Third Moment Research: 10.000 KI-Agenten über 36+ Std.

Hintergrund

OpenAI hat auf seiner offiziellen Website eine Kundenfallstudie veröffentlicht, die das KI-Labor Third Moment Research vorstellt. Das Labor setzt GPT-6 Astra, GPT-6.1 Sol, Codex und Daybreak ein, ein Produkt für den Bereich Cybersicherheit. Damit baut es Agenten, die tagelang fokussiert bleiben und sich durch Nutzung verbessern. Der Fall ist auf den 14. Oktober 2026 datiert. Die Überschrift nennt zwei Zahlen: 10.000 Agenten, die mehr als 36 Stunden am Stück liefen.

Das erklärte Ziel ist kein höflicherer Chat-Assistent. Third Moment Research will, dass viele Agenten die Richtung einer Aufgabe halten, ohne dass ein Mensch jeden Schritt überwacht. Außerdem sollen die Erkenntnisse jedes Laufs gesichert und in der nächsten Runde genutzt werden. Die öffentlichen Angaben verraten nicht, was die 10.000 Agenten konkret erledigten. Es gibt weder eine Kostenangabe noch eine Erfolgsquote. Dieser Artikel liest den Fall deshalb als Richtungssignal und nicht als Benchmark, den andere Teams nachbauen könnten.

Warum ist ein KI-Agent, der 36 Stunden läuft, aussagekräftiger als einer, der zehn Minuten läuft? Ein kurzer Lauf verbirgt die meisten schwierigen Probleme, ein langer legt sie offen. Die Zahl von 36 Stunden zeigt, dass das System unter anhaltender Last nicht zusammenbrach. Sie zeigt noch nicht, wie viel nützliche Arbeit dabei herauskam.

Tiefenanalyse

Lang laufende Agenten stehen vor vier bekannten technischen Problemen. Das erste ist der Kontextdrift: Je länger eine Aufgabe dauert, desto leichter werden frühe Ziele, Randbedingungen und Zwischenergebnisse von späterem Rauschen überdeckt. Das Modell kann sich unbemerkt vom ursprünglichen Auftrag entfernen. Das zweite ist die Fehleranhäufung. Eine kleine Fehlerwahrscheinlichkeit pro Schritt summiert sich über Hunderte oder Tausende Schritte. Übliche Gegenmittel sind Checkpoints, Rollbacks und Selbstprüfungen. Das dritte Problem ist die Zustandsverwaltung. Ein Agent, der sich nur auf den flüchtigen Speicher im Modellfenster stützt, verliert bei einem Prozessabbruch seinen Platz. Ein belastbarer Entwurf schreibt Fortschritt, Annahmen und offene Punkte in externen Speicher. So kann ein abgestürzter Prozess am letzten Checkpoint weitermachen. Das vierte Problem ist die Ablaufsteuerung. Zehntausend parallele Instanzen bedeuten sehr viele Modellaufrufe, Werkzeugaufrufe und isolierte Umgebungen. Warteschlangen, Ratenbegrenzung und Wiederholungslogik entscheiden darüber, ob die Flotte läuft oder stockt. Codex passt gut in dieses Bild. Das Produkt ist ein Agent für Softwareentwicklung, der Dateien liest und schreibt, Tests ausführt und in Kommandozeilenumgebungen arbeitet. Damit liefert er zwei Dinge, die eine lange Aufgabe braucht: externen Zustand und überprüfbare Rückmeldung. Ein fehlgeschlagener Test ist ein klares Signal, ein bestandener ein klarer Checkpoint. Auch die Formulierung „verbessert sich durch Nutzung“ verlangt Vorsicht. In der Praxis heißt sie meist, dass Laufprotokolle, Fehlerursachen und erfolgreiche Vorgehensweisen gesammelt und zu wiederverwendbaren Prompts, Fähigkeiten oder Testsätzen aufbereitet werden. Die nächste Gruppe von Agenten startet dann mit dem Wissen der vorigen. Welche Methode Third Moment Research nutzt, nennt die Quelle nicht, daher spekuliert dieser Text nicht darüber. Dasselbe gilt für Daybreak. Die Quelle sagt nur, dass es auf Cybersicherheit zielt. Sicherheitsarbeit verlangt dauerhafte Überwachung, wiederholte Prüfung und breit angelegte parallele Untersuchung, und das passt zu einer Architektur für lange Läufe. Das ist eine Aussage über die Eignung, nicht über den Aufbau von Daybreak.

Ist „10.000 Agenten über 36 Stunden“ ein verlässliches Qualitätsmaß für KI-Agenten? Für sich allein nicht. Die Laufzeit zeigt, dass die Infrastruktur hielt. Für die Qualität fehlen die Daten: Aufgabentyp, durchschnittliche Schrittzahl pro Agent, Anteil der Fehler und Wiederholungen, Kosten pro erledigter Aufgabe und die Häufigkeit menschlicher Eingriffe.

Branchenwirkung

Der Fall zeigt eine Verschiebung im Wettbewerb der Anbieter. Zwei Jahre lang drehte sich der Vergleich um die Qualität einer einzelnen Antwort und um Benchmark-Werte. Heute lautet die Frage zunehmend, ob ein System eine Aufgabe allein zu Ende bringt. Maßstab werden Aufgabendauer, Parallelität und Zuverlässigkeit. OpenAI stellt mit Astra und Sol zwei Modelllinien neben die beiden Produktlinien Codex und Daybreak in einer einzigen Kundengeschichte. Das zeigt einen Stack vom allgemeinen Modell über einen Entwicklungsagenten bis zu einem vertikalen Sicherheitsprodukt. Es stärkt das Vertrauen von Käufern in eine einheitliche Plattform und setzt Konkurrenten unter Druck, die nur eine Modellschnittstelle anbieten.

Für Agenten-Start-ups steigt die Messlatte. Eine dünne Schicht aus Prompts genügt nicht mehr. Ein ernstzunehmendes Produkt braucht Ablaufsteuerung, Gedächtnis, Bewertung und Kostenkontrolle als zusammenhängendes System. Für Unternehmen öffnen lang laufende Agenten die Tür zu Arbeit, die langsam, aber klar abgegrenzt ist: nächtliche Stapelverarbeitung, Code-Migration, Sichtung von Schwachstellen und Log-Audits. Menschen griffen nur an Freigabepunkten ein.

Cybersicherheit ist dabei ein zweischneidiges Schwert. Dieselbe lange, groß angelegte Automatisierung kann Verteidigern helfen, Probleme schneller zu finden und zu beheben. Sie kann aber auch Angreifern helfen, ihre Sondierung auszuweiten. Sicherheitsprodukte brauchen deshalb in der Regel strengere Zugriffskontrolle, Nutzungsprotokolle und klare Verantwortlichkeiten. Für Aufsichtsbehörden und Sicherheitsteams stellt sich eine harte Frage: Wie lässt sich bestätigen, dass 10.000 autonome Instanzen ihre Berechtigungen nicht überschritten und keine Daten preisgaben? Jeder große Einsatz muss darauf eine Antwort haben.

Ausblick

Vier Signale verdienen Aufmerksamkeit. Erstens ist zu beobachten, ob OpenAI oder Third Moment Research weitere Einzelheiten veröffentlicht: Aufgabentypen, durchschnittliche Schritte pro Agent, Verhältnis von Fehlern und Wiederholungen, Kosten pro Aufgabe und Häufigkeit menschlicher Eingriffe. Ohne diese Daten belegen die 36 Stunden nur, dass nichts abstürzte, nicht aber, wie viel Wert entstand.

Zweitens bleibt offen, ob sich der Mechanismus „besser durch Nutzung“ unabhängig nachbauen lässt. Er könnte auf Feinabstimmung des Modells, auf externem Gedächtnis oder auf testgetriebener Prompt-Iteration beruhen. Diese Wege unterscheiden sich stark bei Kosten und Übertragbarkeit. Drittens ist ein gemeinsamer Bewertungsstandard für lange Aufgaben wünschenswert, der Laufzeit, Wiederanlauf nach Fehlern und endgültige Korrektheit zusammen misst und so einen fairen Vergleich zwischen Anbietern erlaubt.

Viertens zählt die Sicherheitsinfrastruktur: Sandbox-Isolation, minimale Berechtigungen, Verhaltensprotokolle und Notabschaltung. Reifen diese Bausteine, könnten große, lang laufende Agentenflotten von wenigen Labor-Demonstrationen zu einem gewöhnlichen Teil von Unternehmenssoftware werden. Hinken sie hinterher, bremsen Zwischenfälle den Einsatz. In beiden Fällen deutet der Fall auf einen Wandel des Maßstabs hin. Gefragt ist nicht mehr nur, wie gut ein Agent antwortet, sondern wie lange er allein arbeiten kann und wie viel er dabei dazulernt.