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

Hintergrund

Das KI-Labor Third Moment Research hat einen groß angelegten Agenteneinsatz offengelegt. Laut den offiziellen Informationen von OpenAI liefen rund 10.000 KI-Agenten gleichzeitig. Ein einzelner Lauf dauerte mehr als 36 Stunden. Der Beitrag stammt vom 14. Oktober 2026.

Die technische Grundlage kommt von OpenAI: GPT-6 Astra, GPT-6.1 Sol, der Coding-Agent Codex und Daybreak, ein Produkt für Cybersicherheit. Das erklärte Ziel ist nicht allein Ausdauer. Das Labor will Agenten bauen, die sich über mehrere Tage konzentrieren und durch Nutzung besser werden.

Die öffentliche Quelle lässt Lücken. Sie nennt weder Aufgabentypen noch Erfolgsquoten oder Kosten. Die Angaben 10.000 Agenten und 36 Stunden sind deshalb eher eine Untergrenze für Umfang und Durchhaltevermögen als ein vollständiger Leistungstest.

Tiefenanalyse

Warum liefen Agenten bisher meist nur wenige Minuten? Frühere Agenten bearbeiteten überwiegend Aufgaben von einigen Minuten bis zu wenigen Dutzend Minuten. Zwischenergebnisse füllen das Kontextfenster, frühe Ziele und Randbedingungen verblassen, und ein einziger fehlgeschlagener Werkzeugaufruf kann alle folgenden Schritte vom Kurs abbringen. Fehler summieren sich auf dem Weg. Wie kann ein KI-Agent 36 Stunden oder länger arbeiten? Dafür müssen mindestens vier Probleme gelöst sein. Die Quelle benennt sie, beschreibt aber nicht, wie Third Moment Research jedes einzelne löst. Erstens die Zielbindung: Das Modell muss nach sehr vielen Schritten noch wissen, was es erreichen soll und was es nicht tun darf. Zweitens die Zustandsverwaltung: Zwischenstände gehören in einen externen Speicher, der Kontext wird regelmäßig verdichtet, und nach einer Unterbrechung muss der Agent von einem Prüfpunkt aus weiterarbeiten können.

Drittens die Selbstprüfung. Nach jedem Arbeitsabschnitt sollte der Agent sein Ergebnis mit Tests, mit einem Abgleich oder mit einem zweiten Modell kontrollieren, statt blind bis zum Ende zu schreiben. Viertens die Kontrolle von Ressourcen und Rechten. Ein langer Lauf bedeutet mehr Werkzeugaufrufe, und mehr Aufrufe vergrößern die Angriffsfläche für Fehlbedienungen. Der Produktmix passt zu diesen Anforderungen. Codex liefert das Lesen, Schreiben und Ausführen von Code. GPT-6 Astra und GPT-6.1 Sol übernehmen Denken und Ausführen auf unterschiedlichen Ebenen. Daybreak überträgt das Langlauf-Muster auf die Cybersicherheit, die dauerhafte Überwachung und laufende Reaktion verlangt. Die Aussage, Agenten würden durch Nutzung besser, verdient Vorsicht. Plausibel ist, dass das System Erfahrungen aus früheren Aufgaben ablegt, darunter Fehlerprotokolle und bewährte Vorgehensweisen, und spätere Agenten sie wiederverwenden. Die Quelle beschreibt den Mechanismus nicht. Das bleibt eine Schlussfolgerung und keine bestätigte Architektur.

Branchenwirkung

Ein solcher Einsatz verschiebt mehrere Wettbewerbslinien. Die erste ist der Maßstab. Bisher verglich man die Qualität einer einzelnen Antwort und Benchmark-Werte. Nun zählt, wie lange ein Agent unbeaufsichtigt läuft und wie viel seiner Ergebnisse danach noch vertrauenswürdig ist. Dauer und Umfang werden zu technischen Kennzahlen. Die Bewertung muss von der richtigen Antwort auf eine Frage zum abgeschlossenen Projekt wechseln.

Die zweite Linie ist der Markt für Coding-Agenten. Wenn Codex tagesübergreifende Aufgaben stabil bewältigt, können Softwareteams mühsame und zeitraubende Arbeit abgeben, etwa große Migrationen, das Nachziehen von Tests oder Abhängigkeits-Updates. Entwickler agieren dann stärker als Prüfer und Koordinatoren. Die dritte Linie ist die Cybersicherheit. Angreifer und Verteidiger nutzen Automatisierung. Ein spezielles Produkt wie Daybreak zeigt, dass Dauerüberwachung, Triage und erste Gegenmaßnahmen im Security Operations Center ein natürliches Feld für langlaufende Agenten sind. Die vierte Linie ist die Infrastruktur. 10.000 Agenten, die viele Stunden gleichzeitig laufen, stellen hohe Anforderungen an Rechenleistung für Inferenz, Planungssysteme, Protokollierung und Auditierbarkeit. Cloud-Anbieter und Modellhersteller können sich bei Zuverlässigkeit und Kosten voneinander absetzen. Für kleinere Teams verschiebt sich die Hürde: Entscheidend ist, ob die Kosten pro Aufgabe unter den Kosten menschlicher Arbeit liegen, nicht allein die Stärke des Modells.

Ausblick

Mehrere Signale lohnen den Blick. Das erste sind reproduzierbare öffentliche Daten: Abschlussquoten, Zahl der menschlichen Eingriffe, Kosten pro Aufgabe und die Kurve der Fehleranhäufung über einen langen Lauf. Ohne diese Zahlen lässt sich eine Geschichte über Größenordnung schwer in eine Kaufentscheidung übersetzen. Das zweite Signal ist die Governance von Rechten und Sicherheit. Ein Agent, der tagelang läuft, hält womöglich lange Zugriff auf Code-Repositories, Server oder Sicherheitssysteme. Minimale Rechtevergabe, Protokolle jeder Aktion und automatische Notabschaltung bei Auffälligkeiten entscheiden darüber, ob Unternehmen die Kontrolle abgeben.

Das dritte ist die wahre Grenze des Versprechens, Agenten würden mit Nutzung besser. Gespeicherte Erfahrung kann Verzerrungen festschreiben oder einen einzelnen Fehler als Regel behandeln und immer wieder anwenden. Externe Beobachter werden Belege dafür verlangen, wie das Labor dies verhindert. Das vierte ist die Reaktion des Umfelds. Andere Modellanbieter und Agentenplattformen könnten ähnliche Langlauf-Kennzahlen veröffentlichen, und die Branche könnte gemeinsame Bewertungsverfahren entwickeln. Der Fall Third Moment Research deutet an, dass der Wettbewerb sich von der Frage, ob ein Agent eine Aufgabe kann, zur Frage verlagert, ob er sie dauerhaft stabil, sicher und günstig erledigt. Wer diese Fähigkeit in den kommenden Quartalen zuerst als prüfbares und abrechenbares Produkt anbietet, hat die besseren Chancen im Unternehmensmarkt.