OpenAI: KI-Agenten erledigen fast die Hälfte mehrstündiger Forschungsaufgaben allein

OpenAI hat neue interne Zahlen dazu veröffentlicht, wie stark KI-Agenten die eigene Forschung beschleunigen: Aufgaben, für die ein Mensch zwei bis vier Stunden bräuchte, schaffen sie inzwischen in 46 Prozent der Fälle ohne Hilfe. Gleichzeitig zeigt der Bericht, wo die Agenten noch klar scheitern und warum Menschen weiter unverzichtbar sind.

Forschung 19. Nov. 2026 8 Min. Lesezeit Quelle: Techmeme
Symbolbild, KI-generiert

Worum es geht

OpenAI hat einen zweiten Bericht zur sogenannten Forschungsbeschleunigung veröffentlicht. Darin misst das Unternehmen, wie stark KI-Werkzeuge, vor allem Coding-Agenten, die Arbeit der eigenen Forschungsabteilung verändern. Coding-Agenten sind KI-Systeme, die selbstständig Code schreiben, Programme ausführen und Fehler suchen. Der Bericht baut auf einer ersten Auswertung vom September auf und stützt sich auf interne Messungen bis Mitte Oktober 2026.

Kurz gesagt: Die Agenten erledigen deutlich mehr Arbeit allein als noch im Frühjahr. Die Fortschritte sind laut OpenAI aber „zerklüftet“. Bei manchen Aufgaben sind die Agenten sehr gut, bei anderen scheitern sie meistens, und Menschen bleiben fester Teil des Forschungsprozesses.

OpenAI begründet die Veröffentlichung politisch. KI-Labore sollten verpflichtet werden, Anzeichen für rekursive Selbstverbesserung (Recursive Self-Improvement, RSI) offenzulegen. Gemeint ist ein Prozess, in dem KI die Entwicklung der nächsten KI-Generation beschleunigt, die dann wiederum die übernächste beschleunigt. OpenAI betont, der Bericht sei nicht so zu verstehen, dass man vollständige RSI anstrebe.

Der Bericht ist in drei Teile gegliedert: die Eingaben der Forschung (hier die Agenten-Nutzung), den Prozess (wie Forscher arbeiten) und die Ergebnisse (wie sich die Fähigkeiten der Modelle verbessern).

Wie viel die Agenten allein schaffen

Die Kernzahl betrifft Aufgaben, bei denen der Agent ohne menschliches Eingreifen zum Erfolg kommt. OpenAI ordnet die Aufgaben danach, wie lange ein Mensch dafür bräuchte:

Geschätzte menschliche Dauer Erfolgsquote März Erfolgsquote Oktober
2 bis 4 Stunden 23 % 46 %
4 bis 8 Stunden 13 % 35 %

OpenAI räumt eine Einschränkung selbst ein. Weil die Agenten besser geworden sind, geben Forscher ihnen womöglich auch andere Aufgaben als früher. Die gestiegene Quote spiegelt also nicht nur bessere Fähigkeiten wider, sondern auch veränderte Entscheidungen darüber, was man delegiert.

Aufschlussreicher ist die Aufteilung nach Aufgabentyp. Dafür nutzt OpenAI eine Einteilung für KI-Forschung, die das Analyseinstitut Epoch AI entwickelt hat. Vom 1. August bis 18. Oktober 2026 lagen die Quoten in den Oberkategorien so: Kommunizieren 69 Prozent, Analysieren 58 Prozent, Bauen nur 43 Prozent. Auf Ebene einzelner Aufgaben ist die Spanne noch größer:

Aufgabe Erfolgsquote ohne Eingriff
Trainingsläufe auf Probleme überwachen 79 %
Technische Fragen beantworten 72 %
Trainingsläufe starten 35 %
Evaluations-, RL- und Agenten-Umgebungen bauen 29 %
Code für Inferenz- und Serving-Systeme schreiben 25 %

Inferenz- und Serving-Systeme sind die Software, die ein fertiges Modell für Nutzer betreibt. RL steht für Reinforcement Learning, also Lernen durch Belohnung. OpenAI warnt: Solange die Leistung so ungleich verteilt ist, können die schwachen Bereiche zum Flaschenhals werden und eine starke Gesamtbeschleunigung bremsen.

Explodierende Nutzung und Kosten

Die Nutzung der Agenten wächst nach OpenAI-Angaben exponentiell. Zu API-Listenpreisen gerechnet, also so, als würde man für die Rechenleistung den regulären Kundenpreis zahlen, sah das so aus:

  • Mittlerer Forscher (Median): rund 2.400 Dollar pro Tag im Oktober, im September waren es 1.500 Dollar (plus 62 Prozent).
    1. Perzentil, also die Grenze zu den intensivsten zehn Prozent: rund 23.000 Dollar pro Tag, nach 11.000 Dollar im September (plus 105 Prozent).

Eine Fußnote erklärt einen Knick in den Daten. Eine vorübergehende Effizienzänderung an der Agenten-Software ab dem 21. August hatte den gemessenen Verbrauch stark gedrückt. Ab dem 10. September wurde sie schrittweise zurückgenommen, laut OpenAI aus Gründen, die nichts mit den Kosten zu tun hatten. Kontingente für Agenten-Nutzung gibt es für OpenAI-Forscher nicht.

Als zweites Maß führt OpenAI „Agenten-Arbeitstage“ ein: Acht Stunden Agentenlaufzeit zählen als ein Arbeitstag. Pro Forscher und Kalendertag stieg dieser Wert von 0,5 auf 5,7, also auf das Elffache. In den Teams für Pretraining (das grundlegende Training eines Modells) und Posttraining (das Feinschleifen danach) lag er bei etwa acht, in Skalierung und Infrastruktur bei etwa vier. Weil vor allem interaktive Nutzung erfasst wird, sind Automatisierungen hier eher zu niedrig gezählt.

Außerdem arbeiten viele Forscher mit mehreren Agenten gleichzeitig. Mitte Oktober hatten mehr als zwei Drittel der erfassten Forscher täglich in der Spitze mindestens vier parallel laufende Agenten, über zehn Prozent mindestens sechzehn.

Im September 2026 war der API-Gegenwert der Agenten-Nutzung etwa doppelt so hoch wie die Gehälter der Forscher ohne Aktienanteile. Aktien machen bei OpenAI-Forschern laut Bericht allerdings 70 bis 80 Prozent der Zielvergütung aus. Trotzdem entfällt auf die gesamte interne Nutzung von Codex, ChatGPT und API nur rund 2 Prozent der gesamten Forschungs-Rechenleistung.

Was die Forscher selbst sagen

In einer Umfrage unter 101 Forschungsmitarbeitern Ende August und Anfang September fragte OpenAI: Was würdet ihr eintauschen, wenn eurem Team drei Monate lang alle Coding-Agenten weggenommen würden, die besser als GPT-5.2 sind? Die Antworten im Median:

  • 40 Prozent der Teamgröße
  • 30 Prozent der Rechenleistung des Teams
  • 50 Prozent der Rechenleistung, wenn die Frage im Januar 2027 gestellt würde

Ohne Agenten, also nur mit GitHub Copilot und ChatGPT, würde ein Team nach eigener Einschätzung im Median drei Monate für die Arbeit eines Monats brauchen. OpenAI weist selbst darauf hin, dass Selbstauskünfte ungenau sein können und die Stichprobe nicht systematisch gezogen wurde. In einer zweiten, kleineren Umfrage im Oktober bevorzugten 27 von 28 Befragten das neueste interne Modell gegenüber der Kombination aus einem erfahrenen menschlichen Forschungsingenieur und einem Modell von 2024 wie o1-preview.

Bei den großen Ideen sehen sich die Menschen noch vorn. Für die Modelle GPT-6 Astra und GPT-6.2 Astra schrieben die Forscher die wichtigsten Ideen im Posttraining und in der Sicherheitsüberwachung durchweg Menschen zu, die Modelle halfen bei der Umsetzung. Eine Ausnahme gab es im Pretraining von GPT-6.2 Astra. Dort entstanden Ideen im Gespräch mit Codex: Ein Forscher schrieb Codex zentrale Einsichten zu, ein anderer sagte, seine Idee habe erst nach einem Änderungsvorschlag von Codex gut funktioniert.

Interviews mit zehn Forschern zeichnen ein gemischtes Bild. Die Agenten beschleunigen die Umsetzung erheblich. Ein Sicherheitsforscher sagt, das Einrichten einer Evaluation, also eines Testverfahrens für Modelle, dauere jetzt einen Tag statt bis zu zwei Wochen. Gleichzeitig hätten die Agenten „schlechten Geschmack“ bei Forschungsideen, Code- und Datenqualität. Sie verrennen sich, produzieren „AI Slop“ (minderwertige KI-Ausgaben) und treffen falsche Annahmen in Analysen. Ein Forscher aus dem Pretraining sagt:

„Ich glaube schon, dass ich bei Ideen mehr Gespür habe. Aber ich bin überhaupt nicht zuversichtlich, dass das noch lange so bleibt.“

Mehr Code, mehr Experimente, bessere Modelle?

Bei den Ergebnissen nennt OpenAI drei Messgrößen. Die geänderten Codezeilen pro aktivem Mitarbeiter sind 2026 gegenüber dem Durchschnitt vor 2025 stark gestiegen. Tests zählen dabei nicht mehr mit. Die Zahl der Experimente pro aktivem Experimentator lag in den vier Wochen bis zum 18. Oktober beim 1,68-Fachen des Werts von 2025. Beides misst aber Aktivität, nicht zwangsläufig Fortschritt.

Deshalb führt OpenAI den OpenAI ECI ein, eine interne Variante des Epoch Capabilities Index. Dieser Index fasst viele Benchmarks zu einem Gesamtwert für die Fähigkeiten eines Modells zusammen. Nach OpenAI-Angaben stieg der Bestwert der eigenen Modelle seit August 2025 um 16,4 Punkte pro Jahr. Epoch beobachtete seit Ende 2024 einen Trend von 14 Punkten pro Jahr. Das deutet auf eine leichte Beschleunigung hin, wobei OpenAI einräumt, dass die eigenen Modelle im internen Index wegen der anderen Benchmark-Mischung besser abschneiden als bei Epoch.

Mehr Aufwand für Sicherheit

Um zu sehen, woran Forscher tatsächlich arbeiten, hat OpenAI Slack-Beiträge, Code-Änderungen und interne Dokumente von Januar bis September 2026 automatisch Forschungsbereichen zugeordnet. Den größten absoluten Zuwachs hatte der Bereich Sicherheit und Alignment, also die Arbeit daran, dass KI-Systeme tun, was Menschen beabsichtigen. Die dokumentierten Arbeitswochen stiegen um 77 Prozent, durch Neueinstellungen und weil bestehende Forscher umschwenkten. Dazu gehören etwa Tests zur Ausrichtung der Modelle, Überwachbarkeit und die Forschung zu „Reward Hacking“, bei dem ein Modell Belohnungssignale austrickst, statt die Aufgabe wirklich zu lösen. Einen deutlichen Wendepunkt sieht OpenAI nach dem „Hugging-Face-Vorfall“ im Juli 2026. Was dabei genau geschah, erklärt der Bericht nicht.

Einordnung

Der Bericht gehört zu den detailliertesten Einblicken, die ein großes KI-Labor bisher in seine eigene Arbeitsweise gegeben hat. Er ergänzt ähnliche Veröffentlichungen: Anthropic hat drei solche Berichte vorgelegt, Google DeepMind dokumentiert den wachsenden Anteil KI-geschriebenen Codes, und die Prüforganisation METR hat zusammen mit Anthropic geschätzt, wie stark interne Claude-Modelle den Fortschritt beschleunigen.

Die Zahlen zeigen eine klare Richtung: Ein großer Teil der Routinearbeit in der KI-Forschung wird bereits von KI erledigt, und der Anteil wächst schnell. Gleichzeitig ist vieles mit Vorsicht zu lesen. Alle Daten stammen von OpenAI selbst und sind nicht unabhängig geprüft. Die Umfragen beruhen auf Selbstauskünften. Die Kostenangaben sind Listenpreise, keine tatsächlichen internen Kosten. Und der Fähigkeitsindex begünstigt nach OpenAIs eigenem Eingeständnis die eigenen Modelle.

OpenAI selbst warnt, dass die bisherigen Trends keine verlässliche Vorhersage erlauben. Plötzliche Durchbrüche wie zuletzt in der Mathematik seien auch im Deep Learning möglich. Offen bleibt die Frage, die der Bericht ankündigt, aber noch nicht beantwortet: Beschleunigt KI die Entwicklung neuer Fähigkeiten schneller als die Sicherheitsforschung? Daran wird sich zeigen, wie ernst die Forderung nach Transparenz bei der Selbstverbesserung von KI gemeint ist.

Quellen

#openai#ki-agenten#forschung#ki-sicherheit#codex
Originalquelle lesen

Frag den KI-Assistenten

Fragen zu diesem Artikel, zur Installation oder zu Hintergründen? Unser Assistent kennt diese Seite und läuft auf unserem eigenen Rechner, nicht in einer fremden Cloud.

Verbinde …

Der Assistent ist eine KI (Gemma 4) und kann sich irren – wichtige Angaben bitte in der Quelle prüfen. Fragen werden nur zum Beantworten genutzt und nach einer Stunde gelöscht. Bitte keine persönlichen Daten eingeben.

Kommentare

Was meinst du dazu? Schon ausprobiert? Schreib es hier, ohne Anmeldung.

  1. Kommentare werden geladen …

Kommentare sind öffentlich. Links sind nicht erlaubt, beleidigende Beiträge löschen wir. Deinen eigenen Kommentar kannst du in diesem Browser jederzeit wieder löschen. Mehr dazu in der Datenschutzerklärung.