Third Moment: 10.000 KI-Agenten über 36+ Stunden

Hintergrund

Am 14. Oktober 2026 veröffentlichte OpenAI eine Kundengeschichte über das KI-Labor Third Moment Research. Das Labor betreibt rund 10.000 KI-Agenten gleichzeitig und hält sie mehr als 36 Stunden lang im Dauerbetrieb. Eingesetzt werden GPT-6 Astra, GPT-6.1 Sol, Codex und Daybreak, ein Produkt für Cybersicherheit. Laut der Zusammenfassung ist das Ziel, Agenten zu bauen, die tagelang fokussiert bleiben und sich durch den Einsatz verbessern.

Zwei Zahlen prägen die Meldung. Die erste ist der Umfang: 10.000 Agenten laufen parallel. Die zweite ist die Dauer: mehr als 36 Stunden ohne Unterbrechung, also länger als anderthalb Arbeitstage. Das ist kein Chat-Assistent für eine einzelne Person mehr. Es ist ein Produktionssystem, das Planung, Überwachung und das Einsammeln von Ergebnissen braucht.

Eine Einschränkung gehört dazu. Die öffentliche Zusammenfassung nennt weder die Aufgaben der einzelnen Agenten noch Erfolgsquoten oder Kosten. Dieser Beitrag trennt deshalb berichtete Fakten von begründeten Annahmen. Wo die Quelle schweigt, steht das ausdrücklich im Text.

Tiefenanalyse

Schwierig ist nicht, ein Modell 10.000 Mal aufzurufen. Schwierig ist, dass jeder Agent über eine lange Zeitspanne beim Ziel bleibt. Bei kurzen Aufgaben denkt ein Modell innerhalb eines Kontextfensters. Bei Aufgaben über Dutzende Stunden ändert sich das Problem. Werkzeugausgaben und Zwischenschritte füllen den Kontext, und das ursprüngliche Ziel verblasst. Ein kleiner Fehler in einem Schritt kann sich in späteren Schritten verstärken. Auch die Umgebung, etwa Bibliotheken, Schnittstellen und Dateizustände, kann sich während des Laufs verändern. Wie können KI-Agenten 36 Stunden lang fokussiert arbeiten? Die Quelle beschreibt die Methode von Third Moment nicht. Langlaufende Agentensysteme stützen sich jedoch üblicherweise auf einige Mechanismen. Sie schreiben Pläne und Fortschritt in einen externen Speicher, statt sie nur im Gespräch zu halten. Sie komprimieren oder setzen den Kontext in Abständen zurück und stellen ihn aus der Aufzeichnung wieder her. Sie definieren prüfbare Kontrollpunkte für jeden Schritt. Und sie wiederholen oder machen einen Schritt rückgängig, wenn er scheitert. Das sind begründete Erwartungen an einen solchen Dauerlauf, keine bestätigten Details dieses Labors.

Die Werkzeugliste liefert Hinweise. Codex ist ein Coding-Agent. Die Agenten lesen und schreiben also wahrscheinlich Code, führen Befehle aus und prüfen Ergebnisse. Das erzeugt überprüfbare Signale, die eine lange Aufgabe auf Kurs halten. Daybreak zielt auf Cybersicherheit. Das deutet darauf hin, dass der Ansatz auch bei Schwachstellensuche und Verteidigungsanalyse genutzt wird, wo geduldiges, wiederholtes Testen zählt. Plausibel, aber nicht belegt, ist eine Rollenteilung zwischen GPT-6 Astra und GPT-6.1 Sol, etwa Planung und Urteil auf der einen, schnelle Ausführung auf der anderen Seite. Auch die Aussage, die Agenten verbesserten sich durch den Einsatz, verdient genaues Lesen. Wahrscheinlich werden erfolgreiche und gescheiterte Verläufe zu wiederverwendbarer Erfahrung, Prompts oder Werkzeugen aufbereitet. Dafür müssen keine Modellgewichte aktualisiert werden. Welchen Weg das Labor wählt, geht aus der Zusammenfassung nicht hervor.

Branchenwirkung

Der Fall deutet auf eine Verschiebung im Wettbewerb. Im Mittelpunkt steht nicht mehr die Qualität einer einzelnen Antwort, sondern die Verlässlichkeit über lange, mehrstufige Arbeit. Ein Team, dessen Agenten zwei Tage beim Thema bleiben, kommt dem Ersatz eines Teils der Arbeit von Forschern und Entwicklern näher als ein Team, dessen Agenten nach einer Stunde abdriften. Die Orchestrierung wird so wichtig wie das Modell. 10.000 parallele Agenten brauchen Aufgabenwarteschlangen, Ressourcenquoten, Wiederholungsregeln, Deduplizierung von Ergebnissen und Audit-Protokolle. Das sind alte Probleme verteilter Systeme. Neu ist, dass jede Ausführungseinheit ein Modell ist, das eigene Entscheidungen trifft. Teams mit reifer Infrastruktur haben hier einen Vorteil. Firmen, die nur eine Schnittstelle aufrufen, stehen vor einer höheren Hürde.

Für Coding-Agenten ändert sich die Produktform. Statt Code im Editor zu ergänzen, übernimmt das Werkzeug ein Ziel, arbeitet stundenlang und liefert ein Ergebnis zur Abnahme. Damit konkurriert es direkt mit anderen Programmierassistenten, Plattformen für automatisiertes Testen und Anbietern von Sicherheitsscans. Am heikelsten ist die Cybersicherheit. Dieselbe Ausdauer und Parallelität, die Verteidigern hilft, Schwachstellen schneller zu finden, könnte auch Angreifern nützen. Zugriffskontrolle, Nutzungsprüfung und klare Verantwortlichkeiten werden deshalb zum Teil des Produktdesigns. Unternehmenskunden werden zudem nach Kosten und Kontrolle fragen. Wer 10.000 Agenten länger als einen Tag laufen lässt, verbraucht viel Rechenleistung. Ohne klare Abbruchbedingungen und Budgetgrenzen wird daraus schnell Verschwendung. Die Quelle nennt keine Kostenzahlen, die Wirtschaftlichkeit lässt sich öffentlich also noch nicht beurteilen.

Ausblick

Mehrere Signale sind beobachtenswert. Erstens, ob detailliertere Auswertungen erscheinen: Abschlussquoten, Häufigkeit menschlicher Eingriffe, Kosten je Aufgabe und Vergleiche mit kürzeren Läufen. Ohne diese Angaben bleibt offen, ob 36 Stunden eine Leistungsgrenze oder eine Demonstration sind. Zweitens, ob der Mechanismus der Verbesserung durch Nutzung standardisiert wird. Eine gemeinsame Bibliothek für Fähigkeiten oder Erfahrungen würde es erlauben, dass andere Agenten nutzen, was einer gelernt hat. Aus der Technik eines einzelnen Labors würde eine allgemeine Praxis. Drittens, ob sich die Laufzeit von ein bis zwei Tagen auf eine Woche oder mehr ausdehnen lässt, ohne dass die Fehlerrate steigt. Das ist der härteste Test für Verlässlichkeit im Dauerbetrieb. Die bisherige Zusammenfassung beantwortet ihn nicht. Viertens, wie Aufsichtsbehörden und Sicherheitsteams reagieren. Wenn Agenten sicherheitsrelevante Aktionen selbstständig und über lange Zeit ausführen, entscheiden Audit-Spuren, Rechtetrennung und Freigabepunkte für Menschen darüber, ob solche Produkte in Großunternehmen und Behörden ankommen. Fünftens, ob andere Labore und Cloud-Anbieter mit ähnlichen Demonstrationen nachziehen und 10.000 parallele Agenten zum gängigen Maßstab machen.

Die Richtung des Falls Third Moment Research ist klar. Agenten wandern von der Demo zum Engineering-System, das dauerhaft betrieben werden muss. Den Abstand zwischen den Teams werden vermutlich Stabilität, Orchestrierung und Sicherheits-Governance bestimmen, und nicht allein die Leistungsfähigkeit des zugrunde liegenden Modells.