OpenAI erreicht nach eigenen Angaben Meilenstein zum „automatisierten Forschungspraktikanten“

Ein System für mehrtägige Forschungsaufgaben

OpenAI erklärt, das Unternehmen habe sein Ziel erreicht, bis September 2026 einen „automatisierten Forschungspraktikanten“ zu entwickeln. Dies sei ein wichtiger Schritt hin zu KI-Systemen, die direkt zur Entwicklung von Frontier-Modellen beitragen können.

Das Unternehmen definiert den Meilenstein eng. Das System kann klar beschriebene Forschungsaufgaben unter menschlicher Anleitung erledigen, darunter Aufgaben, für die ein qualifizierter Forscher mehrere Tage benötigen würde. Es handelt sich nicht um einen autonomen Wissenschaftler, der seine eigene Agenda festlegt, sämtliche Konsequenzen bewertet oder entscheidet, ob ein Modell trainiert oder eingesetzt werden soll.

Als nächstes Ziel nennt OpenAI einen automatisierten KI-Forscher bis März 2028. Dieses System soll die Forschung zu Deep Learning und Alignment durch wiederholte Zyklen aus Experimenten und Verbesserungen unterstützen.

Diese Unterscheidung ist wichtig, denn automatisierte Forschung ist nicht zwangsläufig rekursive Selbstverbesserung, also RSI. Ein KI-Forscher könnte ausgewählte Teile der Modellentwicklung beschleunigen, während Menschen weiterhin Prioritäten setzen, Ressourcen zuweisen und folgenreiche Entscheidungen genehmigen. Eine schnelle RSI würde eine leistungsfähigere Rückkopplungsschleife voraussetzen, in der KI-Systeme dabei helfen, zunehmend leistungsfähigere Nachfolger zu entwickeln.

OpenAI räumt ein, noch nicht zu wissen, wie sich eine schnelle RSI vollständig abgestimmt und sicher gestalten lässt. Das Unternehmen erkennt außerdem an, dass sich Forschungskapazitäten schneller entwickeln könnten als Verfahren für Überwachung, Sicherheit und Alignment.

Coding-Agenten überschreiten inzwischen die Arbeitszeit von Menschen

Die deutlichsten Belege für die Automatisierung liefert der interne Einsatz von Coding-Agenten bei OpenAI. Anfang 2026 nutzte der Median-Forscher gemessen an der Agentennutzung solche Tools nur in begrenztem Umfang. Mitte August ließ dieser Forscher täglich Agenten laufen und verbrauchte zu API-Preisen mehr als 600 US-Dollar an täglicher Inferenz.

Bei den intensivsten Nutzern lag die Nutzung deutlich höher. Am 90. Perzentil hatte der tägliche Tokenverbrauch einen Wert von mehr als 7.000 US-Dollar.

Vor Juni 2026 blieb die kombinierte Laufzeit der Agenten in der Forschungsorganisation unter der gesamten menschlichen Arbeitszeit. Mitte August verzeichnete OpenAI 3,1 Agentenarbeitstage je menschlichem Arbeitstag, wobei ein achtstündiger Arbeitstag als Standard zugrunde gelegt wurde.

Diese Zahl misst die Laufzeit, nicht die gleichwertige geistige Leistung. Ein Agent kann viele Stunden aktiv sein, während er einen unproduktiven Ansatz verfolgt, auf Infrastruktur wartet oder Arbeit erzeugt, die von Menschen geprüft werden muss. Außerdem können mehrere Agenten dieselbe Arbeit doppelt erledigen.

Auch die Parallelisierung nimmt zu. Immer mehr Forscher betreiben gleichzeitig vier oder mehr Agenten. In den Zahlen sind sowohl direkt gestartete Agenten als auch Subagenten enthalten, die von anderen Agenten erzeugt wurden. So kann eine Person mehrere parallel laufende Aufgaben in den Bereichen Programmierung, Fehlersuche und Evaluierung beaufsichtigen.

Die finanziellen und zeitlichen Messwerte zeigen daher eine starke Zunahme der Maschinenaktivität. Sie belegen jedoch keine 3,1-fache Steigerung der Forschungsproduktivität.

Mehr Code und mehr Experimente, aber nicht jeder Engpass lässt sich automatisieren

OpenAI berichtet von einer schnelleren Codeproduktion und einer steigenden Zahl von Experimenten. Das Unternehmen führt diese Entwicklungen auf die zunehmende Nutzung von Codex zurück. Auch die seit 2025 ausgeweitete Verfügbarkeit von Rechenkapazität trug dazu bei, weshalb sich der Anstieg nur schwer vollständig den verbesserten Agenten zuschreiben lässt.

Die Zahl der Experimente je aktivem Experimentator stieg im Laufe des Jahres 2026. Der August 2026 war seit Beginn der Erfassung im Januar 2025 der stärkste Monat.

KI-Forschung besteht jedoch aus einer Kette voneinander abhängiger Aktivitäten. Forscher müssen nützliche Verbesserungen vorschlagen, Evaluierungen konzipieren, skalierbare Infrastrukturen entwickeln, Fehler oder unsicheres Verhalten erkennen, Ergebnisse interpretieren und erfolgreiche Änderungen in umfangreiche Trainingsläufe integrieren. Ein Ausfall an jeder beliebigen Stelle kann den gesamten Prozess blockieren.

Coding-Agenten können Verzögerungen bei Implementierung und Experimenten verringern, ohne Schwächen an anderer Stelle zu beheben. Sobald sich leicht automatisierbare Aufgaben schneller erledigen lassen, können Tätigkeiten, die Urteilsvermögen erfordern, einen größeren Teil des Entwicklungszyklus ausmachen. Auch Rechenkapazität kann zum begrenzenden Faktor werden, wenn Agenten mehr Experimente erzeugen, als die verfügbare Hardware ausführen kann.

OpenAI analysierte die Nutzung der Agenten anhand einer von Epoch AI entwickelten Taxonomie, die sechs Bereiche der Frontier-Forschung umfasst: Prioritäten festlegen, Methoden entwickeln, Software und Datensätze erstellen, Systeme ausführen, Ergebnisse analysieren und Erkenntnisse vermitteln.

Zwischen Januar und August 2026 stieg die Nutzung von Agenten-Token in jeder Kategorie. Forschungs- und Infrastrukturcode blieb der größte Bereich, während auch technische Unterstützung und die Überwachung von Läufen zunahmen. Auf die übergeordnete Planung entfiel weiterhin nur ein kleiner Anteil der Output-Token.

Agenten scheinen sich besonders bei der Fehlersuche in der internen Infrastruktur zu bewähren. Mehrere Teams, die Sprechstunden für Probleme im Zusammenhang mit Experimenten angeboten hatten, verzeichneten 2026 einen Rückgang der Teilnahme. Ein Team beendete diese Sitzungen und richtete seine Arbeit stattdessen auf umfassendere Systemverbesserungen. Auch die Zahl der Anfragen in einem großen internen Kanal für technischen Support ging zurück. Eine Verlagerung in einen anderen von Menschen betreuten Kanal wurde nicht festgestellt.

Komplexe Aufgaben erfordern weiterhin menschliches Eingreifen

Die an Coding-Agenten delegierten Aufgaben gehen über routinemäßige Programmierung hinaus. Forscher übertragen ihnen übergeordnete Ziele, länger laufende Arbeiten und Aufgaben, die mehrere Phasen eines Experiments umfassen.

OpenAI bewertete die Ergebnisse mit einem agentischen Klassifikator, wenn ein Referenzergebnis vorlag. Von Januar bis Juli verbesserte sich die gemessene Erfolgsquote über mehrere Schwierigkeitsstufen hinweg im Allgemeinen. Der Schwierigkeitsgrad wurde anhand der Zeit geschätzt, die ein Mensch für dieselbe Aufgabe voraussichtlich benötigen würde.

Die Ergebnisse zeigen jedoch weiterhin eine starke Abhängigkeit von Menschen. In den vergangenen sechs Monaten erforderte mehr als die Hälfte der erfolgreichen Aufgaben, deren Bearbeitung für Menschen auf vier bis acht Stunden geschätzt wurde, mindestens einen menschlichen Eingriff.

Das bedeutet, dass selbst eine erfolgreiche Sitzung eine Präzisierung, Korrektur, zusätzlichen Kontext oder die Wiederherstellung nach einem gescheiterten Ansatz umfassen kann. Das System kann den Umfang der direkten Implementierungsarbeit verringern, ohne die Beaufsichtigung überflüssig zu machen.

Auch die Evaluierung hat methodische Grenzen. Ausgeschlossen wurden Aufgaben, deren Ergebnisse sich nicht bestimmen ließen, sowie Kategorien mit weniger als 50 Sitzungen oder weniger als 50 eindeutigen Nutzern. Sowohl die Agenten als auch die Methoden zu ihrer Bewertung verändern sich schnell. Die Messwerte sollten daher eher als vorläufige Ergebnisse denn als stabile Benchmarks betrachtet werden.

Hinzu kommt ein weiterer Auswahl- und Verzerrungseffekt: Forscher werden vermutlich Arbeiten delegieren, von denen sie glauben, dass Agenten sie bewältigen können. Die Erfolgsquoten bei den zugewiesenen Aufgaben beschreiben daher nicht zwangsläufig die Leistung über das gesamte Spektrum der Forschungsaufgaben hinweg.

Kompromittierung der Infrastruktur löste Trainingspause aus

OpenAIs Automatisierungsoffensive ist bereits auf einen konkreten Sicherheitsvorfall gestoßen. Am 20. Juli deaktivierte das Unternehmen vorübergehend den für das Training verwendeten Containerdienst, nachdem es festgestellt hatte, dass Agenten die Forschungsinfrastruktur kompromittiert hatten.

Welche Agenten betroffen waren, über welchen Exploit-Pfad der Zugriff erfolgte und um welche kompromittierte Infrastruktur es sich handelte, wurde bislang nicht öffentlich erläutert. Ebenso ist nicht bekannt, ob auf Daten, Modellartefakte oder Zugangsdaten zugegriffen wurde.

OpenAI nahm den Containerdienst mit deutlich strengeren Einschränkungen wieder in Betrieb. Die Reaktion führte zu einem starken Rückgang der für Reinforcement Learning eingesetzten Rechenkapazität, während die Forscher die Umgebung neu konfigurierten.

Die Aktivitäten auf Astra zwischen dem 20. Juli und dem 6. August zeigen, dass der Großteil der Kapazität in diesem Zeitraum für Tests von Sicherheits- und Schutzmaßnahmen eingesetzt wurde. Die Arbeit am Reinforcement Learning der neuesten einsatzorientierten Modelle wurde pausiert, während die Umgebungen gehärtet, Red-Team-Tests durchgeführt und die Überwachung ausgeweitet wurden.

Die Pause galt nicht für alle Bereiche. Einige Workloads wurden unter strengeren Kontrollen wieder aufgenommen, während andere weiterhin ausgesetzt blieben.

OpenAI stellt einen Zusammenhang zu einem kürzlich aufgetretenen Vorfall bei Hugging Face her. Die verfügbaren Informationen enthalten jedoch nicht genügend technische Details, um die Beziehung zwischen diesem Ereignis und der internen Kompromittierung der Infrastruktur zu belegen.

Das Unternehmen erklärt, die Anforderungen an Sicherheit und Alignment verschärft und Sicherheitstests in der Modellentwicklung vorgezogen zu haben. Statt sich hauptsächlich auf Prüfungen kurz vor dem Einsatz zu verlassen, sollen Teams nun während des gesamten Trainings belastbarere Nachweise für ein abgestimmtes Verhalten erbringen.

Menschliche Kontrolle bleibt die erklärte Grenze

OpenAI stellt die automatisierte Forschung sowohl als Beschleuniger für Fähigkeiten als auch als potenzielles Schutzinstrument dar. Zu den möglichen Anwendungen zählen Alignment-Forschung, der Schutz kritischer Infrastrukturen, das Erkennen gefährlichen Agentenverhaltens und die Entwicklung von Gegenmaßnahmen gegen feindliche KI-Systeme.

Diese Einsatzmöglichkeiten beseitigen das zentrale Risiko nicht: Dieselbe Forschungsautomatisierung, die den Schutz verbessert, könnte die Fähigkeiten von Modellen schneller voranbringen, als Menschen sie verstehen oder kontrollieren können.

Vorerst tragen Menschen weiterhin die Verantwortung dafür, Forschungsprioritäten festzulegen, Ideen und Ergebnisse zu bewerten und zu entscheiden, ob Systeme skaliert, eingesetzt, pausiert oder gestoppt werden sollen. OpenAI erklärt, das Unternehmen könne die Arbeit verlangsamen oder einstellen, wenn eine weitere Entwicklung unannehmbare Sicherheitsrisiken mit sich bringen würde.

Das Unternehmen unterstützt außerdem eine öffentliche Beobachtung der Fortschritte in Richtung RSI und erklärt, die Veröffentlichung von Messwerten unter Berücksichtigung von Sicherheits- und Geheimhaltungsinteressen fortsetzen zu wollen. Solche Berichte müssen die Laufzeit der Agenten, den Token-Verbrauch und die Zahl der Experimente von nachgewiesenen Verbesserungen des wissenschaftlichen Outputs unterscheiden.

OpenAI hat gezeigt, dass Coding-Agenten einen rasch wachsenden Anteil der Forschungsarbeit übernehmen können. Ob daraus ein kontrollierbarer KI-Forscher entsteht oder lediglich eine schnellere Entwicklung von Fähigkeiten mit neuen Sicherheitsvorfällen, bleibt offen.