Third Moment: 10.000 KI-Agenten über 36 Stunden

Hintergrund

Am 14. Oktober 2026 veröffentlichte OpenAI auf seiner offiziellen Website eine Kundenfallstudie über das KI-Labor Third Moment Research. Demnach ließ das Labor 10.000 KI-Agenten gleichzeitig laufen, und diese arbeiteten mehr als 36 Stunden am Stück. Als Grundlage nennt die Fallstudie GPT-6 Astra, GPT-6.1 Sol, Codex sowie Daybreak, das auf Aufgaben der Cybersicherheit zielt.

Das Labor setzt sich ein klares Ziel: Es will Agenten bauen, die tagelang fokussiert bleiben und sich durch Nutzung verbessern. Eine Einschränkung gehört an den Anfang. Es handelt sich um eine vom Anbieter selbst veröffentlichte Fallstudie, die Ergebnisse naturgemäß eher herausstellt. Aufgabentypen, Erfolgsquoten und Kostenstruktur sind im vorliegenden Material nicht genannt. Dieser Beitrag stützt sich deshalb nur auf die bekannten Fakten und ergänzt keine Zahlen, die die Quelle nicht liefert.

Tiefenanalyse

Wie hält man 10.000 KI-Agenten über 36 Stunden am Laufen? Die Quelle beschreibt die Methode nicht. Die folgende Antwort beschreibt daher übliche Ingenieurpraxis und keine Aussage über Third Moment Research. Langlaufende Agenten brauchen in der Regel mehrere Mechanismen im Zusammenspiel: Zwischenstände werden in einem externen Speicher abgelegt, Checkpoints erlauben nach einem Fehler den Neustart an der Bruchstelle, Kontext wird verdichtet und zusammengefasst, damit das Hauptziel nicht verblasst, und automatische Wiederholungen samt Selbstprüfung korrigieren Abweichungen. Lange Läufe sind ein anderes Ingenieurproblem als kurze Dialoge. Je länger ein Agent arbeitet, desto stärker wächst und driftet sein Kontext. Kleine Fehler am Anfang werden von späteren Schritten verstärkt. Werkzeugaufrufe stoßen auf Zeitüberschreitungen, geänderte Schnittstellen und ungewöhnliche Umgebungszustände. Bei 10.000 Agenten über mehr als 36 Stunden treten solche Störungen laufend auf, die Wiederherstellung muss also automatisch erfolgen. Die Formel „verbessern sich durch Nutzung“ meint am ehesten, dass Laufprotokolle zu Erfahrung, Fähigkeiten oder Gedächtnis werden und in spätere Aufgaben zurückfließen. Ein Neutraining der Modellgewichte ist damit nicht zwingend gemeint. Die Quelle nennt dazu keine Details, deshalb sollte man nicht mehr hineinlesen. Die Werkzeugkombination liefert einige Hinweise. Codex arbeitet in einer Sandbox, liest und schreibt Code und führt Befehle aus, passt also zur Ausführungsschicht eines Agenten. Wie sich GPT-6 Astra und GPT-6.1 Sol die Arbeit teilen, geht aus der Zusammenfassung nicht hervor. Naheliegend wäre, dass ein Modell plant und urteilt, während das andere häufige Ausführungsschritte übernimmt. Das bleibt eine Vermutung.

Daybreak verweist auf Cybersicherheit, und Sicherheitsarbeit ist von Natur aus langlaufend. Schwachstellensuche, Log-Auswertung und dauerhafte Überwachung verlangen wiederholtes Testen und langes Nachverfolgen. Zugleich braucht dieses Feld strenge Rechtegrenzen und Prüfprotokolle. Überschreiten 10.000 autonome Agenten ihre Befugnisse, ist der Schaden weit größer als bei einer einzelnen falschen Antwort.

Branchenwirkung

Eine Größenordnung von 10.000 Agenten und mehr als 36 Stunden verschiebt den Wettbewerb von einzelnen Benchmark-Werten hin zur Ingenieursleistung. Früher fragte der Modellvergleich, ob eine Antwort stimmt. Nun lauten die Fragen anders: Liefert das System ohne Aufsicht dauerhaft brauchbare Ergebnisse? Wie viel Rechenleistung kostet jedes brauchbare Ergebnis? Wie oft muss ein Mensch eingreifen?

Den Druck spüren zuerst die Anbieter von Agentenplattformen. Sie müssen bei Scheduling, Ratenbegrenzung, Beobachtbarkeit und Kostenkontrolle nachziehen. Bei 10.000 gleichzeitigen Agenten reagieren API-Kontingente und Inferenzkosten sehr empfindlich. Wer die Kosten pro Aufgabe senkt, kann langlaufende Agenten leichter als Dienst verkaufen. Für die Sicherheitsbranche sind solche Fähigkeiten Chance und Belastung zugleich. Verteidiger können Agenten zur Schwachstellensuche und Reaktion im großen Maßstab einsetzen. Angreifer können dieselben Automatisierungsideen übernehmen. Zugriffskontrolle und Missbrauchsüberwachung gewinnen dadurch an Gewicht. Für Entwickler und Unternehmenskunden könnte sich die Kaufentscheidung von der Frage „Wie klug ist das Modell?“ zur Frage verschieben, ob sich das System prüfen, zurückrollen und bei Fehlern rasch stoppen lässt. Auch andere große Modellanbieter treiben eigene Agenten- und Programmierwerkzeuge voran. Ein öffentlicher Fall wie dieser hebt die Erwartung an Langzeitstabilität. Konkurrenten werden Belege in vergleichbarer Größenordnung liefern müssen, nicht nur Demovideos.

Ausblick

Mehrere Signale verdienen Beobachtung. Erstens: Veröffentlicht Third Moment Research feinere Kennzahlen, etwa Abschlussquote der Aufgaben, Zahl menschlicher Eingriffe und Kosten pro Aufgabe? Wichtig ist auch, ob sich die Laufzeit von über 36 Stunden auf echte mehrtägige Läufe ausdehnen lässt. Ohne diese Daten beschreiben „10.000 Agenten“ und „Tage“ eher Umfang und Anspruch als belegte Ergebnisse. Zweitens: Hält der Mechanismus des Besserwerdens durch Nutzung einer Prüfung stand? Gespeicherte Erfahrung könnte Fehler festschreiben. Unklar ist ebenso, wie Erfahrung zwischen Agenten getrennt oder geteilt wird. Beides betrifft die Zuverlässigkeit. Drittens: Werden in Hochrisikobereichen wie der Cybersicherheit abgestufte Rechte, Sandbox-Isolation und Verhaltensprüfung zum Standard? Aufsichtsbehörden müssen zudem entscheiden, wie sie Systeme bewerten, die lange autonom laufen. Viertens: Entstehen vergleichbare öffentliche Tests, damit die Branche langlaufende Agenten nach einem gemeinsamen Maßstab messen kann?

Schließen sich diese Lücken Schritt für Schritt, könnten langlaufende Agenten aus dem Labor in den Alltag von Unternehmen wandern. Bleiben Kosten- und Risikokontrolle schwach, wird sich auch große Skalierung nicht in stabilen Geschäftswert übersetzen.