Az OpenAI 80%-kal olcsóbbá tette a legkisebb GPT-5.6 modellt — ettől lett megfizethető a teljes terméklistád átírása

Tegnap az OpenAI 80%-kal levágta a legolcsóbb GPT-5.6 modell árát. Tudom, hogy az ilyen bejelentésekre a legtöbb webshopos joggal legyint: hetente olcsóbb lesz valami, a boltban meg ugyanúgy ott áll a háromezer termék egymondatos leírással. Csak most először fordul meg egy konkrét számítás, ami eddig nem jött ki.

Mi történt pontosan

Az OpenAI július 30-án bejelentette, hogy a GPT-5.6 modellcsalád két tagjának csökkenti az árát: a Luna — a leggyorsabb, legolcsóbb szint — 80%-kal, a középső Terra 20%-kal lett olcsóbb. A csúcsmodell, a Sol ára nem változott, ott egy új „Fast mode” jött, ami gyorsabb kiszolgálást ad magasabb áron. A Luna így millió bemeneti tokenenként 0,20 dollárba és millió kimeneti tokenenként 1,20 dollárba kerül, a korábbi 1, illetve 6 dollár helyett. A cég indoklása szerint a fejlesztés közbeni hatékonyságjavulást adják tovább.

Egy fontos pontosítás, mert ezt szokták félreérteni: ez az API ára, nem a ChatGPT-előfizetésé. Akkor érint, ha a boltod valamilyen automatizmuson keresztül hívja a modellt — saját szkript, n8n-folyamat, egy bővítmény, vagy egy szolgáltató, aki neked tokenalapon számláz tovább. Ha csak beírogatsz a ChatGPT ablakába, számodra ma nem változott semmi.

Miért mozdul ettől bármi a boltodban

15 éve menedzselek webshopokat, és a tapasztalatom az, hogy az AI-projekteket ritkán az ötlethiány öli meg. Az öli meg, hogy valaki kiszámolja a teljes katalógusra, kijön egy szám, és azt senki nem hajlandó kifizetni olyasmiért, amiről még nem tudja, működik-e egyáltalán.

Pont ez a szám mozdult el. Az ötszörös árcsökkenés azokat a munkákat érinti, ahol sok az ismétlés és kevés az egyedi gondolkodás:

• hiányzó vagy sablonos termékleírások pótlása a teljes listán
• kategória- és címkerendezés több ezer cikkszámon
• terméknevek és paraméterek egységesítése hirdetési feed előtt
• vásárlói vélemények és ügyfélszolgálati levelek témák szerinti összegzése

Ezek technikailag eddig is mentek. Csak a nagyságrend volt a gond: száz terméken elfért egy próba, háromezren már beszélgetés volt a könyvelővel.

És most az a rész, amit a hírekben nem írnak meg

Az olcsó token nem javítja meg a rossz alapadatot. Ha a terméktörzsedben hibás a méret, hiányzik a súly, keverednek a márkanevek, azt a modell nem hozza rendbe — hanem gyorsan és olcsón felsokszorozza. A legtöbb kárt nem a rossz modell okozza, hanem az, hogy valaki egy rendetlen adatbázisra ereszti rá az automatizmust, aztán hónapokig nem érti, miért romlott el a feedje.

A második, amit szinte mindenki kihagy: mérd. Ha átíratsz 800 termékleírást, legyen egy dátumod, ami előtt és után ugyanazokat a termékeket meg tudod nézni. Ha utólag nem tudod megmondani, hogy a fedezeted mit csinált, akkor nem beruháztál, hanem költöttél — csak most már olcsóbban.

Mit csinálj ezzel a héten

Ne a teljes katalógussal kezdd. Válaszd ki azt az 50 terméket, ahol a legnagyobb a forgalom, de a leggyengébb a leírás, futtasd le rajtuk, és nézd meg 2-3 hét múlva a számokat. Ha ott működik, onnantól már csak sokszorozás kérdése — és most már az ára is az. Ha nem működik, ötven terméken tanultad meg, nem háromezren.

Ha nem vagy biztos benne, hol érdemes egyáltalán elkezdeni — melyik terméknél folyik el ténylegesen a pénz, és hol javítana ezen az automatizálás —, pontosan ezt szoktam végignézni az AI- és profitauditon: a saját adataidból, konkrét listával, nem általános AI-tanácsokkal.