OpenAI öffnet die Agents API für Entwickler
OpenAI hat die Agents API am 10. September 2026 als öffentliche Beta veröffentlicht. Damit lassen sich langlebige KI-Agenten entwickeln und betreiben, die Aufgaben über mehrere Schritte, Werkzeuge und Subagenten verteilen.
Die technische Grundlage ist das quelloffene Codex Harness. Ein Harness ist die Steuerungsschicht rund um das eigentliche KI-Modell. Sie verwaltet Modellaufrufe, Werkzeuge, Dateien und Kontext und koordiniert bei Bedarf mehrere Agenten.
Die API selbst kostet keine separate Grundgebühr. Abgerechnet werden die verwendeten Tokens und Tool-Aufrufe nach den jeweiligen Standardpreisen. Konkrete Token-Preise für im Beispiel genannte neue Modelle hat OpenAI nicht veröffentlicht.
| Position | Abrechnung |
|---|---|
| Agents API | 0 $ separate Basisgebühr |
| Modellnutzung | Nach verbrauchten Tokens |
| Integrierte Tools | Nach Tool-Aufrufen |
| Sandbox und Infrastruktur | Abhängig von gewähltem Betreiber und Ressourcen |
Langlebige Sessions und parallele Subagenten
Ein zentrales Merkmal sind langlebige Sessions. Nähert sich eine Sitzung dem Kontextlimit des Modells, verdichtet die API ältere Inhalte automatisch. Relevante Informationen sollen dabei erhalten bleiben, ohne dass Entwickler eine eigene Logik zur Kontextkompaktierung bauen müssen.
Aufgaben können zudem auf koordinierte Subagenten verteilt werden. Jeder Subagent arbeitet mit einem eigenen Kontext. Im veröffentlichten Code-Beispiel sind bis zu drei gleichzeitig aktive Subagenten konfiguriert, dies ist jedoch keine belegte allgemeine Obergrenze der Plattform.
Die Agenten können das Model Context Protocol, kurz MCP, benutzerdefinierte Funktionsaufrufe und integrierte Werkzeuge wie die Websuche verwenden. MCP standardisiert die Verbindung zwischen KI-Anwendungen und externen Datenquellen oder Werkzeugen. Mit den zusätzlichen Schnittstellen wächst allerdings auch die Angriffsfläche, weshalb ein belastbares Rechtekonzept für MCP-Systeme entscheidend bleibt.
Ausführung bei OpenAI, Partnern oder in der eigenen VPC
Unternehmen sind bei der Ausführungsumgebung nicht vollständig an OpenAI gebunden. Code und Dateien können in einer von OpenAI betriebenen Sandbox, bei einem Infrastrukturpartner oder innerhalb einer eigenen Virtual Private Cloud, kurz VPC, verarbeitet werden.
Als unterstützte Partner nennt OpenAI Blaxel, Cloudflare, Daytona, DigitalOcean, E2B, Modal, Oracle, Runloop und Vercel. Je nach Anbieter stehen unterschiedliche Konfigurationen für Prozessoren, GPUs, Arbeitsspeicher, Dateispeicher und Geheimnisse zur Verfügung.
| Ausführungsmodell | Kontrolle | Betriebsaufwand |
|---|---|---|
| OpenAI-gehostete Sandbox | Geringere Kontrolle über die Umgebung | OpenAI übernimmt Bereitstellung und Betrieb |
| Infrastrukturpartner | Abhängig vom jeweiligen Anbieter | Geteilt zwischen Unternehmen und Partner |
| Eigene VPC oder Infrastruktur | Mehr Kontrolle über Netzwerk, Dateien und Geheimnisse | Höherer eigener Betriebsaufwand |
Für Unternehmen im DACH-Raum ist diese Trennung zwischen Agentensteuerung und Ausführungsumgebung besonders relevant. Sensible Dateien und ausführbarer Code können potenziell in einer kontrollierten Infrastruktur verbleiben. Eine DSGVO-Konformität folgt daraus jedoch nicht automatisch. Zu konkreten EU-Standorten der OpenAI-Sandboxes liegen keine bestätigten Angaben vor.
Erste Nutzer melden geringere Kosten und Latenzen
OpenAI führt mehrere Ergebnisse früher Anwender an. Dabei handelt es sich um Aussagen der jeweiligen Unternehmen und nicht um unabhängig überprüfte Vergleichstests.
| Unternehmen | Gemeldetes Ergebnis |
|---|---|
| Ciridae | Evaluations-Score von 0,71 auf 0,85 erhöht und Latenz um den Faktor 4 reduziert |
| SafetyKit | Kosten pro bearbeitetem Fall um 60 % reduziert |
| Hypha | 86 % weniger fehlgeschlagene Agenten-Antworten |
Sinngemäß erklärte Ciridae, dass die Beobachtung und Koordination von Subagenten zuvor aufwendig gewesen sei. Mit den neuen Schnittstellen habe sich die Latenz um den Faktor 4 reduziert.
SafetyKit berichtet nach der Migration eines Prüfprozesses von 60 % geringeren Kosten pro Fall sowie einer besseren Token-Effizienz. Hypha führt den Rückgang fehlgeschlagener Antworten auf die Trennung des Agenten-Harness von der Sandbox zurück.
Mehr Eigenentwicklung, aber kein Ende der Abhängigkeit
Die Agents API senkt den technischen Aufwand für komplexe interne Automatisierungen. Mehrstufige Prüfungen, Rechercheprozesse oder operative Abläufe lassen sich als eigene Agenten abbilden, statt für jeden Anwendungsfall eine separate vertikale SaaS-Lösung einzukaufen.
Das ist wirtschaftlich interessant, wenn Prozesse unternehmensspezifisch sind und bestehende Abonnements nur einen kleinen Teil der benötigten Funktion abdecken. Die tatsächlichen Gesamtkosten hängen jedoch von Token-Verbrauch, Tool-Aufrufen, Infrastruktur, Überwachung und Wartung ab. Gemeldete Einsparungen einzelner Pilotkunden lassen sich nicht ohne Weiteres auf andere Abläufe übertragen.
Zugleich entsteht eine neue Abhängigkeit vom OpenAI-Ökosystem. Das Codex Harness ist zwar Open Source und externe Sandboxes sind vorgesehen, doch die verwaltete Agentensteuerung und die verwendeten Modelle bleiben eng mit OpenAI verbunden. Rechte, Budgets und Zugangsdaten sollten deshalb zentral kontrolliert werden, ähnlich wie beim OpenAI Admin-Plugin für Rechte und Budgets.
Auch die operative Sicherheit darf nicht hinter der schnellen Einführung zurückstehen. Langlebige Agenten verfügen häufig über weitreichende Zugriffe und können Fehler über viele Schritte fortsetzen. Berichte über KI-Agenten in kompromittierten Firmennetzen zeigen, weshalb Sandbox-Grenzen, Protokollierung und minimal vergebene Berechtigungen zur Grundarchitektur gehören.
Wann die Agents API die allgemeine Verfügbarkeit erreicht, ist bislang offen. Für produktive, geschäftskritische Prozesse bleibt damit neben der technischen Prüfung auch das Beta-Risiko zu berücksichtigen.