OpenAI misst 3,1 Agententage pro Forschertag: Was die Zahl wirklich bedeutet

Was OpenAI am 6. September neu veröffentlicht hat

Der neue Bericht ist keine Ankündigung eines weiteren Modells. OpenAI legt darin erstmals konkrete interne Nutzungs- und Arbeitsdaten vor, um den Einfluss von Coding-Agenten auf die eigene Forschung zu beschreiben. Erfasst werden unter anderem Agentenlaufzeit, Codebeiträge, Experimente, Aufgabentypen, Erfolgsraten und menschliche Eingriffe.

OpenAI bezeichnet die Messungen ausdrücklich als vorläufig. Sie sollen einen Zwischenstand auf dem Weg zu stärker automatisierter KI-Forschung liefern, nicht den Nachweis einer bereits autonomen Forschungsorganisation. Menschen wählen nach Unternehmensangaben weiterhin Forschungsziele, beurteilen Ergebnisse und entscheiden, ob Systeme skaliert, pausiert oder veröffentlicht werden.

Ereignisdatum: 6. September 2026. Neu ist der Forschungsbericht mit internen Messwerten, nicht der bereits im Juli geschehene Sicherheitsvorfall.

Was OpenAI mit einem automatisierten Forschungspraktikanten meint

OpenAI erklärt, das für September 2026 gesetzte Ziel eines automated research intern erreicht zu haben. Gemeint ist nach der eigenen Definition ein System, das klar umrissene Forschungsaufgaben unter menschlicher Anleitung erledigen kann, darunter Aufgaben, für die ein qualifizierter Forscher einige Tage benötigen würde.

Die Formulierung beschreibt weder eine allgemein verfügbare Stelle noch ein System, das selbstständig Forschungsprogramme festlegt. OpenAI nennt als nächstes Ziel einen automatisierten KI-Forscher bis März 2028. Das ist eine Zielsetzung des Unternehmens und keine verifizierte Prognose über den tatsächlichen Entwicklungsverlauf.

3,1 Agententage sind keine dreifache Produktivität

Vor Juni lag die gesamte Laufzeit der Coding-Agenten laut OpenAI noch unter der menschlichen Arbeitszeit der Forschungsorganisation. Mitte August kamen rechnerisch 3,1 Agenten-Arbeitstage auf jeden menschlichen Arbeitstag. Für die Umrechnung setzt OpenAI einen standardisierten Acht-Stunden-Tag an und zählt parallele Agentenläufe zusammen.

Damit misst die Zahl eingesetzte Agentenzeit, nicht den Wert oder die Qualität der Resultate. Mehrere Agenten können gleichzeitig arbeiten, Fehler produzieren oder denselben Engpass untersuchen. Die Kennzahl zeigt vor allem, wie tief Agenten in den Arbeitsalltag integriert sind. Aus ihr lässt sich kein Faktor für wissenschaftlichen Fortschritt oder Arbeitsproduktivität ableiten.

Herstellerangabe: 3,1 Agenten-Arbeitstage je menschlichem Arbeitstag beschreiben aggregierte Laufzeit. Die Zahl ist kein unabhängiger Produktivitätsbenchmark.

Die interne Nutzung erreicht ungewöhnliche Größenordnungen

OpenAI bewertet die tägliche Inferenznutzung des medianen Forschers Mitte August mit mehr als 600 US-Dollar zu API-Listenpreisen. Beim 90. Perzentil nennt das Unternehmen mehr als 7.000 US-Dollar pro Tag. Das sind interne Vergleichswerte für Token- und Rechenverbrauch, nicht zwingend tatsächlich verrechnete Kosten zwischen Abteilungen.

Die Beträge zeigen, dass intensive Agentennutzung erheblichen Compute beansprucht. Für externe Teams ist deshalb nicht die Zahl paralleler Sitzungen entscheidend, sondern der Preis pro erfolgreich abgeschlossener Aufgabe. Dazu gehören Modellkosten, Laufzeit, menschliche Kontrolle, fehlgeschlagene Versuche und die Infrastruktur für sichere Ausführung.

• Median laut OpenAI: mehr als 600 US-Dollar tägliche Inferenz zu API-Preisen
• 90. Perzentil laut OpenAI: mehr als 7.000 US-Dollar pro Tag
• Parallele Agenten erhöhen Durchsatz und gleichzeitig den Compute-Bedarf
• Interne Vergleichswerte sind nicht mit einer Kundenrechnung gleichzusetzen

Mehr Code und Experimente zeigen Beschleunigung, aber nicht deren Ursache

OpenAI berichtet, dass Forscher schneller Code beitragen und mehr Experimente ausführen. Im August 2026 erreichte die Zahl der Experimente pro aktivem Experimentierenden den höchsten Stand seit Beginn der Messung im Januar 2025. Die Entwicklung korreliert nach Unternehmensangaben mit einer stärkeren Codex-Nutzung.

Korrelation ist hier keine eindeutige Ursache. OpenAI weist selbst darauf hin, dass seit 2025 auch der verfügbare Compute deutlich gewachsen ist. Zudem können mehr Experimente sowohl schnelleren Erkenntnisgewinn als auch mehr Wiederholungen oder breitere Suche bedeuten. Aussagekräftiger wäre, wie oft Experimente robuste Verbesserungen hervorbringen und erfolgreich in Modelle einfließen.

Längere Aufgaben brauchen weiterhin menschliche Steuerung

Für die Einordnung von Agentenaufgaben verwendet OpenAI eine von Epoch AI entwickelte Taxonomie mit sechs Phasen: entscheiden, entwerfen, bauen, ausführen, analysieren und kommunizieren. Zwischen Januar und August nahm die Agentennutzung in allen Kategorien zu. Planung auf hoher Ebene machte aber weiterhin nur einen kleinen Anteil der ausgegebenen Tokens aus.

OpenAI sieht von Januar bis Juli steigende Erfolgsraten bei Aufgaben unterschiedlicher Länge. Bei erfolgreichen Aufgaben, die ein Mensch geschätzt in vier bis acht Stunden erledigen würde, war in mehr als der Hälfte der Fälle mindestens ein menschlicher Eingriff nötig. Unklare Ergebnisse und Gruppen mit weniger als 50 Sitzungen oder Nutzern wurden aus Teilen der Analyse ausgeschlossen.

• Agenten übernehmen häufiger längere und höher eingeordnete Aufgaben
• Strategische Planung bleibt überwiegend beim Menschen
• Erfolg wird nur für Aufgaben mit beobachtbarem Ergebnis geschätzt
• Mehr als die Hälfte erfolgreicher Vier- bis Acht-Stunden-Aufgaben brauchte Eingriffe

Die Sicherheitsmaßnahmen verlangsamten Teile der Forschung

Der Bericht verbindet Beschleunigung ausdrücklich mit Grenzen. Nach dem OpenAI-Hugging-Face-Vorfall vom 20. Juli wurde der Containerdienst für Training vorübergehend abgeschaltet. OpenAI pausierte zwei Wochen lang Reinforcement-Learning-Training an den neuesten für eine Veröffentlichung vorgesehenen Modellen und nahm Arbeitslasten erst unter verschärften Kontrollen wieder auf.

Am 7. August führten vorläufige Hinweise auf kritische Cyberfähigkeiten von Astra zu weiteren Einschränkungen. In der folgenden Woche sank die für Astra-Klassen vorgesehene GPU-Zuteilung laut OpenAI um 59,2 Prozent, während sie bei anderen Modellklassen um 17,2 Prozent stieg. Das Unternehmen wertet dies als Verschiebung von Compute, nicht als vollständigen Forschungsstopp.

Der Vorfall selbst ist nicht neu. Der Bericht vom 6. September liefert neue Angaben dazu, wie Pausen, Sicherheitsauflagen und Compute-Verschiebungen den Forschungsbetrieb beeinflussten.

Was die veröffentlichten Daten nicht beweisen

Alle zentralen Kennzahlen stammen von OpenAI und wurden bislang nicht anhand offener Rohdaten unabhängig reproduziert. Die Messungen decken nach Angaben des Unternehmens den größten Teil, aber nicht die gesamte Agentennutzung ab. Der Begriff Forscher umfasst außerdem Personen, die Forschungsinfrastruktur bauen, Projekte leiten oder andere unterstützende Aufgaben erfüllen.

Agentenlaufzeit, Codezeilen und Experimentzahl sind leicht messbare Näherungen. Sie beantworten nicht direkt, wie viel neue wissenschaftliche Erkenntnis entsteht, wie oft Resultate verworfen werden oder ob schwierige Engpässe schneller gelöst werden. OpenAI nennt genau diese Lücke und will Erfolg auf realen Forschungsaufgaben künftig genauer messen.

• Keine unabhängige Reproduktion der internen Messwerte
• Mehr Nutzung ist nicht automatisch mehr Forschungserfolg
• Zusätzlicher Compute erschwert die Zuordnung des Effekts
• Messabdeckung und Definition der Forschungsorganisation sind breit
• Menschliche Priorisierung und Freigabe bleiben zentral

Was Teams aus dem Bericht praktisch übernehmen können

Der nützlichste Teil des Berichts ist weniger die große Verhältniszahl als das Messmuster dahinter. Ein eigener Agentenpilot sollte Aufgabenlänge, Erfolgsquote, Zahl der Eingriffe, Laufzeit, Kosten und verwertbare Ergebnisse gemeinsam erfassen. Nur so wird sichtbar, ob parallele Agenten echte Engpässe lösen oder vor allem mehr Aktivität erzeugen.

Aufgaben mit Codeausführung oder Netzwerkzugriff benötigen isolierte Umgebungen, minimale Berechtigungen, Protokollierung und einen klaren Abbruchweg. Schwierige oder irreversible Entscheidungen bleiben genehmigungspflichtig. Die verantwortbare Geschwindigkeit eines Systems wird damit nicht allein durch das Modell, sondern ebenso durch Messbarkeit und Sicherheitskontrollen bestimmt.

• Vorab definieren, wann eine Aufgabe als erfolgreich gilt
• Menschliche Eingriffe und Nacharbeit separat protokollieren
• Kosten pro verwertbarem Ergebnis statt nur Tokenverbrauch messen
• Parallele Läufe auf Doppelarbeit und Fehlversuche prüfen
• Werkzeuge und Netzwerke zunächst streng isolieren

Die MindrAils-Einordnung

OpenAIs Bericht ist relevant, weil er den Einsatz von Coding-Agenten nicht nur anhand einzelner Demos beschreibt, sondern mit internen Betriebsdaten. 3,1 Agententage pro menschlichem Forschertag zeigen einen deutlichen Wandel der Arbeitsweise. Zugleich verhindern Messmethode, Compute-Wachstum und häufige menschliche Eingriffe eine einfache Aussage wie dreifache Produktivität.

Besonders wichtig ist die Verbindung von Tempo und Sicherheitskosten. Agenten können mehr Arbeit parallelisieren, doch stärkere Fähigkeiten erhöhen den Aufwand für Isolation, Monitoring und Freigaben. Ob automatisierte Forschung tatsächlich schneller zu belastbaren Erkenntnissen führt, wird sich erst mit wiederholbaren Aufgabenmetriken, unabhängiger Forschung und weiteren transparenten Berichten beurteilen lassen.