OpenAI berichtet, dass seine Forschenden inzwischen 3,1 Agentenarbeitstage je menschlichem Arbeitstag nutzen. Das beschreibt Agentenlaufzeit, keine Steigerung der Produktivität auf das 3,1-Fache. Der neue Forschungsbericht liefert Verantwortlichen für Unternehmens-KI einen guten Anlass, Coding-Agenten systematischer zu testen. Er liefert aber keine belastbare Grundlage, um das Inferenzbudget eines KI-Labors zu übernehmen oder Forschungsstellen abzubauen. Entscheidend sind Kosten und Durchlaufzeit bis zu einem geprüften, reproduzierbaren Forschungsergebnis.
Was OpenAI veröffentlicht hat
Am 6. September 2026 veröffentlichte OpenAI Research acceleration: The view inside OpenAI. Das neue Ereignis ist die Veröffentlichung interner Daten zu Forschungsabläufen, nicht die Einführung einer neuen API. Die meisten Beobachtungen beziehen sich auf frühere Monate, darunter Nutzungsdaten bis Mitte August.
Nach Angaben von OpenAI verbrauchte der nach Agentennutzung eingeordnete Median-Forschende Mitte August täglich Inferenz im Gegenwert von mehr als 600 US-Dollar zu API-Preisen. Am 90. Perzentil der Nutzung nennt OpenAI täglich mehr als 7.000 US-Dollar an Tokens. Das sind vom Anbieter berichtete Bewertungen der Nutzung. Es handelt sich weder um den Preis eines veröffentlichten Unternehmenspakets noch um die tatsächlichen Grenzkosten des Labors oder ein empfohlenes Budget für ein deutsches Entwicklungsteam.
Der Bericht nennt außerdem über die Forschungsorganisation hinweg 3,1 Agentenarbeitstage je menschlichem Arbeitstag; als Vergleichseinheit dient ein achtstündiger Arbeitstag. Parallel laufende Agenten können Laufzeit ansammeln, während eine einzelne Person arbeitet. Daraus erfahren Sie nicht, wie viel geprüfte Forschung das Team erzeugt hat, wie lange die Prüfung dauerte oder ob ein Ergebnis in ein eingesetztes Modell eingegangen ist.
Eine andere Angabe ist für Ihre Entscheidung unmittelbar nützlicher: In den vorausgegangenen sechs Monaten enthielt mehr als die Hälfte der erfolgreichen Aufgaben mit geschätztem menschlichem Arbeitsaufwand von vier bis acht Stunden mindestens einen Eingriff. Das bedeutet nicht, dass die Hälfte aller Aufgaben scheiterte. Es ist eine bedingte Aussage über erfolgreiche Aufgaben. Die Aufgabenlänge wurde in menschlicher Arbeitszeit geschätzt; sie misst nicht, wie lange ein Agent unbeaufsichtigt lief.
Für wen der Bericht relevant ist – und was nicht angeboten wird
Der Bericht ist öffentlich zugänglich. Er ist insbesondere für KI-Verantwortliche relevant, die Modellexperimente, Evaluationsinfrastruktur oder interne Coding-Agenten-Piloten betreiben. Ein KI-Team in der Fertigung kann daraus eine Untersuchung zur Implementierung und Fehlersuche bei Experimenten ableiten. Es sollte aber nicht annehmen, dass sich Erkenntnisse aus einem Frontier-Labor ohne Weiteres auf Qualitätsprüfung, Instandhaltungsplanung oder wissenschaftliche Entdeckungen in anderen Fachgebieten übertragen lassen.
OpenAI erklärt, sein internes Ziel eines automatisierten „Research Intern“ erreicht zu haben: ein System, das unter menschlicher Anleitung klar definierte Forschungsaufgaben bearbeitet, darunter Aufgaben mit einem geschätzten Aufwand von mehreren Tagen für erfahrene Forschende. Das ist die Einschätzung von OpenAI, keine unabhängig zertifizierte Fähigkeitsstufe. Die Veröffentlichung belegt weder einen separat bestellbaren Forschungsassistenten-Dienst noch dessen regionale Verfügbarkeit in Deutschland, Datenresidenzbedingungen oder einen neuen Tarif für dieses System.
Prüfen Sie für eine Beschaffung das konkrete Produkt, Modell, den Endpunkt, Vertrag und die Region, die Ihr Team tatsächlich nutzen würde. Unsere Analyse zu GPT-6 Astra, Zugang und Betriebskontrollen behandelt die separate Entscheidung zum Modellangebot. Aus einer Aussage über interne Laborabläufe und der Verfügbarkeit eines Produkts folgt nicht, dass Kunden die gesamte Laborumgebung erhalten.
Warum mehr Experimente noch keine schnellere Forschung belegen
OpenAI berichtet von mehr Experimenten je aktiv experimentierender Person und einer Korrelation mit der Codex-Nutzung. Gleichzeitig weist das Unternehmen auf gewachsene Rechenkapazität hin. Das sind Beobachtungsdaten aus einer veränderten Umgebung, kein kontrollierter Vergleich, der die Wirkung der Agenten isoliert.
Drei Bezugsgrößen müssen getrennt bleiben. Agentenlaufzeit beschreibt Maschinenaktivität. Experimente je Forschendem beschreiben den Durchsatz eines Arbeitsschritts. Akzeptierte Forschungsergebnisse beschreiben ein anderes Resultat: War das Experiment valide, beantwortete es eine Frage und bestand es die Prüfung? Ein System kann die ersten beiden Größen verbessern und die dritte durch doppelte Experimente, schwache Hypothesen oder eine wachsende Prüfschlange erschweren.
Eine hilfreiche unabhängige methodische Grundlage ist Epoch AIs Toward an O*NET for AI R&D, veröffentlicht am 17. Juni 2026 und von OpenAI zitiert. Der Beitrag schlägt eine feingliedrige Aufgabentaxonomie vor, statt Forschungsautomatisierung aus leicht messbaren Ersatzgrößen abzuleiten. Er ist methodischer Hintergrund, keine neue Meldung und keine unabhängige Bestätigung der OpenAI-Ergebnisse. Die Autoren kennzeichnen ihre ersten Automatisierungsbewertungen ausdrücklich als subjektiv.
Übertragen Sie den Ansatz auf einzelne Aufgaben. Trennen Sie Hypothesenauswahl, Experimentimplementierung, Ausführungsüberwachung, Ergebnisinterpretation und Integration. Das sind vorgeschlagene Kategorien für einen Pilotversuch, keine Behauptung, dass jede industrielle Forschung einem einheitlichen Schema folgt. Vergleichen Sie zunächst die Unterstützung innerhalb derselben Kategorie, bevor Sie Ergebnisse sehr unterschiedlicher Aufgaben zusammenführen.
Die Wirtschaftlichkeitsbetrachtung geht über Tokenkosten hinaus: In die Kosten je akzeptiertem Ergebnis gehören Inferenz, Rechenleistung für Experimente, menschliche Steuerung, Prüfung, Nacharbeit und anteilige Infrastrukturkosten. Erfüllt kein Ergebnis die vorher festgelegten Kriterien, weisen Sie Ausgaben und null akzeptierte Ergebnisse aus. Präsentieren Sie dann keine günstige Kennzahl „Kosten je Ergebnis“. Damit übertragen Sie die Messprinzipien unseres Leitfadens zur Agentenevaluation im Produktionsbetrieb auf den neuen Forschungsbericht.
Was ein belastbarer Unternehmenspilot messen sollte
Beginnen Sie mit einer abgegrenzten Forschungsaufgabe, deren Ergebnis eine Fachperson vor dem Agentenlauf definieren kann. Ein Beispiel ist die Umsetzung eines vereinbarten Evaluationsexperiments auf einem eingefrorenen Datensatz. Der Auftrag „Verbessern Sie das Modell“ mit nachträglicher Bewertung beliebiger Ergebnisse ist dafür ungeeignet.
Vergleichen Sie vergleichbare Aufgaben mit und ohne Agentenunterstützung. Teilen Sie Aufgaben nach Möglichkeit zufällig zu. Andernfalls kennzeichnen Sie den Vergleich als beobachtend und dokumentieren Unterschiede bei Erfahrung, Aufgabenschwierigkeit, Rechenbudget und Werkzeugen. Halten Sie Modell- und Harness-Versionen im Ergebnisdatensatz fest. Lerneffekte und Zusammenarbeit zwischen Forschenden können einen einfachen Vorher-nachher-Vergleich verzerren.
Messen Sie die Zeit von der Zuweisung bis zum akzeptierten Ergebnis einschließlich Prüf- und Wartezeiten. Erfassen Sie die Minuten menschlicher Eingriffe getrennt von deren Anzahl: Eine kurze Klarstellung und eine längere Fehlersuche sind nicht derselbe Arbeitsaufwand. Behalten Sie gescheiterte, abgebrochene und ungeklärte Versuche in der Bezugsgröße. OpenAIs Grafik zum Aufgabenerfolg schließt ungewisse Ergebnisse aus. Ihr Pilot sollte diese ausgeschlossene Gruppe gesondert ausweisen, statt sie stillschweigend als Erfolg oder Misserfolg zu behandeln.
Geben Sie Agenten nicht allein deshalb Zugriff auf Produktionssysteme, um einen realistischen Test zu erhalten. Nutzen Sie einen begrenzten Arbeitsbereich, eingeschränkte Zugangsdaten, kontrollierte ausgehende Verbindungen und ein genehmigtes Rechenbudget. Ein Ergebnis ist nur dann verwertbar, wenn Ihr Team es reproduzieren und sicher integrieren kann. Unser Beitrag zu Release-Gates für KI-gestützte Selbstverbesserung behandelt diese nachgelagerte Kontrollgrenze. Hier geht es zunächst darum, ob der Forschungsablauf eine Ausweitung rechtfertigt, bevor er diese Grenze erreicht.
Checkliste: ausweiten, überarbeiten oder stoppen
1. Das akzeptierte Ergebnis vorab festlegen
Dokumentieren Sie Forschungsfrage, Datensatzversion, Abnahmekriterien und unabhängige prüfende Person vor der Ausführung. Weiten Sie den Einsatz nur aus, wenn das Ergebnis reproduzierbar ist und die ursprüngliche Frage beantwortet. Überarbeiten Sie den Pilotversuch, wenn der Agent sein Erfolgskriterium oder die Bewertungslogik ungeprüft ändern kann.
2. Alle Versuche nachvollziehbar erfassen
Erfassen Sie abgeschlossene, gescheiterte, abgebrochene und ungeklärte Aufgaben sowie Wiederholungen und delegierte Teilaufgaben unter einer übergeordneten Experiment-ID. Ein ergebnisoffenes Experiment kann wissenschaftlich wertvoll sein, darf aber nicht nachträglich als erfolgreiche Implementierung umgedeutet werden. Stoppen Sie den Vergleich, wenn fehlende Ergebnisse eine ehrliche Bilanz der Versuche verhindern.
3. Steuerung und Prüfung einpreisen
Erfassen Sie menschliche Arbeitsminuten, Inferenznutzung, Rechenleistung und Wartezeit auf die Prüfung. Weiten Sie den Einsatz aus, wenn sich Kosten oder Durchlaufzeit bei der erforderlichen Qualität verbessern – nicht schon dann, wenn Agenten mehr Code erzeugen. Untersuchen Sie eine wachsende Prüfschlange, bevor Sie mehr Parallelität zulassen.
4. Begrenzungen vor der Skalierung testen
Prüfen Sie, ob aufgabenbezogene Zugangsdaten den Zugriff auf fremde Datensätze, Produktionssteuerungen oder unbegrenzte Rechenressourcen verhindern. Dokumentieren Sie, wer zusätzliche Ressourcen freigeben und einen Lauf stoppen darf. Schnellere Experimente rechtfertigen keine weitergehenden Berechtigungen. Ein gescheiterter Begrenzungstest blockiert die Ausweitung unabhängig vom Durchsatz.
5. Die Verantwortung für Integration erhalten
Verlangen Sie ein Experimentmanifest, eine geprüfte Änderung und eine reproduzierbare Evaluation, bevor ein Ergebnis ein Modell oder einen Arbeitsablauf verändert. Trennen Sie die Genehmigung des Experiments von den Nachweisen, die eine Bereitstellung rechtfertigen. Ein nicht rekonstruierbares Ergebnis gehört nicht in den Release-Kandidaten.
Grenzen der Daten und Ihre nächste Entscheidung
Der Bericht beschreibt interne Agentennutzung vergleichsweise konkret. Er bleibt jedoch die Darstellung eines Anbieters über seine eigene Forschungsorganisation. Ein agentischer Klassifikator ordnet Aufgaben ein, manche Ergebnisse bleiben ungewiss, und Werkzeuge, Rechenkapazität sowie Aufgabenmix änderten sich im Beobachtungszeitraum. Das macht den Bericht nicht wertlos. Es begrenzt die kausalen und wirtschaftlichen Schlussfolgerungen, die Sie daraus ziehen können.
Die belastbarste praktische Lesart ist enger als „KI-Forschende lassen sich ersetzen“: Menschliche Steuerung bleibt Bestandteil erfolgreicher längerer Aufgaben, und Laufzeit ist keine Ergebniskennzahl. Legen Sie eine aufgabenspezifische Vergleichsbasis und eine Grenze für die Prüfkapazität fest, bevor Sie ein größeres Agentenbudget beschaffen.
Wenn Sie die Experimentgrenze, Evaluationsnachweise und Integrationskontrollen konkretisieren möchten, finden Sie Unterstützung bei unseren Leistungen für KI-Automatisierung und Implementierung. Bringen Sie einen Forschungsablauf, dessen aktuellen Engpass und seine Abnahmekriterien mit. Das ist ein nützlicherer Ausgangspunkt als eine Zielzahl gleichzeitig laufender Agenten.
