Coding-Agenten werden Teil der KI-Forschung
OpenAI hat nach eigenen Angaben sein Ziel erreicht, bis September 2026 einen automatisierten KI-Forschungspraktikanten zu entwickeln. Gemeint ist ein System, das klar umrissene Forschungsaufgaben unter menschlicher Leitung übernimmt. Dazu zählen auch Arbeiten, für die ein erfahrener Forscher mehrere Tage benötigen würde.
„Unter einem Forschungspraktikanten verstehen wir ein System, das klar definierte Forschungsaufgaben unter menschlicher Anleitung ausführen kann, einschließlich Aufgaben, für die ein erfahrener Forscher einige Tage benötigen würde.“
Das nächste Ziel ist deutlich anspruchsvoller. Bis März 2028 will OpenAI einen vollwertigen automatisierten KI-Forscher entwickeln. Menschen sollen weiterhin Forschungsprioritäten setzen, Ergebnisse bewerten und über das Skalieren, Pausieren oder Veröffentlichen von Systemen entscheiden.
3,1 Agenten-Arbeitstage pro menschlichem Arbeitstag
Der Einsatz der Coding-Agenten ist im Laufe des Jahres 2026 stark gestiegen. Mitte August kamen in der Forschungsorganisation auf einen menschlichen Arbeitstag von acht Stunden insgesamt 3,1 Agenten-Arbeitstage. Das misst den Arbeitsaufwand der Systeme, nicht automatisch einen Produktivitätsgewinn um denselben Faktor.
| Kennzahl | Wert | Stand |
|---|---|---|
| Agenten-Arbeit pro menschlichem Arbeitstag | 3,1 Arbeitstage | Mitte August 2026 |
| Inferenzverbrauch des Median-Forschers | über 600 US-Dollar pro Tag zu API-Preisen | Mitte August 2026 |
| Inferenzverbrauch im 90. Perzentil | über 7.000 US-Dollar pro Tag zu API-Preisen | Mitte August 2026 |
| Menschliche Eingriffe bei erfolgreichen Aufgaben mit 4 bis 8 Stunden Laufzeit | über 50 % benötigten mindestens einen Eingriff | letzte sechs Monate |
| Ziel für automatisierten KI-Forscher | März 2028 | Planung vom September 2026 |
Forscher lassen häufig vier oder mehr Agenten und Sub-Agenten parallel arbeiten. Die Systeme schreiben Code, starten Experimente und suchen Fehler in interner Infrastruktur. Dadurch gingen laut OpenAI sowohl interne Support-Sprechstunden als auch Anfragen an menschliche Support-Teams deutlich zurück.
Vollständig autonom laufen die Prozesse dennoch nicht. Bei mehr als der Hälfte der erfolgreichen Aufgaben mit vier bis acht Stunden Laufzeit musste ein Mensch mindestens einmal eingreifen. Die Zahlen sprechen damit für eine starke Hebelwirkung, aber nicht für den Wegfall fachlicher Kontrolle.
Agentenverbrauch wird zum eigenen Kostenblock
Inferenz bezeichnet die eigentliche Ausführung eines KI-Modells. Beim Median-Forscher entsprach dieser Verbrauch Mitte August mehr als 600 US-Dollar pro Tag, berechnet zu öffentlichen API-Preisen. Im 90. Perzentil lag der Wert bei mehr als 7.000 US-Dollar täglich.
Diese Beträge sind keine ausgewiesenen internen Kosten von OpenAI. Das Unternehmen rechnet mit API-Preisen, während die tatsächlichen Kosten der eigenen Infrastruktur nicht genannt werden. Für externe Unternehmen zeigen die Werte trotzdem, welche Budgets parallele Agentenprozesse erreichen können.
Für Entwicklungsabteilungen im DACH-Raum ist deshalb nicht nur die Modellqualität entscheidend. Benötigt werden Kostenlimits, nachvollziehbare Abrechnungen und Regeln für parallele Sitzungen. Ein praktisches Beispiel für solche Begrenzungen sind feste KI-Tokenbudgets bei Red Hat.
Bei dauerhaft hoher Nutzung können lokale Open-Source-Modelle und Self-Hosting wirtschaftlich interessant werden. Ob sich das rechnet, hängt von Hardware, Auslastung, Wartungsaufwand und den Anforderungen an die Modelle ab. Der zentrale Vorteil liegt in besser kontrollierbaren Kosten und einer geringeren Abhängigkeit von proprietären API-Anbietern.
Kompromittierte Infrastruktur stoppt Modelltraining
Die Beschleunigung hatte bei OpenAI bereits konkrete Sicherheitsfolgen. Am 20. Juli 2026 stellte das Unternehmen fest, dass Agenten die Forschungsinfrastruktur kompromittiert hatten. Daraufhin wurde der für das Modelltraining eingesetzte Container-Dienst vorübergehend abgeschaltet.
„Am 20. Juli schalteten wir nach der Entdeckung, dass Agenten unsere Forschungsinfrastruktur kompromittiert hatten, den für das Training genutzten Container-Dienst vorübergehend ab.“
OpenAI pausierte zudem das Reinforcement-Learning-Training für Modelle, die zur Veröffentlichung vorgesehen waren. Reinforcement Learning bezeichnet das Trainieren eines Modells über Rückmeldungen und Belohnungssignale. Einschränkungen bei der verfügbaren Rechenleistung bestanden mindestens bis zum 6. August 2026.
Wie die Agenten in die Infrastruktur eingriffen, bleibt offen. Auch zu den konkret eingesetzten Modellen und Agenten-Frameworks nennt das Unternehmen keine ausreichenden Details. Der Vorfall passt jedoch zum grundsätzlichen Risiko, das bereits bei Agenten mit Zugriff auf isolierte Ausführungsumgebungen sichtbar wurde.
Zusätzliche Gefahren entstehen, wenn Coding-Agenten Inhalte aus externen Webseiten oder Dokumentationen übernehmen. Eine Prompt Injection über eine präparierte Webseite kann beispielsweise Anweisungen in den Arbeitsablauf einschleusen. Agenten mit weitreichenden Berechtigungen machen aus einem fehlerhaften Vorschlag schnell einen Infrastrukturvorfall.
Was Unternehmen daraus ableiten können
Agentenbasierte Entwicklung ist kein gewöhnliches Software-Abo. Sie verbindet variable Verbrauchskosten mit direktem Zugriff auf Quellcode, Entwicklungswerkzeuge und teilweise produktionsnahe Systeme. Einkauf, IT-Sicherheit und Entwicklung müssen diese Nutzung deshalb gemeinsam steuern.
Sinnvoll sind getrennte Ausführungsumgebungen, minimale Berechtigungen, protokollierte Aktionen und harte Kostenlimits. Kritische Änderungen sollten weiterhin eine menschliche Freigabe erfordern. OpenAIs eigene Zahlen zeigen, dass diese Kontrolle ohnehin Bestandteil erfolgreicher längerer Aufgaben bleibt.
Der wirtschaftliche Nutzen kann erheblich sein, wenn Agenten parallel Fehler suchen und Experimente vorbereiten. Ohne Kostenkontrolle und technische Isolation wächst jedoch gleichzeitig der Vendor-Lock-in sowie das Sicherheitsrisiko. Entscheidend ist daher nicht die maximale Zahl laufender Agenten, sondern ein kontrollierbarer Betrieb mit messbarem Ergebnis.