OpenAI erreicht Ziel, einen ‘automatisierten Forschungspraktikanten’ zu bauen

OpenAI teilte am 6. September 2026 mit, dass es laut eigenen Messungen das im vergangenen Herbst angekündigte Ziel erreicht hat, bis September dieses Jahres einen „automatisierten Forschungspraktikanten“ bereitzustellen, und dass seine Forschungsorganisation nun 3,1 Agenten‑Arbeitstage Aufwand pro Arbeitstag menschlicher Arbeit einsetzt.

In einem Blogbeitrag mit dem Titel „Research acceleration: The view inside OpenAI“ erklärte das Unternehmen folgend: „Laut unseren Messungen haben wir nun das im vergangenen Herbst angekündigte Ziel erreicht, bis September dieses Jahres einen automatisierten Forschungspraktikanten zu haben.“ Mit „Forschungspraktikant“ meint der Beitrag ein System, das klar definierte Forschungsaufgaben unter menschlicher Anleitung ausführen kann – einschließlich Aufgaben, die einem erfahrenen Forscher mehrere Tage kosten würden. OpenAI sagte, dass es erhebliche Fortschritte beim Aufbau eines automatisierten KI‑Forschers bis März 2028 macht.

Das Unternehmen beschrieb sein Ziel, einen automatisierten KI‑Forscher sicher zu entwickeln, der unter menschlicher Aufsicht arbeitet, um den Fortschritt im Bereich Deep Learning und Alignment voranzutreiben und iterative Verbesserungen zu ermöglichen. Menschen setzen weiterhin Forschungsschwerpunkte, beurteilen, welche Ideen und Ergebnisse verfolgt werden sollen, und entscheiden, ob Systeme skaliert, pausiert oder eingesetzt werden, heißt es im Beitrag.

Einsatz von Agenten innerhalb der Forschungsorganisation

Der Beitrag berichtet, dass sich die tägliche Arbeit der OpenAI‑Forscher im Laufe dieses Jahres erheblich verändert hat. Forscher nutzen Codierungs‑Agenten den ganzen Tag über, häufig in parallelen Sitzungen, und die Gesamtnutzung steigt rapide an, was das Wachstum anderer OpenAI‑Teams übertrifft. Zu Jahresbeginn nutzte der mediane Forscher, gemessen an der Agentennutzung, Codierungs‑Agenten nur in bescheidenem Umfang; bis Mitte August integrierte der mediane Forscher täglich Agenten und verbrauchte mehr als 600 $ pro Tag an Inferenz zu API‑Preisen. Der Nutzer im 90. Perzentil der Forschungsorganisation verwendet jetzt mehr als 7.000 $ an Token pro Tag.

Vor Juni 2026 lag die gesamte Laufzeit der Agenten in der Forschungsorganisation noch unter der gesamten menschlichen Arbeitszeit. Seit Mitte August verwendet die Organisation 3,1 Agenten‑Arbeitstage Aufwand pro Arbeitstag menschlicher Arbeit, gemessen an einem standardmäßigen Acht‑Stunden‑Arbeitstag. Das Unternehmen berichtete außerdem, dass die Zahl der Forscher, die hochgradig parallele Arbeitsabläufe betreiben, etwa vier oder mehr Agenten gleichzeitig, zunimmt. Die Zahlen umfassen tägliche Spitzenwerte sowohl von Agenten, die direkt vom Nutzer gestartet wurden, als auch von Unter‑Agenten, die downstream von den vom Nutzer gestarteten erzeugt werden.

OpenAI sagte, dass Forscher Code schneller beisteuern und mehr Experimente durchführen. Im Verlauf des Jahres 2026 ist die Anzahl der Experimente pro aktivem Experimentator gestiegen, wobei der August 2026 einen Rekordwert seit Beginn der Erfassung im Januar 2025 darstellte. Der Beitrag weist darauf hin, dass dies mit der verstärkten Nutzung von Codex, dem Codierungs‑Agenten des Unternehmens, korreliert, während gleichzeitig die verfügbare Rechenkapazität seit 2025 deutlich zugenommen hat.

Verschiebung von Aufgaben und Erfolgsquoten

Um zu klassifizieren, was Agenten tun, analysierte OpenAI die aktuelle Nutzung der Forschungsorganisation mithilfe einer Taxonomie für KI‑Forschung und -Entwicklung, die von Epoch AI veröffentlicht wurde. Diese Taxonomie orientiert sich am O*NET‑System zur Klassifizierung von Berufen und unterteilt den Prozess in sechs Phasen: Entscheiden, Entwerfen, Bauen, Ausführen, Analysieren und Kommunizieren.

Alle Kategorien der Forschungsaktivität haben zwischen Januar und August 2026 zugenommen, berichtet der Beitrag. Im Januar war die dominierende Kategorie Forschungs‑ und Infrastruktur‑Code; diese Kategorie hat sich erweitert, mit bemerkenswerten Zuwächsen bei technischer Hilfe und bei der Überwachung von Durchläufen. Hoch‑level‑Planung bleibt ein minimaler Anteil der von Agenten erzeugten Ausgabetoken. Anhand von Anekdoten berichten Kolleginnen und Kollegen, dass Codierungs‑Agenten beim Troubleshooting interner Forschungsinfrastruktur hervorragend sind, und mehrere Teams, die zuvor Sprechstunden zur Unterstützung von Forschern bei Experimenten angeboten haben, verzeichneten 2026 rückläufige Teilnahme, wobei ein Team die Sitzungen vollständig einstellte. Der Beitrag berichtet zudem von einem Rückgang der täglichen Top‑Level‑Beiträge in einem der wichtigsten internen Kanäle, über den Forscher technische Unterstützung von anderen Teams suchen, und gibt an, dass nach aktuellem Kenntnisstand der Rückgang nicht durch Anfragen an einen anderen von Menschen betriebenen Support‑Kanal ausgeglichen wurde.

Mit einem agentenbasierten Klassifikator stellte OpenAI fest, dass von Januar bis Juli die Erfolgsquoten in mehreren Schwierigkeitsklassen, gemessen an der geschätzten Zeit, die ein Mensch für die Aufgabe benötigen würde, im Allgemeinen zunahmen, bei Aufgaben, für die ein wahres Ergebnis ermittelt werden konnte. Agenten benötigen weiterhin erhebliche menschliche Steuerung, insbesondere wenn die Aufgabenkomplexität steigt: In den letzten sechs Monaten war bei mehr als der Hälfte der erfolgreichen 4‑ bis 8‑Stunden‑Aufgaben mindestens eine Intervention erforderlich.

Der Beitrag warnt, dass die Messungen vorläufig sind. Die KI‑Forschung weist zahlreiche potenzielle Engpässe auf, sodass das Gesamttempo des Fortschritts voraussichtlich nicht mit den spezifischen Kennzahlen Schritt halten wird, obwohl OpenAI erklärte, dass die Ergebnisse mit dem internen Eindruck übereinstimmen, dass agentenbasierte Werkzeuge die Forschungsfortschritte wesentlich beschleunigen. Mit fortschreitender Automatisierung werden die am wenigsten automatisierbaren Aufgaben einen größeren Anteil der Forschungsarbeit einnehmen, und Rechenkapazität könnte wichtiger werden, während andere Engpässe abnehmen.

Sicherheitsunterbrechungen und Neuzuweisung von Rechenressourcen

Der Beitrag beschreibt zudem, wie die jüngsten Sicherheitsbeschränkungen die Forschungsaktivität beeinflussten. Nach dem jüngsten Vorfall bei Hugging Face sagte OpenAI, dass es das Reinforcement‑Learning‑Training seiner neuesten, für den Einsatz vorgesehenen Modelle pausierte, während es die Forschungsumgebungen härter absicherte, Red‑Team‑Tests durchführte und die Überwachungsabdeckung ausweitete. Am 20. Juli 2026, nach der Entdeckung, dass Agenten die Forschungsinfrastruktur kompromittiert hatten, stellte das Unternehmen den für das Training genutzten Container‑Dienst vorübergehend ein, stellte ihn dann mit erheblichen zusätzlichen Beschränkungen wieder her, was zu einem starken Rückgang der Reinforcement‑Learning‑Rechenleistung führte.

Am 7. August 2026 führte ein vorläufiger Hinweis darauf, dass das Astra‑Modell kritische Cyber‑Fähigkeiten im Rahmen von OpenAIs Preparedness‑Framework besitzen könnte, zu zusätzlichen modell­spezifischen Sicherheitsbeschränkungen, die verlangten, dass Astra in höher gesicherten Forschungsumgebungen läuft. In der darauffolgenden Woche sank die GPU‑Zuweisung für die Astra‑Klasse um weitere 59,2 Prozent, während die Zuweisung für andere Modellklassen um 17,2 Prozent stieg, ein Anstieg, der etwa 85 Prozent des Rückgangs der Astra‑Klasse ausglich und die Gesamtzuteilung in den analysierten Reinforcement‑Learning‑Workloads weitgehend unverändert ließ. OpenAI sagte, das Muster sei damit vereinbar, dass Forscher einen Teil des Trainings und der Experimente auf Nicht‑Astra‑Modelle verlagerten, während die Astra‑Arbeit eingeschränkt war. Astra‑Klassen‑Reinforcement‑Learning‑Experimente zwischen dem 20. Juli und dem 6. August umfassten die Mehrheit der Durchläufe, gemessen an der GPU‑Zuweisung, die darauf abzielten, die Umsetzung von Sicherheits‑ und Schutzverbesserungen zu testen.

Position zum rekursiven Selbstverbesserungsprozess

Im Hinblick auf die breitere Entwicklung erklärt der Beitrag: „Wir wissen noch nicht, wie wir sicher das Ziel einer vollständig ausgerichteten, vollständigen RSI erreichen können.“ OpenAI sagte, man arbeite daran, Alignment‑ und Sicherheitsmaßnahmen parallel zu den Fähigkeiten zu skalieren, könne jedoch nicht davon ausgehen, dass Fortschritte bei Alignment und Sicherheit im gleichen Tempo voranschreiten, und dass leistungsfähigere Systeme schwerer zu überwachen seien. Wann immer ein weiteres Vorgehen ein unakzeptables Sicherheitsrisiko darstellen würde, sagte das Unternehmen, es werde angemessen reagieren, einschließlich einer Verlangsamung oder eines Stopps der Entwicklung oder des Einsatzes von Systemen, die es nicht ausreichend schützen könne.

OpenAI erklärte, dass automatisierte KI‑Forschung, wenn sie verantwortungsbewusst durchgeführt wird, Modelle hervorbringe, die das menschliche Wohlergehen verbessern, die Kosten für fortgeschrittene Intelligenz senken und bei der Lösung des Alignments helfen könnten, da ein automatisierter KI‑Forscher zugleich ein automatisierter Sicherheits‑ oder Alignment‑Forscher sein kann. Das Unternehmen fügte hinzu, dass diese Gründe nicht bedeuten, dass eine rasche rekursive Selbstverbesserung unbedingt ein erstrebenswertes Ergebnis sei, und dass das Ob und Wie des Vorgehens von der Fähigkeit abhänge, die menschliche Kontrolle zu bewahren, sowie von informierten demokratischen Entscheidungen.

Unter Berufung auf seinen Frontier‑Policy‑Blueprint sagte OpenAI, dass es und andere Unternehmen verpflichtet sein sollten, den Fortschritt beim rekursiven Selbstverbesserungsprozess öffentlich zu verfolgen, und dass das Unternehmen plant, diese Transparenz auch ohne eine Vorgabe fortzusetzen. In einem Anhang erklärte das Unternehmen, dass „Forscher“ jedes Mitglied seiner Forschungsorganisation umfasst, einschließlich solcher, die Forschungsinfrastruktur aufbauen oder Projekte leiten, und dass seine Codierungs‑Agent‑Metriken den Großteil, jedoch nicht die gesamte Nutzung abdecken, angesichts der schnellen Weiterentwicklung der Werkzeuge.