Lädt …

OpenAIs eigene Forscher sind ernsthaft süchtig nach ihren internen KI-Code-Agenten und schätzen diese Tools mehr als einen erheblichen Teil ihrer menschlichen Kollegen oder Rechenleistung. Dieser tiefe Einblick in ihre internen Abläufe bietet einen faszinierenden, wenn auch manchmal chaotischen, Blick in die Zukunft der KI-gestützten Entwicklung.
The Decoder enthüllt unter Berufung auf OpenAIs eigenen internen Bericht einen massiven Anstieg der Nutzung interner Tools wie Codex und Dots. Allein die theoretischen Token-Kosten sind atemberaubend: Ein durchschnittlicher Forscher hätte im Oktober Token im Wert von 2.400 US-Dollar pro Tag verbraucht, ein Anstieg von 62 % gegenüber dem Vormonat. Für die Top 10 % der Nutzer verdoppelte sich diese Zahl auf erstaunliche 23.000 US-Dollar täglich. Diese Agenten leisten effektiv 5,7 Arbeitstage pro Forscher pro Kalendertag, und noch mehr in Pre- und Post-Training-Teams, wobei über zwei Drittel der verfolgten Forscher bei Spitzenauslastung mindestens vier Agenten gleichzeitig betreiben.
OpenAI berechnete, dass das theoretische API-Äquivalent dieser Agentenlaufzeit im September doppelt so hoch war wie die regulären Gehaltskosten der Forscher, obwohl zu beachten ist, dass dies Aktienpakete ausschließt, die laut The Decoder einen großen Teil der Vergütung bei OpenAI ausmachen. Trotz dieser intensiven Nutzung machte die interne Agentenaktivität nur 2 % der gesamten Forschungsrechenleistung des Unternehmens aus.
Die Erfolgsraten für autonome Agenten, die ohne menschliches Eingreifen an zwei- bis vierstündigen Aufgaben arbeiteten, stiegen von 23 % im März auf 46 % im Oktober, während vier- bis achtstündige Aufgaben einen Anstieg von 13 % auf 35 % verzeichneten, berichtet The Decoder unter Berufung auf OpenAI. Eine Epoch AI-Taxonomie-Aufschlüsselung zeigt jedoch, dass diese Systeme hauptsächlich einfachere Aufgaben bewältigen. Zum Beispiel überwachen sie Trainingsläufe zu 79 % der Zeit und beantworten technische Fragen zu 72 % der Zeit selbstständig. Bei komplexeren Ingenieuraufgaben – wie dem Aufbau von Bewertungs- und Reinforcement-Learning-Umgebungen oder dem Schreiben von Code für Inferenz- und Bereitstellungssysteme – sinken die Erfolgsraten jedoch erheblich auf 29 % bzw. 25 %.
In einer internen, nicht-repräsentativen Umfrage unter 101 Mitarbeitern gaben Forscher an, dass sie lieber 40 % des Personals ihres Teams oder 30 % ihrer Rechenkapazität aufgeben würden, als drei Monate ohne diese Code-Agenten auszukommen, so The Decoder. Eine separate Schnellbefragung von 28 Mitarbeitern ergab, dass 27 das neueste interne Modell einem menschlichen Ingenieur mit mittlerer Berufserfahrung vorzogen.
Qualitative Interviews mit zehn Forschern zeigten jedoch die Nachteile auf. Diesen Modellen fehlt oft der „Geschmack“ für gute Forschungsideen, Code und Datenqualität. Sie lassen sich ablenken, treffen fehlerhafte Annahmen und produzieren „KI-Müll“ – minderwertige Codeänderungen und unbrauchbare Datenartefakte. Eine genaue menschliche Aufsicht ist entscheidend, um die Verschwendung von Rechenzyklen zu vermeiden, so The Decoder. Interessanterweise stammten die wichtigsten konzeptionellen Ideen für OpenAIs kommende GPT-6 Astra und GPT-6.2 Astra ausschließlich von Menschen, wobei nur einzelne Forscher durch den Dialog mit Codex im Vortraining für GPT-6.2 Astra wichtige Erkenntnisse gewannen.
Also, Kleinunternehmer und Teamleiter, das ist nicht nur Nabelschau eines Tech-Giganten. Dies ist ein Blick hinter die Kulissen, wohin die KI-Entwicklung geht und was Sie von zukünftigen KI-Tools für Ihre eigenen Teams erwarten können. Die Schlagzeile – dass OpenAIs eigene Forscher diese KI-Agenten mehr schätzen als fast die Hälfte ihrer menschlichen Kollegen – sollte Ihre Aufmerksamkeit erregen. Es zeigt, dass selbst mit all dem „KI-Müll“ und der verschwendeten Rechenleistung die Produktivitätsgewinne derart signifikant sind.
Was mir das sagt, ist, dass KI-Code-Assistenten und damit auch KI-Agenten für andere Wissensarbeit unverzichtbar werden, auch wenn sie noch unordentliche Teenager sind. Sie werden in absehbarer Zeit keinen vollständig autonomen KI-Ingenieur bekommen, aber Sie werden Tools erhalten, die Ihr bestehendes Team dramatisch verstärken. Das Problem des „KI-Mülls“ ist real, und es bestätigt, was wir bereits wissen: KI-Tools sind fantastisch für routinemäßige, klar definierte Aufgaben (wie Überwachung oder Beantwortung technischer Fragen), aber sie versagen völlig bei komplexen, nuancierten oder kreativen Problemen. Das bedeutet, dass Ihre menschlichen Experten nicht verschwinden werden; sie werden einfach weniger Zeit mit mühsamer Arbeit und mehr Zeit mit den strategischen, „geschmacksgeleiteten“ Entscheidungen verbringen, die KI nicht treffen kann. Für kleine Teams ist dies entscheidend: Es bedeutet, dass Sie Ihre Talente weiter ausdehnen können, aber Sie müssen unbedingt menschliche Aufsicht haben, um die unvermeidlichen KI-Fehler abzufangen und die Tools effektiv zu steuern. Erwarten Sie keine Magie; erwarten Sie leistungsstarke, aber oft ungeschickte Co-Piloten.
Open-source Hermes Agent is coming to Microsoft Teams, allowing workers to package successful AI workflows into team-wide reusable skills.

Reson8 open-sourced Rumble-2-Flash, a 0.5B parameter ASR model for 40+ languages that outperforms models up to 60x larger, with Apache 2.0 licensing.

Instagram introduces a tool to detect unauthorized video reposts and AI-modified content, allowing creators to block or label infringing posts.

Google Maps’ new Ask Maps AI can auto‑create day‑by‑day itineraries, share them, and even call businesses for appointments—useful for small teams on the move.

Kommentare