OpenAIs Forschungsagent schafft 3,1 Arbeitstage – der Ertrag bleibt ungemessen
OpenAI erklärte am 6. September 2026 seinen selbst gesetzten Meilenstein eines „automatisierten Forschungspraktikanten“ für erreicht. Nach der Einordnung von AI Understanding kamen in der Forschungsorganisation Mitte August 3,1 standardisierte Agentenarbeitstage auf einen menschlichen Arbeitstag.
Gemeint ist weder ein neues öffentliches Produkt noch ein autonomer Wissenschaftler. Der Ausdruck bezeichnet ein System, das klar umrissene, mehrtägige Forschungsaufgaben unter menschlicher Anleitung bearbeiten kann; die Zahl von 3,1 erfasst den Umfang parallel laufender Agentenarbeit, aber keinen entsprechend hohen Produktivitätsgewinn.
Die 3,1 Tage messen Laufzeit, nicht Forschungsertrag
Für die Kennzahl wird die gesamte Laufzeit der Coding-Agenten in standardisierte Acht-Stunden-Tage umgerechnet und der menschlichen Arbeitszeit innerhalb der Forschungsorganisation gegenübergestellt. Der OpenAI-Bericht zur Forschungsbeschleunigung hält fest, dass die Agentenlaufzeit vor Juni 2026 noch unter der menschlichen Arbeitszeit lag und das Verhältnis bis Mitte August auf 3,1 zu eins stieg.
Mehrere Agenten können gleichzeitig arbeiten. Die separat ausgewiesene Parallelitätsmessung berücksichtigt sowohl direkt gestartete Agenten als auch Unteragenten, die aus solchen Sitzungen hervorgehen. Das erklärt, wie an einem menschlichen Arbeitstag mehr als drei Agententage anfallen können, ohne dass ein einzelnes System drei Kalendertage in 24 Stunden erledigt.
Die veröffentlichten Größen beantworten jeweils unterschiedliche Fragen:
- Agentenaufwand: 3,1 standardisierte Agententage beziffern den Umfang der ausgeführten Agentenarbeit.
- Parallelisierung: Immer mehr Forschende betreiben mindestens vier Agenten gleichzeitig; diese Kennzahl beschreibt die Nutzung, nicht die Qualität der Ergebnisse.
- Aufgabenabschluss: Für Aufgaben mit eindeutig feststellbarem Resultat stiegen die gemessenen Erfolgsraten von Januar bis Juli.
- Forschungsertrag: Eine aggregierte Kennzahl für akzeptierte Erkenntnisse, eingesparte Menschenstunden, Nacharbeit oder verbesserte Modelle wurde nicht veröffentlicht.
Auch die Kostenangaben sind Nutzungsmaße: Mitte August verbrauchte der nach Agentennutzung geordnete Median der Forschenden täglich Inferenz im Gegenwert von mehr als 600 US-Dollar zu API-Preisen, beim 90. Perzentil waren es mehr als 7.000 US-Dollar. Diese kalkulatorischen Beträge sind weder der Preis eines angebotenen Forschungsagenten noch eine Renditemessung.
Längere Aufgaben benötigen häufig menschliche Eingriffe
Der Abstand zwischen erledigter und autonom erledigter Arbeit wird bei längeren Aufträgen sichtbar. In den sechs Monaten vor der Veröffentlichung erforderte mehr als die Hälfte der als erfolgreich eingestuften Aufgaben mit einer geschätzten menschlichen Bearbeitungszeit von vier bis acht Stunden mindestens einen Eingriff. Die Kennzahlenanalyse von CellCog stellt diese Eingriffsquote deshalb der Laufzeitrelation gegenüber und beschreibt den Meilenstein als Delegation unter Aufsicht, nicht als autonome Forschung.
Ein Eingriff kann bedeuten, dass ein Mensch die Aufgabenbeschreibung präzisiert, einen Fehler korrigiert oder den Lauf neu ausrichtet. Eine Aufgabe kann danach als erfolgreich gelten, obwohl ihr Resultat nicht ohne menschliche Steuerung zustande kam. Die Erfolgsquote und die Eingriffsquote messen somit verschiedene Eigenschaften desselben Arbeitsablaufs.
Die Rollenverteilung bleibt ebenfalls eindeutig: Menschen setzen Prioritäten, bewerten Ideen und Ergebnisse und entscheiden, ob Systeme skaliert, pausiert oder eingesetzt werden. Der „Forschungspraktikant“ steht damit für den Umfang delegierbarer, klar definierter Arbeit. Er ersetzt weder die Auswahl sinnvoller Forschungsfragen noch die abschließende wissenschaftliche Beurteilung.
Mehr Experimente belegen noch keinen Produktivitätsgewinn
Die internen Daten zeigen mehr Codebeiträge und für August 2026 den höchsten Stand an Experimenten pro aktiv experimentierender Person seit Beginn dieser Messung im Januar 2025. Gleichzeitig wuchs seit 2025 die verfügbare Rechenleistung deutlich. Weil Agentennutzung und Compute gemeinsam zunahmen, lässt sich aus der zeitlichen Korrelation kein eindeutiger Anteil der Coding-Agenten am Anstieg ableiten.
Forschungsfortschritt hängt zudem von mehreren aufeinanderfolgenden Schritten ab: Eine Idee muss ausgewählt, technisch umgesetzt, mit geeigneten Evaluationen geprüft, auf Fehler und unerwünschtes Verhalten untersucht und gegebenenfalls in einen größeren Trainingslauf integriert werden. Mehr Agentenlaufzeit kann einzelne Schritte beschleunigen, misst aber weder die Bedeutung einer Erkenntnis noch ihren Beitrag zur Modellqualität.
Die veröffentlichten Daten enthalten keine Vergleichsgruppe ohne Agenteneinsatz, keinen organisationsweit einheitlichen Qualitätsmaßstab und keine aggregierten Angaben zu verworfenen Resultaten oder menschlicher Nacharbeit. Eine externe Evaluation des beanspruchten Meilensteins liegt ebenfalls nicht vor. Es handelt sich um vorläufige interne Messungen einer Organisation, deren Werkzeuge und Messverfahren sich weiterentwickeln.
Hinzu kommt eine breite Definition von „Forschenden“: Erfasst werden auch Beschäftigte, die Forschungsinfrastruktur entwickeln, Projekte verwalten oder andere unterstützende Aufgaben übernehmen. Die 3,1 Agententage lassen sich deshalb nicht in drei zusätzliche Tage wissenschaftlicher Erkenntnis pro Forscher übersetzen.
Ein automatisierter KI-Forscher bleibt das Ziel für 2028
Vom nun beanspruchten Praktikanten-Meilenstein ist der „automatisierte KI-Forscher“ ausdrücklich getrennt. Dieser bleibt ein Entwicklungsziel für März 2028. Die Veröffentlichung liefert dafür weder eine Erfolgswahrscheinlichkeit noch eine öffentliche Definition, nach der vollständig autonome Forschung später bewertet werden könnte.
Belegt ist derzeit eine stark gestiegene, parallel ausgeführte Nutzung von Coding-Agenten für klar abgegrenzte Aufgaben unter menschlicher Führung. Nicht belegt ist, dass daraus 3,1-mal so viel wertvolle Forschung, eine entsprechende Zeitersparnis oder eine vergleichbare Verbesserung der Modelle entsteht.
Für eine belastbare Ertragsaussage fehlen vor allem Daten zu übernommenen Resultaten, Fehlern, Nacharbeit und tatsächlich eingespartem menschlichem Aufwand sowie eine unabhängige Prüfung. Bis solche Messwerte vorliegen, bleibt 3,1 ein Indikator für den Umfang der Automatisierung – nicht für ihren wissenschaftlichen Ertrag.
Lesen Sie auch:
Newsletter abonnieren
Erhalten Sie die neuesten Nachrichten zu Web3, KI und Krypto direkt in Ihren Posteingang.