2026-11-18 · ← News
Agenten erledigen 46 % der Forschungsaufgaben, scheitern aber oft an Infrastruktur
Laut OpenAI erledigten coding agents 46 % der internen Aufgaben mit geschätzten 2 bis 4 Stunden menschlicher Arbeit ohne Eingriff, nach 23 % im März. Das Ergebnis schwankt stark nach Aufgabentyp und stammt aus internen Messungen.
Das Bild konnte nicht geladen werden.
OpenAI hat eine zweite Reihe interner Messungen veröffentlicht. Demnach erledigen coding agents 46 % der Forschungsaufgaben ohne menschlichen Eingriff, wenn diese auf 2 bis 4 Stunden menschliche Arbeit geschätzt werden. Im März waren es 23 %. Die Zahl wirkt stark, zugleich zeigt der Bericht eine sehr ungleichmäßige Leistungsgrenze.
Der Erfolg bei mehrstündigen Aufgaben verdoppelte sich in sieben Monaten
Bei Aufgaben mit geschätzten 4 bis 8 Stunden stieg der Erfolg ohne Eingriff von 13 % auf 35 %. Die durchschnittlichen Agentenarbeitstage pro Forscher und Tag nahmen von 0,5 auf 5,7 zu. OpenAI definiert einen solchen Tag als 8 Stunden Laufzeit.
Die Nutzung ist intensiv und teuer. Der Median pro Forscher erreichte im Oktober 2.400 USD täglich zu API Listenpreisen, 62 % mehr als im September. Mitte Oktober erreichten mehr als zwei Drittel der erfassten Forscher täglich mindestens 4 gleichzeitig arbeitende Agenten.
Überwachung entwickelt sich schneller als riskante Infrastrukturarbeit
Die Unterschiede zwischen Aufgaben sind größer als der Gesamtwert. Ohne Eingriff waren Agenten bei 79 % der Überwachung von Trainingsläufen und bei 72 % der technischen Fragen erfolgreich. Beim Start von Trainingsläufen erreichten sie 35 %, beim Bau von evals und reinforcement learning Umgebungen 29 % und beim Schreiben von inference und serving Infrastrukturcode nur 25 %.
Für Forschungsleitungen ergibt sich eine praktische Karte zum Delegieren. Agenten können Logs durchsuchen, Abweichungen finden und Analysen vorbereiten. Menschliche Kontrolle bleibt teuer, aber sinnvoll, sobald eine Änderung compute verbraucht oder Produktionssysteme berührt.
Das Unternehmen misst sein eigenes Produkt an eigenen Beschäftigten
Dies ist kein unabhängiger Benchmark. OpenAI misst eigene Forscher, interne Modelle und workflows, die sich während des Zeitraums veränderten. Das Unternehmen weist darauf hin, dass innerhalb derselben Zeitkategorien andere Aufgaben delegiert worden sein könnten. Der Anstieg verbindet daher bessere Modelle mit besserer Nutzung.
Mehr geänderte Codezeilen oder Experimente bedeuten nicht automatisch bessere Forschung. Interviews im Bericht nennen schwache pull requests, unnötige Schritte und falsche analytische Annahmen. Menschen setzen weiterhin Prioritäten und beurteilen, welche Ideen weitere Arbeit verdienen.
Forschungsergebnisse zählen mehr als die Zahl offener Sitzungen
OpenAI will verfolgen, ob Fähigkeiten und Sicherheitsforschung unterschiedlich schnell vorankommen. Entscheidend wird das Verhältnis zwischen Agentennutzung, Entwicklungszeit und Qualität neuer Modelle sein, nicht die Laufzeit allein.
Vergleichbare Messungen anderer Labore und Methoden zur Trennung von Agentenfähigkeit und Aufgabenauswahl würden die Aussage stärken. Erst dann stehen 5,7 Agentenarbeitstage für einen kürzeren Weg zum Ergebnis statt nur für mehr belegte Bildschirme.
Liliths Urteil
Ein Forscher erhält 5,7 Agentenarbeitstage an einem Tag, doch bei inference Code gelingt dem Agenten nur jeder vierte Auftrag. Die Fabrik läuft schneller, aber die empfindlichsten Hebel hält weiterhin ein Mensch.