Third Moment: 10.000 KI-Agenten laufen über 36 Stunden

Hintergrund

OpenAI hat eine Fallstudie zu Third Moment Research veröffentlicht. Nach den Angaben laufen dort etwa 10.000 KI-Agenten gleichzeitig, einzelne Aufgaben dauern mehr als 36 Stunden. Ziel ist, dass Agenten tagelang fokussiert arbeiten und durch Nutzung besser werden. Genannt werden GPT-6 Astra, GPT-6.1 Sol, der Coding-Agent Codex und Daybreak für Cybersicherheit. Die Fallstudie erschien am 14. Oktober 2026.

Die Quelle nennt nur Parallelität und Laufzeit. Zu Architektur, Fehlerquoten und Kosten fehlen Angaben. Alles Weitere ist eine Einordnung auf Basis gängiger Praxis, keine Beschreibung der tatsächlichen Umsetzung bei Third Moment Research.

Tiefenanalyse

Wie bleibt ein KI-Agent über 36 Stunden zuverlässig? Die Quelle sagt es nicht. Vergleichbare Systeme kombinieren meist drei Dinge: ausgelagerten Zustand in Dateien oder Datenbanken statt nur im Gesprächsverlauf, Checkpoints für den Neustart am letzten stabilen Punkt und regelmäßige Prüfung durch eine zweite Modellinstanz. Nötig ist das, weil sich bei anderthalb Tagen Laufzeit der Kontext füllt, frühe Entscheidungen verloren gehen und kleine Fehler zu Richtungsfehlern wachsen.

GPT-6 Astra und GPT-6.1 Sol übernehmen wahrscheinlich unterschiedliche Rollen, die Quelle erläutert die Aufteilung jedoch nicht. Üblich ist, dass ein stärkeres Modell plant und ein leichteres Routineschritte erledigt. Codex deutet auf Code als Arbeitsmedium: Tests und Logs liefern überprüfbares Feedback, das lange autonome Läufe stützt.

Das Lernen durch Nutzung bedeutet vermutlich gespeicherte Verläufe, etwa als Prompt-Vorlagen, Werkzeug-Wrapper und Evaluationsfälle, nicht zwingend ein neues Modelltraining. Bei 10.000 Agenten braucht es zudem Budgetgrenzen, Timeouts und Abschaltmechanismen, damit Endlosschleifen die Rechnung nicht vervielfachen.

Branchenwirkung

Der Fall verschiebt den Wettbewerb von der Qualität einer einzelnen Antwort zur Zuverlässigkeit dauerhafter Arbeit. Kunden dürften künftig nach Abschlussquote, Kosten pro erfolgreichem Lauf und Wiederanlauf nach Fehlern fragen. Die Quelle nennt keinen dieser Werte, was ihre Beweiskraft als Beleg begrenzt.

Für OpenAI stützt der Fall das Paket aus Modellen, Codex und Sicherheitsprodukt. Anthropic, Google und Open-Source-Frameworks stehen unter Druck, vergleichbar große Einsätze statt reiner Demos zu zeigen.

Daybreak weist auf Schwachstellenprüfung und Code-Audit hin, also auf Arbeit, die sich gut auf viele Agenten aufteilen lässt. Dafür sind Protokolle, Rechtetrennung und menschliche Prüfung nötig. Längere Läufe vergrößern die Angriffsfläche für Prompt Injection. Auch Angreifer könnten ähnliche Fähigkeiten nutzen.

Ausblick

Vier Signale zählen. Erstens, ob die Marke von 36 Stunden rasch übertroffen wird und ob Anbieter gemeinsame Benchmarks für Langzeitaufgaben veröffentlichen. Zweitens, ob die Kosten pro langer Aufgabe und der Anteil wiederholter Fehlläufe offengelegt werden. Beides fehlt in der Quelle.

Drittens der Mechanismus hinter dem Lernen: Gedächtnis und Skill-Bibliotheken, Prompt-Iteration oder gezieltes Fine-Tuning bringen unterschiedliche Risiken mit sich. Viertens die Governance: Agenten, die tagelang autonom laufen, brauchen Audit-Spuren und feste Eingriffspunkte, besonders in der Cybersicherheit. Der Fall zeigt die Richtung. Zur Reife fehlen transparentere Daten und strengere technische Validierung.