativen Erweiterungen können Fehler erhebliche Folgen haben. Eine vermeintlich schnellere Lösung ist wenig wert, wenn sie anschließend Speicherstände beschädigt oder neue Abstürze verursacht.
Für solche Aufgaben verwenden viele Entwickler bewusst leistungsfähige Reasoning-Modelle mit hoher oder sehr hoher Denkintensität.
In ChatGPT stehen dafür, abhängig vom Tarif und Modell, entsprechende Einstellungen wie „Hoch“ und „Sehr hoch“ zur Verfügung. Sie ermöglichen umfangreichere Denkprozesse, beanspruchen allerdings auch mehr Rechenleistung.
Ein sinnvoller Entwicklungsablauf kann beispielsweise so aussehen: Zunächst werden Architektur, Performance und mögliche Fehlerursachen ausführlich mit ChatGPT analysiert. Anschließend erhält Codex einen präzisen Arbeitsauftrag, untersucht den tatsächlichen Projektstand und setzt die Änderungen um.
Bisher ließen sich diese Arbeitsphasen hinsichtlich ihrer jeweiligen Nutzungskontingente weitgehend voneinander trennen.
Wenn künftig bereits die ausführliche technische Planung das gemeinsame Codex-Budget reduziert, entsteht ein Zielkonflikt zwischen sorgfältiger Analyse und praktischer Umsetzung.
Genau hier liegt die berechtigte Kritik an OpenAIs neuer Strategie.
Instant bleibt unbegrenzt – doch das löst nicht jedes Problem
OpenAI hat ausdrücklich angekündigt, dass Unterhaltungen im Instant-Modus nicht auf das neue gemeinsame Kontingent angerechnet werden sollen.
Für alltägliche Fragen, einfache Texte und zahlreiche kleinere Aufgaben bleibt damit eine Möglichkeit bestehen, ChatGPT ohne Belastung dieses Budgets einzusetzen.
Für intensive Nutzer ist das jedoch kein vollständig gleichwertiger Ersatz.
Wer eine komplexe Softwarearchitektur untersucht oder einen besonders schwierigen Programmierfehler nachvollziehen möchte, benötigt unter Umständen mehr als eine schnelle Antwort.
Die bewusste Auswahl einer hohen Denkstufe soll schließlich gerade bei solchen Aufgaben die Qualität der Analyse verbessern.
Der Wechsel auf ein schnelleres Modell kann deshalb zwar Kontingent sparen, gleichzeitig aber die gewünschte Bearbeitungstiefe verändern.
Hinzu kommt, dass auch bisher nicht sämtliche leistungsfähigen ChatGPT-Modelle buchstäblich unbegrenzt nutzbar waren. Bestimmte Pro-Modelle besitzen eigene Tages- oder Wochenlimits.
Neu ist vor allem die angekündigte gemeinsame Verbrauchsberechnung für ChatGPT und Codex.
Wie stark sich diese Änderung in der Praxis auswirkt, bleibt offen. Eine verlässliche allgemeine Umrechnung von einer Stunde anspruchsvoller ChatGPT-Nutzung in einen bestimmten Anteil des künftigen Gesamtkontingents ist bislang nicht veröffentlicht.
OpenAI erwartet, dass die meisten Kunden nicht häufiger auf eine Zurücksetzung warten müssen als bisher. Für besonders intensive Anwender ist das allerdings keine Garantie.
Google AI Ultra: Der neue Konkurrent für rund 100 Euro monatlich
Während OpenAI die Nutzung stärker zusammenführt, setzt Google derzeit auf getrennte Kontingente innerhalb seines KI-Ökosystems.
Mit Gemini 4 Argon steht ein leistungsfähiges Modell zur Verfügung, das insbesondere auf komplexe Analysen, Softwareentwicklung und anspruchsvolle Denkaufgaben ausgerichtet ist.
Google bietet dieses Modell unter anderem über seine Gemini-App und die Entwicklungsplattform Antigravity an.
Die offizielle deutsche Google-Preisliste nennt folgende Tarife:
| Google-AI-Tarif | Monatspreis | Nutzungslimits |
|---|---|---|
| Google AI Pro | 21,99 € | 4-mal höher als kostenlos |
| Google AI Ultra 5x | 99,99 € | 5-mal höher als AI Pro |
| Google AI Ultra 20x | 219,99 € | 20-mal höher als AI Pro |
Google AI Ultra 5x ist damit preislich ein direkter Konkurrent zum ChatGPT-Pro-100-Tarif, den OpenAI für 100 US-Dollar monatlich anbietet. Der tatsächliche Europreis des OpenAI-Abonnements hängt von den jeweiligen Abrechnungsbedingungen ab.
Google liefert außerdem zahlreiche Zusatzleistungen. Dazu gehören unter anderem Gemini Notebook, Google Flow, KI-Funktionen in Gmail und Docs, erweiterte Antigravity-Kontingente und umfangreicher Cloud-Speicher.
Besonders auffällig sind die 20 TB Cloud-Speicher bei Ultra 5x beziehungsweise 30 TB bei Ultra 20x.
Für Nutzer, die neben ihrer Entwicklungsarbeit große Videodateien, Projektmaterialien oder umfangreiche Backups speichern, kann das einen echten Mehrwert darstellen.
Auch eine YouTube-Premium-Einzelmitgliedschaft gehört in unterstützten Ländern, darunter Deutschland, zum Ultra-Angebot. Damit lassen sich Videos ohne Werbeunterbrechungen ansehen, offline speichern und im Hintergrund abspielen.
Allerdings sollte der zusätzliche Gegenwert nicht mit einer höheren KI-Leistungsfähigkeit verwechselt werden. Viel Cloud-Speicher und YouTube Premium machen einen Coding-Agenten nicht automatisch besser.
Google bestätigt: Gemini-Chat und Antigravity besitzen eigene Kontingente
Für intensive Nutzer dürfte ein anderer Punkt wesentlich interessanter sein.
Google bestätigt in seiner offiziellen Dokumentation zu Google AI Ultra, dass die einzelnen KI-Produkte über eigene Nutzungslimits verfügen.
Das betrifft insbesondere die Gemini-App und Google Antigravity.
Wer den normalen Gemini-Chat intensiv für Analysen oder längere Gespräche verwendet, reduziert damit nicht automatisch das separate enthaltene Basiskontingent des Coding-Agenten in Antigravity.
Umgekehrt wird durch die Arbeit in Antigravity nicht unmittelbar das Gemini-App-Kontingent verbraucht.
Genau diese Trennung ist für Entwickler interessant, die ihre Planungs- und Analysearbeit unabhängig von der anschließenden Programmierung durchführen möchten.
Allerdings existieren auch innerhalb einzelner Google-Produkte gemeinsame Ressourcen. So hat Google im Mai 2026 die zuvor getrennten Limits verschiedener Gemini-Modelle innerhalb von Antigravity zusammengeführt.
Dies beschreibt das Unternehmen im offiziellen Beitrag zu den Antigravity-Tarifen.
Zwischen der Trennung von Gemini-App und Antigravity einerseits und einer vollständigen Trennung sämtlicher Modelle innerhalb von Antigravity andererseits muss deshalb unterschieden werden.
Das Google-Modell bietet derzeit eine klarere Aufteilung der beiden Arbeitsbereiche. Eine Garantie, dass diese Struktur dauerhaft unverändert bleibt, gibt es jedoch nicht.
Ist der Gemini-Chat damit unbegrenzt nutzbar?
Nein. Genau hier sollte man Werbeaussagen und tatsächliche Nutzungsbedingungen auseinanderhalten.
Auch bei Google AI Ultra ist der Zugriff auf Gemini 4 Argon nicht buchstäblich unbegrenzt.
Laut der offiziellen Gemini-Hilfe gelten rechenleistungsbasierte Nutzungslimits. Dabei berücksichtigt Google unter anderem die Länge des Gesprächs, die Komplexität der Anfrage, das verwendete Modell und die eingesetzten Funktionen.
Das verfügbare Kontingent wird regelmäßig in Fünf-Stunden-Zeiträumen aktualisiert. Zusätzlich besteht ein Wochenlimit.
Wer über viele Stunden komplexe Programmierfragen stellt, kann deshalb auch bei Google an eine Nutzungsgrenze gelangen.
Die Ultra-Abonnements erhöhen diese Grenzen deutlich, beseitigen sie jedoch nicht vollständig.
Wird das Limit eines leistungsfähigen Modells erreicht, muss gegebenenfalls auf die nächste Zurücksetzung gewartet oder mit einem weniger anspruchsvollen Modell weitergearbeitet werden.
Der Vorteil von Google besteht somit nicht in einem unbegrenzten Spitzenmodell-Chat, sondern darin, dass der normale Gemini-Chat und die agentische Entwicklung in Antigravity derzeit separate Produktkontingente besitzen.
Dieser Unterschied kann bei langfristigen Entwicklungsprojekten durchaus entscheidend sein.
Kann Gemini 4 Argon den normalen ChatGPT-Chat ersetzen?
Für zahlreiche Anwendungen ist Gemini inzwischen eine ernstzunehmende Alternative.
Die Gemini-App unterstützt umfangreiche Unterhaltungen, Programmierhilfe, Dateianalysen, längere Recherchen, Dokumentenverarbeitung und komplexe Denkaufgaben.
Mit Deep Research, Canvas und der Einbindung verschiedener Google-Dienste sind zahlreiche Funktionen vorhanden, die auch professionelle Nutzer von ChatGPT erwarten.
Google nennt für seine kostenpflichtigen Gemini-Angebote außerdem ein Kontextfenster von bis zu einer Million Tokens.
Das ermöglicht die Verarbeitung großer Informationsmengen. Allerdings bedeutet ein großes Kontextfenster nicht automatisch, dass ein Modell jede Einzelheit eines umfangreichen Projekts zuverlässig versteht oder dauerhaft behält.
Auch bei langen Gesprächen kann es vorkommen, dass wichtige Zusammenhänge übersehen werden oder frühere Entscheidungen bei späteren Antworten nicht ausreichend berücksichtigt werden.
Bei ChatGPT gibt es vergleichbare Herausforderungen. Allerdings unterscheiden sich beide Systeme hinsichtlich der Projektverwaltung, der verfügbaren Werkzeuge und der Möglichkeiten, längerfristigen Kontext einzubinden.
Eine gewöhnliche Frage, ein umfangreicher journalistischer Artikel und die Architektur eines komplexen Spieleprojekts stellen zudem völlig unterschiedliche Anforderungen.
Gemini kann für viele Aufgaben ein vollwertiger Ersatz für ChatGPT sein. Ob das auch für anspruchsvolle Deep-Coding-Unterhaltungen mit höchster Denkintensität gilt, lässt sich nicht pauschal beantworten.
Hier entscheidet die Qualität der tatsächlichen Ergebnisse, nicht allein die maximale Kontextgröße oder die Position in einem Benchmark.
Bei komplexer Spieleentwicklung könnte Codex weiterhin die bessere Wahl sein
Gerade bei größeren Softwareprojekten wäre ein vorschneller Wechsel von Codex zu Google Antigravity nicht unbedingt sinnvoll.
Die Entwicklung umfangreicher Spiele ist ein gutes Beispiel. Moderne Engines wie Godot, Unity oder Unreal verbinden zahlreiche miteinander verzahnte Systeme, die sich nicht unabhängig voneinander betrachten lassen.
Besonders anspruchsvoll wird es bei großen, dynamisch erzeugten Welten. Dort spielen unter anderem Chunk-Streaming, Sichtweitenverwaltung, Kollisionsberechnung, Occlusion Culling, Multithreading und Speicheroptimierung eine wichtige Rolle.
Hinzu kommen native Erweiterungen, unterschiedliche Programmiersprachen und die Kommunikation zwischen Engine und leistungsoptimierten Komponenten.
Ein Coding-Agent muss in solchen Projekten weit mehr leisten, als funktionierenden Quellcode für eine einzelne Methode zu erzeugen.
Er muss bestehende Architekturen berücksichtigen, Abhängigkeiten nachvollziehen und verhindern, dass eine lokale Verbesserung neue Probleme in anderen Bereichen verursacht.
Für diese Arbeitsweise ist Codex ein leistungsfähiges Werkzeug. Der Agent kann umfangreiche Projektdateien analysieren, Änderungen durchführen und deren Auswirkungen durch Tests untersuchen.
Bei bereits weit entwickelten Anwendungen kommt ein weiterer Vorteil hinzu: Ein eingespielter Workflow muss nicht erst vollständig auf eine neue Plattform übertragen werden.
Das bedeutet allerdings nicht, dass Google Antigravity grundsätzlich schlechter programmiert.
Google hat seine Entwicklungsplattform kontinuierlich erweitert. Antigravity unterstützt inzwischen komplexe agentische Aufgaben, lokale Entwicklungsumgebungen und mehrstufige Softwarebearbeitung.
Die entscheidende Frage ist deshalb nicht, welcher Anbieter sein Modell als besonders intelligent bezeichnet, sondern welcher Coding-Agent im konkreten Projekt weniger Fehler verursacht und mit geringerem Aufwand zu überprüfbaren Ergebnissen gelangt.
Für anspruchsvolles Deep Coding ist ein bewährter Entwicklungsablauf häufig wertvoller als ein theoretischer Vorsprung in einzelnen Benchmarks.
Ein großer Anbieterwechsel sollte deshalb erst erfolgen, wenn die Alternative unter vergleichbaren Bedingungen tatsächlich bessere oder zumindest gleichwertige Ergebnisse liefert.
Wichtige Entwicklung: Google stellt den Coding-Agenten Jules Ende 2026 ein
Eine aktuelle Entscheidung von Google verändert die Bewertung seiner Coding-Werkzeuge zusätzlich.
Der bisherige KI-Agent Google Jules galt lange als interessante Ergänzung zu Gemini. Er konnte unter anderem GitHub-Repositories bearbeiten und Programmieraufgaben selbstständig ausführen.
Google AI Pro bot dafür bisher bis zu 100 Aufgaben innerhalb von 24 Stunden. Für Google AI Ultra wurden bis zu 300 Aufgaben und 60 gleichzeitig laufende Aufgaben genannt.
Doch am 29. Oktober 2026 kündigte Google die Einstellung von Jules an.
Laut dem offiziellen Jules-Changelog können bestehende Sitzungen noch bis zum 11. November 2026 abgeschlossen werden. Anschließend wechselt der Dienst in einen schreibgeschützten Zustand.
Am 31. Dezember 2026 soll Jules vollständig eingestellt werden.
Google möchte seine agentische Softwareentwicklung stärker bündeln und verweist dabei insbesondere auf Antigravity.
Für Entwickler ist diese Information wichtig. Ein Dienst mit zunächst attraktiven Nutzungslimits sollte nicht als langfristiger Codex-Ersatz eingeplant werden, wenn seine Einstellung bereits feststeht.
Die eigentliche Google-Alternative heißt künftig deshalb vor allem Google Antigravity.
Gleichzeitig zeigt diese Entwicklung, dass eine große Auswahl an KI-Funktionen nicht automatisch langfristige Produktstabilität garantiert.
Claude und Claude Code: Leistungsfähig, aber ebenfalls mit gemeinsamem Kontingent
Eine weitere Alternative stammt von Anthropic.
Claude eignet sich für umfangreiche Gespräche, komplexe Analysen und technische Aufgaben. Mit Claude Code bietet Anthropic außerdem einen Coding-Agenten, der direkt mit Softwareprojekten und Entwicklungswerkzeugen arbeiten kann.
Für anspruchsvolle Programmierung ist diese Kombination durchaus interessant. Insbesondere bei der Analyse und Bearbeitung bestehender Repositories gehört Claude Code zu den etablierten Werkzeugen.
Allerdings besteht ein wichtiger Nachteil für Nutzer, die gerade nach einer strikten Trennung von Chat- und Coding-Kontingenten suchen.
Anthropic bestätigt in seiner offiziellen Dokumentation zu Claude Code, dass die Nutzung von Claude und Claude Code innerhalb der entsprechenden Abonnements auf gemeinsame Nutzungslimits angerechnet wird.
Abhängig vom Tarif gelten Sitzungs- und Wochenlimits. Bei besonders intensiven Entwicklungsarbeiten kann dadurch die verfügbare Nutzung des normalen Claude-Chats beeinflusst werden.
Wer Claude hauptsächlich wegen seiner technischen Fähigkeiten einsetzen möchte, sollte den Dienst deshalb durchaus berücksichtigen.
Wer hingegen ausdrücklich verhindern möchte, dass normale Chat-Unterhaltungen das Coding-Kontingent reduzieren, findet bei Claude im selben Abonnement keine grundlegend andere Lösung als bei OpenAIs angekündigtem Modell.
Eine separate API-Abrechnung kann eine andere Kostenstruktur ermöglichen, macht intensive Modellnutzung allerdings nicht automatisch günstiger.
Ollama, Llama und LM Studio: KI ohne monatliches Chat-Kontingent
Es gibt noch eine dritte Möglichkeit, die bei der Diskussion über KI-Abonnements häufig übersehen wird: lokal betriebene Sprachmodelle.
Hier läuft die KI nicht auf den Servern eines großen Anbieters, sondern direkt auf dem eigenen Computer.
Bekannte Lösungen dafür sind Ollama und LM Studio.
Beide Anwendungen ermöglichen es, geeignete Sprachmodelle herunterzuladen und lokal auszuführen. Dazu gehören beispielsweise Modelle aus den Familien Llama, Qwen, Mistral oder anderen verfügbaren Modellreihen.
Wichtig ist die Unterscheidung: Llama ist eine Modellfamilie von Meta, während Ollama und LM Studio Software zum Ausführen solcher Modelle bereitstellen.
Der größte Vorteil liegt auf der Hand.
Wer ein Modell vollständig lokal betreibt, benötigt für dessen Berechnungen kein monatliches KI-Chat-Kontingent eines Cloud-Anbieters.
Die Nutzung wird stattdessen durch die eigene Hardware begrenzt. Kosten entstehen insbesondere durch Anschaffung, Stromverbrauch und gegebenenfalls notwendige Aufrüstung des Computers.
Ein weiterer Vorteil ist der Datenschutz. Bei einer vollständig lokalen Ausführung müssen vertrauliche Dokumente und Quellcodedateien nicht zur Verarbeitung an einen externen KI-Dienst übertragen werden.
LM Studio bestätigt in seiner Dokumentation zum Offline-Betrieb, dass heruntergeladene Modelle und lokale Dokumentenanalysen ohne Internetverbindung genutzt werden können.
Für kleine Unternehmen, Entwickler und andere Anwender kann das durchaus interessant sein.
Allerdings gibt es einen entscheidenden Haken: die benötigte Rechenleistung.
Warum lokale KI auf gewöhnlichen PCs nicht automatisch eine gute Alternative ist
Die leistungsfähigsten Cloud-KI-Modelle werden auf spezialisierter Serverhardware betrieben. Ein gewöhnlicher Desktop-PC besitzt meist deutlich weniger verfügbare Ressourcen.
Lokale Modelle können deshalb je nach Größe, Quantisierung und Hardware erheblich langsamer arbeiten.
Ein Beispiel verdeutlicht den Unterschied.
Das lokal verfügbare Llama 3.1 mit acht Milliarden Parametern benötigt in einer verbreiteten quantisierten Variante etwa 4,9 GB Speicherplatz für seine Modelldatei.
Das ebenfalls verfügbare Qwen3 mit acht Milliarden Parametern liegt bei ungefähr 5,2 GB.
Solche Modelle lassen sich auf geeigneten Computern mit acht Gigabyte Grafikspeicher grundsätzlich betreiben, wobei zusätzlicher Speicher für den Kontext und die Laufzeitumgebung benötigt wird.
Bei größeren Coding-Modellen wird die Situation deutlich anspruchsvoller.
Die verbreitete quantisierte Variante von Qwen3-Coder mit 30 Milliarden Parametern benötigt bereits ungefähr 19 GB allein für die Modelldatei.
Auf einer Grafikkarte mit acht Gigabyte Videospeicher lässt sich ein solches Modell deshalb nicht vollständig im Grafikspeicher halten.
Teile der Verarbeitung müssen gegebenenfalls über den Arbeitsspeicher und die CPU erfolgen. Dadurch kann die Antwortgeschwindigkeit erheblich sinken.
Bei komplexem Deep Coding kommen lange Kontexte, umfangreiche Quellcodedateien und wiederholte Denkprozesse hinzu. Gerade diese Aufgaben beanspruchen zusätzliche Ressourcen.
Auch die Unterstützung der Hardware ist nicht selbstverständlich. Insbesondere bei älteren AMD-Grafikkarten sollte vorab geprüft werden, ob eine geeignete GPU-Beschleunigung zur Verfügung steht. Ollama unterstützt inzwischen auch Vulkan als zusätzliche Möglichkeit zur Beschleunigung, die tatsächliche Leistung hängt jedoch vom Gerät und der Konfiguration ab.
LM Studio empfiehlt für Windows mindestens 16 GB Arbeitsspeicher und eine Grafikkarte mit wenigstens vier Gigabyte dediziertem Videospeicher. Diese Mindestempfehlung bedeutet allerdings nicht, dass damit große Modelle in hoher Geschwindigkeit ausführbar sind.
Für einfache Gespräche, Dokumentenanalysen und kleinere Programmieraufgaben können lokale KI-Modelle hervorragend geeignet sein. Einen leistungsfähigen Cloud-Dienst für umfangreiche Softwarearchitektur und Deep Coding ersetzen sie auf gewöhnlicher Hardware jedoch nicht automatisch.
Wer vollständig unabhängig von externen Nutzungslimits arbeiten möchte, benötigt unter Umständen deutlich leistungsfähigere Hardware. Damit können die Anschaffungskosten schnell einen erheblichen Teil dessen erreichen, was mehrere Jahre eines KI-Abonnements kosten würden.
Eine Mischlösung kann dennoch sinnvoll sein: kleinere Aufgaben lokal bearbeiten und für besonders komplexe Programmierarbeiten weiterhin einen leistungsfähigen Cloud-Coding-Agenten einsetzen.
Ein oft übersehener Vorteil: ChatGPT Pro enthält jetzt auch API-Guthaben
Bei einem fairen Vergleich zwischen ChatGPT Pro und Google AI Ultra sollte eine weitere Neuerung nicht fehlen.
OpenAI bietet berechtigten Pro-Abonnenten inzwischen zusätzliches API-Guthaben an.
Laut der offiziellen OpenAI-Dokumentation können Nutzer des Pro-100-Tarifs monatlich API-Credits im Wert von 100 US-Dollar erhalten.
Für Pro 200 sind es 200 US-Dollar und für Pro 500 entsprechend 500 US-Dollar.
Das ist besonders für Entwickler interessant, die eigene Anwendungen mit der OpenAI-API verbinden oder KI-Funktionen direkt in ihre Software integrieren möchten.
Allerdings müssen die Credits zunächst aktiviert werden. Dafür ist unter anderem ein berechtigtes, seit mindestens sieben Tagen aktives Abonnement und eine geeignete API-Organisation erforderlich.
Die Credits gelten für die API-Nutzung. Sie erhöhen ausdrücklich nicht das normale ChatGPT- oder Codex-Kontingent.
Nicht verwendetes Guthaben verfällt am Ende des jeweiligen Abrechnungszeitraums. Außerdem kann das Angebot künftig geändert oder eingestellt werden.
Dennoch handelt es sich um einen tatsächlichen Mehrwert, der bei einem reinen Vergleich der monatlichen Abo-Preise leicht übersehen wird.
Gerade für Entwickler eigener KI-Anwendungen kann das enthaltene API-Guthaben wesentlich interessanter sein als ein zusätzliches Entertainment-Abonnement.
20 TB Speicher und YouTube Premium: Googles Zusatzleistungen sind trotzdem nicht unwichtig
Google punktet wiederum mit einem deutlich umfangreicheren Gesamtpaket außerhalb der reinen KI-Entwicklung.
Beim Google-AI-Ultra-5x-Abonnement stehen 20 TB Speicherplatz für Google Drive, Google Fotos und Gmail zur Verfügung.
Das kann insbesondere für Nutzer interessant sein, die regelmäßig größere Datenmengen erzeugen.
Videoproduzenten können beispielsweise Rohmaterial, fertige Videos und Projektdateien vom PC in Google Drive hochladen und dort verwalten. Google Drive unterstützt auch die Speicherung und Wiedergabe zahlreicher Videoformate.
Bei umfangreichen Entwicklungsprojekten können solche Speicherkapazitäten für zusätzliche Backups und die Archivierung von Arbeitsständen sinnvoll sein.
Allerdings sollte Cloud-Speicher nicht die einzige Sicherung eines wichtigen Projekts darstellen. Für produktive Software sind unabhängige Backups und eine zuverlässige Versionsverwaltung weiterhin notwendig.
Die enthaltene YouTube-Premium-Einzelmitgliedschaft stellt ebenfalls einen zusätzlichen Gegenwert dar, sofern der Nutzer diesen Dienst andernfalls separat abonnieren würde.
Doch bei der Frage, welcher Anbieter die bessere Entwicklungsplattform bietet, bleiben diese Leistungen zweitrangig.
Ein Entwickler sollte sich nicht allein wegen 20 TB Cloud-Speicher für einen KI-Tarif entscheiden, wenn der enthaltene Coding-Agent für seine eigentlichen Aufgaben schlechter geeignet ist.
Umgekehrt ist es natürlich legitim, einen Teil der monatlichen Kosten durch die enthaltenen Zusatzleistungen zu rechtfertigen.
ChatGPT Pro, Google AI Ultra, Claude oder lokale KI: Der direkte Vergleich
Die verschiedenen Lösungen verfolgen unterschiedliche Ansätze. Entscheidend ist deshalb, welche Anforderungen ein Nutzer tatsächlich stellt.
| Lösung | Chat- und Coding-Kontingente | Stärken | Einschränkungen |
|---|---|---|---|
| ChatGPT Pro + Codex | Gemeinsames Nutzungskontingent ab Dezember angekündigt; Instant ausgenommen | Deep Coding, komplexe Projektarbeit, leistungsfähige Modelle, API-Guthaben | Anspruchsvoller Chat kann künftig das Coding-Budget belasten |
| Google AI Ultra + Antigravity | Getrennte Produktkontingente für Gemini-Chat und Antigravity | Gemini 4 Argon, agentisches Coding, Cloud-Speicher, Google-Dienste | Beide Produkte besitzen Limits; Leistungsfähigkeit projektabhängig |
| Claude + Claude Code | Gemeinsame Nutzungslimits innerhalb des Abonnements | Komplexe Codeanalysen, Repository-Bearbeitung, agentische Entwicklung | Chat und Coding beeinflussen dasselbe Nutzungsbudget |
| Ollama / LM Studio | Keine Cloud-Chat-Kontingente bei vollständig lokaler Ausführung | Lokaler Datenschutz, Unabhängigkeit, keine nutzungsabhängige Cloud-Abrechnung | Hardwareabhängig; große Modelle können sehr langsam sein |
Vergleich auf Grundlage der veröffentlichten Produktinformationen vom 2. November 2026. Die konkrete Leistungsfähigkeit hängt von Modell, Tarif, Hardware und Arbeitsaufgabe ab. Für den professionellen Einsatz können weitere Kosten und Nutzungsbedingungen gelten.
Die Tabelle zeigt einen wichtigen Unterschied: Wer ausschließlich nach einer Trennung von Chat- und Coding-Kontingenten sucht, findet bei Google momentan ein passenderes Produktmodell als bei den angekündigten OpenAI-Regeln oder den gemeinsam verwalteten Claude-Kontingenten.
Wer dagegen primär die bestmögliche Coding-Leistung benötigt, muss die tatsächlichen Entwicklungswerkzeuge vergleichen.
Und wer vollständig unabhängig von Cloud-Nutzungslimits arbeiten möchte, sollte lokale Sprachmodelle prüfen – dabei aber die Hardwareanforderungen realistisch einschätzen.
Warum ein sofortiger Wechsel von ChatGPT Pro trotzdem keine gute Entscheidung sein muss
So berechtigt die Kritik an OpenAIs neuer Kontingentstrategie ist, ein sofortiger Wechsel zu Google wäre nicht automatisch die richtige Reaktion.
Bei langfristigen Softwareprojekten zählt nicht nur, welcher Anbieter auf dem Papier mehr Nutzungsmöglichkeiten bereitstellt.
Ein bewährter Entwicklungsablauf besitzt einen eigenen Wert.
Wer seine Anwendungen bereits intensiv mit ChatGPT und Codex entwickelt, hat möglicherweise zahlreiche technische Entscheidungen dokumentiert, bestehende Fehleranalysen durchgeführt und seine Arbeitsweise auf die Werkzeuge abgestimmt.
Gerade bei Deep Coding kann dieser Zusammenhang entscheidend sein. Ein Coding-Agent muss wissen, welche Systeme geschützt bleiben sollen, welche Änderungen bereits geprüft wurden und welche technischen Grenzen eingehalten werden müssen.
Ein Plattformwechsel kann deshalb zusätzliche Einarbeitung, erneute Projektanalysen und Anpassungen bestehender Arbeitsabläufe erforderlich machen.
Auch ist keineswegs bewiesen, dass Gemini 4 Argon und Antigravity in jeder anspruchsvollen Programmieraufgabe besser arbeiten als GPT-6 und Codex.
Es gibt Bereiche, in denen Googles Modelle hervorragende Ergebnisse erzielen. In anderen Tests liegen OpenAI oder Anthropic vorne.
Einzelne Benchmark-Werte reichen jedoch nicht aus, um beispielsweise die Qualität einer größeren Spieloptimierung zuverlässig vorherzusagen.
Ein Modell kann in einem standardisierten Coding-Test überzeugen und trotzdem Schwierigkeiten mit einem individuellen, über Monate gewachsenen Projekt haben.
Deshalb wäre es unklug, ein funktionierendes Entwicklungsumfeld ausschließlich wegen einer angekündigten Kontingentänderung sofort aufzugeben.
Die Kritik an OpenAI bleibt dadurch bestehen. Die technisch beste Reaktion darauf ist allerdings nicht unbedingt ein vollständiger Anbieterwechsel.
Die sinnvollste Strategie: Chat und Coding bewusst voneinander trennen
Wer seine Nutzung langfristig unabhängiger gestalten möchte, kann beide Arbeitsbereiche auch organisatorisch aufteilen.
Eine Möglichkeit besteht darin, den normalen KI-Chat über Gemini zu verwenden und für die eigentliche Programmierung weiterhin Codex einzusetzen.
Ein anderes Modell wäre Google AI Ultra mit Gemini für Gespräche und Antigravity für die Entwicklungsarbeit.
Ebenso denkbar ist ein lokal betriebenes Modell für einfache Fragen und Dokumentenanalysen, während anspruchsvolle Architekturentscheidungen und große Codeänderungen weiterhin über einen leistungsfähigen Cloud-Dienst laufen.
Auch getrennte Abonnements oder separat abgerechnete API-Zugänge können sinnvoll sein, wenn eine klare Budgetkontrolle wichtiger ist als eine einzige Benutzeroberfläche.
Allerdings entstehen dadurch möglicherweise zusätzliche Kosten. Mehrere unabhängige Kontingente sind nur dann ein Vorteil, wenn die damit verbundenen Ausgaben und der organisatorische Aufwand im Verhältnis zum tatsächlichen Nutzen stehen.
Vor allem sollte man bei größeren Softwareprojekten vermeiden, eine neue KI unkontrolliert an der einzigen stabilen Projektversion arbeiten zu lassen.
Eine geeignete Testversion, Versionsverwaltung und nachvollziehbare Änderungen ermöglichen es, verschiedene Coding-Agenten zu vergleichen, ohne den laufenden Entwicklungsstand zu gefährden.
Entscheidend ist, wie zuverlässig ein Agent die Aufgabe abschließt, wie viele Korrekturrunden notwendig sind und ob das Ergebnis auch unter realen Bedingungen stabil bleibt.
Erst solche Vergleichstests zeigen, ob sich ein Anbieterwechsel tatsächlich lohnt.
OpenAI sollte vor allem für Transparenz sorgen
Die größte Schwäche der angekündigten Kontingentänderung liegt derzeit in der mangelnden Planbarkeit.
Eine Verdopplung des Nutzungskontingents klingt großzügig. Solange aber nicht klar ersichtlich ist, wie stark lange ChatGPT-Unterhaltungen mit hoher Denkintensität das gemeinsame Budget reduzieren, bleibt der praktische Nutzen schwer einzuschätzen.
Ein Entwickler, der regelmäßig mehrere Stunden anspruchsvolle Analysen durchführt, benötigt andere Ressourcen als jemand, der gelegentlich einen kurzen Text zusammenfassen lässt.
Beide Nutzergruppen unterliegen zwar demselben Abonnementmodell, verwenden die enthaltene Rechenleistung aber auf völlig unterschiedliche Weise.
OpenAI möchte künftig unter Einstellungen → Nutzung anzeigen, wie viel vom gemeinsamen Kontingent noch verfügbar ist und wann es zurückgesetzt wird.
Das ist sinnvoll. Für professionelle Anwender wäre allerdings zusätzlich eine nachvollziehbare Aufschlüsselung des tatsächlichen Verbrauchs hilfreich.
Gerade bei langen Entwicklungsaufgaben sollte möglichst deutlich erkennbar sein, welcher Anteil durch die Analyse im Chat, durch Work und durch Codex entstanden ist.
Ebenso wichtig wäre eine realistische Einschätzung, welche Arbeitsmenge mit den jeweiligen Pro-Tarifen möglich ist.
Wer monatlich rund 100 Euro oder mehr für einen leistungsfähigen KI-Dienst bezahlt, sollte nicht erst nach mehreren intensiven Arbeitstagen feststellen müssen, dass die verbleibenden Ressourcen für die eigentliche Programmierung möglicherweise nicht mehr ausreichen.
Ob die angekündigte Verdopplung diesen Effekt in der Praxis ausreichend ausgleicht, muss sich erst zeigen.
Fazit: Google AI Ultra wird zur ernsthaften Konkurrenz – doch Codex bleibt eine starke Entwicklungsplattform
OpenAI steht mit seiner neuen Kontingentstrategie vor einem schwierigen Balanceakt.
Die Zusammenführung von ChatGPT, Work und Codex kann die Bedienung vereinfachen und neue Arbeitsabläufe ermöglichen. Gleichzeitig besteht das Risiko, dass gerade intensive Nutzer durch das gemeinsame Kontingent weniger flexibel arbeiten können.
Die Verdopplung der bisherigen Work- und Codex-Ressourcen ist eine tatsächliche Verbesserung. Sie verliert jedoch einen Teil ihrer Attraktivität, wenn künftig auch anspruchsvolle normale ChatGPT-Unterhaltungen daraus finanziert werden müssen.
Wie stark diese Änderung einzelne Nutzer betrifft, ist zum jetzigen Zeitpunkt noch nicht zuverlässig absehbar.
Google AI Ultra bietet mit Gemini 4 Argon und Antigravity eine interessante Alternative. Besonders die getrennten Produktkontingente sprechen für Google. Hinzu kommen bis zu 30 TB Cloud-Speicher, YouTube Premium und weitere Leistungen, die das Gesamtpaket aufwerten können.
Allerdings ist auch Gemini kein unbegrenzter KI-Chat. Die verfügbaren Ressourcen werden durch Fünf-Stunden- und Wochenlimits eingeschränkt. Und die angekündigte Einstellung von Jules zeigt, dass Googles Produktstrategie keineswegs unveränderlich ist.
Claude wiederum bleibt eine interessante Wahl für komplexe Softwareentwicklung, verwendet in seinen entsprechenden Abonnements aber ebenfalls gemeinsame Kontingente für Chat und Coding.
Lokale Modelle mit Ollama oder LM Studio bieten zwar echte Unabhängigkeit von Cloud-Chat-Limits, können auf gewöhnlicher Desktop-Hardware bei anspruchsvollem Deep Coding jedoch an deutliche Leistungsgrenzen stoßen.
Für Entwickler großer Anwendungen und Spiele bleibt deshalb eine wichtige Erkenntnis: Das beste KI-Abonnement ist nicht zwangsläufig dasjenige mit den meisten Zusatzfunktionen oder den höchsten beworbenen Limits.
Entscheidend ist, wie zuverlässig die KI im tatsächlichen Projekt arbeitet, wie gut sie komplexe Zusammenhänge versteht und wie viele Ressourcen für die anschließende Umsetzung zur Verfügung stehen.
Webstratege.de empfiehlt deshalb keinen vorschnellen Wechsel von ChatGPT Pro zu Google AI Ultra. Sinnvoller ist es, die tatsächlichen Auswirkungen der OpenAI-Umstellung im Dezember zu beobachten und parallel Gemini 4 Argon sowie Google Antigravity mit vergleichbaren Entwicklungsaufgaben zu testen.
Sollte sich dabei herausstellen, dass anspruchsvolle ChatGPT-Unterhaltungen das gemeinsame Codex-Kontingent erheblich schneller aufbrauchen, könnte Google für intensive Nutzer tatsächlich attraktiver werden.
Bis dahin bleibt Codex eine leistungsfähige Entwicklungsplattform, die gerade bei komplexen und langfristigen Softwareprojekten nicht allein wegen neuer Abrechnungsregeln abgeschrieben werden sollte.
Die eigentliche Kritik an OpenAI ist dennoch berechtigt: Ein höheres Gesamtkontingent ist kein vollständiger Ersatz für die Freiheit, anspruchsvolle Gespräche und agentische Programmierarbeit unabhängig voneinander zu nutzen.
Ob OpenAI mit seiner Strategie langfristig überzeugt oder damit zahlende Entwickler zur Konkurrenz treibt, dürfte wesentlich davon abhängen, wie großzügig und transparent die neuen Kontingente tatsächlich ausfallen.
Quellen und weiterführende Informationen
- OpenAI: Gemeinsame Nutzungskontingente für ChatGPT und Codex ab Dezember 2026 (Englisch)
- OpenAI: ChatGPT Release Notes – Verdopplung der Work- und Codex-Kontingente am 29.10.2026 (Englisch)
- OpenAI: ChatGPT-Pro-Tarife, Preise und Nutzungslimits (Englisch)
- OpenAI: API-Guthaben für berechtigte ChatGPT-Pro-Abonnenten (Deutsch)
- The Decoder: ChatGPT legt Chat und Work zusammen – Folgen für intensive Nutzer (Deutsch, 01.11.2026)
- Google: Offizielle deutsche Preise und Leistungen von Google AI Pro und Ultra
- Google: Google AI Ultra – Leistungen und getrennte Produktkontingente (Deutsch)
- Google: Gemini-App – Rechenleistung, Fünf-Stunden-Zeiträume und Wochenlimits (Deutsch)
- Google Antigravity: Neue Tarifstruktur und gemeinsame Modellkontingente innerhalb von Antigravity (Englisch)
- Google Antigravity: Gemini 4 Argon in der Softwareentwicklung (Englisch)
- Google Jules: Offizielle Ankündigung der Einstellung zum 31.12.2026 (Englisch, 29.10.2026)
- Anthropic: Claude Code und gemeinsame Nutzungslimits mit Claude (Deutsch)
- LM Studio: Hardwareanforderungen für lokal betriebene KI-Modelle (Englisch)
- LM Studio: Offline-Betrieb und lokale Dokumentenverarbeitung (Englisch)
- Ollama: Lokale KI, GPU-Beschleunigung und Vulkan-Unterstützung (Englisch)
- Ollama: Llama 3.1 – Modellgrößen und Speicherbedarf (Englisch)
- Ollama: Qwen3-Coder – Coding-Modelle und technische Anforderungen (Englisch)
- Google: YouTube Premium als Zusatzleistung von Google One und AI Ultra (Deutsch)
- Google Drive: Speicherung und Wiedergabe von Videodateien (Deutsch)
Stand: 2. November 2026. Grundlage sind die offiziellen Produkt- und Nutzungsinformationen von OpenAI, Google, Anthropic, Ollama und LM Studio sowie ergänzende Fachberichte. Die Zusammenlegung der ChatGPT- und Codex-Kontingente ist von OpenAI für Dezember 2026 angekündigt. Die tatsächlichen Auswirkungen auf intensive Nutzer lassen sich erst nach Einführung und anhand konkreter Verbrauchswerte abschließend beurteilen. Preise, verfügbare Modelle, Nutzungslimits und Produktfunktionen können sich ändern.
