GPT-7 statt Feinschliff: Wie OpenAI seine Forschung ausrichtet – und KI-Agenten die Modellentwicklung übernehmen

Berlin, 28. September 2026 – Wer wissen will, wohin die KI-Forschung steuert, muss auf die Labore selbst schauen. Bei OpenAI zielen nach Aussage von Boris Power, dem Leiter der angewandten Forschung, 80 bis 90 Prozent der Forschungsarbeit längst auf GPT-7, GPT-8 und darüber – dort komme „der größte Teil des Werts“ her.^[The Decoder – OpenAI says 80 to 90 percent of its research already targets GPT 7 and beyond – url: https://the-decoder.com/openai-says-80-to-90-percent-of-its-research-already-targets-gpt-7-and-beyond/]

Zwischen Feinschliff und Generationssprung

Verbesserungen innerhalb einer Generation – etwa von GPT 5.1 auf 5.2 – entstehen laut Power durch spezialisierte Trainingsdaten und sind bewusst kurzfristig angelegt. Intern gälten solche Updates als „extrem kurzsichtig“, sie hülfen dem Unternehmen aber, schneller zu iterieren. Der eigentliche Sprung komme mit einer neuen Modellgeneration, bei der „alles andere einfach viel besser funktioniert“. Nach jedem Sprung müsse das Unternehmen neu lernen, wo sich schnelle Erfolge erzielen lassen.^[The Decoder – OpenAI says 80 to 90 percent of its research already targets GPT 7 and beyond – url: https://the-decoder.com/openai-says-80-to-90-percent-of-its-research-already-targets-gpt-7-and-beyond/]

Das größte Problem der heutigen Assistenten sieht Power nicht in der Modellqualität, sondern im Einstieg: Die meisten ChatGPT-Nutzerinnen und -Nutzer wüssten gar nicht, was mit KI alles möglich sei. Künftige Modelle sollten besser sichtbar machen, was machbar ist, und Bedürfnisse vorwegnehmen. GPT-4 habe sorgfältiges Prompting verlangt, GPT-5 sei einfacher, brauche aber viel Feedback – GPT-6 funktioniere schon eher wie eine fähige Kollegin, der man einfach ein Ziel übergibt.^[The Decoder – OpenAI says 80 to 90 percent of its research already targets GPT 7 and beyond – url: https://the-decoder.com/openai-says-80-to-90-percent-of-its-research-already-targets-gpt-7-and-beyond/]

Agenten liefern Ideen – entscheiden aber nicht

Wie stark KI-Agenten inzwischen an der Entwicklung von Modellen mitarbeiten, zeigt eine zweite Untersuchung. Ein Forschungsteam analysierte 769 Aufgabenprotokolle aus dem Bau eines eigenen KI-Modells. Die Agenten steuerten bis zu 55 Prozent der Methodenvorschläge bei – doch mehr als 85 Prozent der endgültigen Entscheidungen trafen weiterhin Menschen. Ein Drittel der Aufgaben wäre ohne KI gar nicht in Angriff genommen worden.^[The Decoder – AI agents do more of the work in model development, but humans still make the decisions – url: https://the-decoder.com/ai-agents-do-more-of-the-work-in-model-development-but-humans-still-make-the-decisions/]

Die Autorinnen und Autoren mahnen dennoch zur Nüchternheit: Dass Agenten mehr Arbeit übernehmen, bedeute nicht automatisch mehr Autonomie. Der Befund passt zu Powers Einschätzung, dass die entscheidenden Weichen weiter von Menschen gestellt werden.^[The Decoder – AI agents do more of the work in model development, but humans still make the decisions – url: https://the-decoder.com/ai-agents-do-more-of-the-work-in-model-development-but-humans-still-make-the-decisions/]

Ein Roboter, der eine fremde Küche aufräumt

Ganz ohne menschliche Steuerung kommt dagegen ein Experiment aus der Robotik aus. Forschende der Universität Stanford und des California Institute of Technology (Caltech) haben mit „HomeBody“ einen humanoiden Roboter vom Typ Unitree G1 eine unbekannte Küche erkunden, aufräumen und Gegenstände aus Schubladen holen lassen.^[The Decoder – Researchers plug GPT-6 Astra directly into a robot and let it clean up an unfamiliar kitchen – url: https://the-decoder.com/researchers-plug-gpt-6-astra-directly-into-a-robot-and-let-it-clean-up-an-unfamiliar-kitchen/]

Das System verzichtet auf die übliche trainierte Steuerungsschicht zwischen Sprachmodell und Roboter. Stattdessen ruft ein austauschbares Bild-Sprachmodell – hier GPT-6 Astra – direkt in eine erweiterbare Bibliothek von Fertigkeiten wie Greifen, Navigieren oder Schubladenöffnen. Der Roboter erkundet den Raum zunächst, baut in Nvidias Simulationsumgebung Isaac Sim einen digitalen Zwilling auf und legt Objekte samt Positionen in einem räumlichen Gedächtnis ab. So findet er Dinge auch dann wieder, wenn sie aus seinem Blickfeld verschwunden sind. Bei Aufgaben wie „räum die Küche auf“ plant das Modell jeden Schritt und korrigiert sich bei Fehlern selbst.^[The Decoder – Researchers plug GPT-6 Astra directly into a robot and let it clean up an unfamiliar kitchen – url: https://the-decoder.com/researchers-plug-gpt-6-astra-directly-into-a-robot-and-let-it-clean-up-an-unfamiliar-kitchen/]

Grenzen nennt die Beschreibung ebenfalls: die Latenz von Astra, überhitzende Fingermotoren und hohe Rechenkosten. Der Code steht auf GitHub. Frühere Tests hätten ein deutlich verbessertes räumliches Denken gezeigt, ein anderer Benchmark aber auch Sicherheitsprobleme gemeldet, wenn Astra einen Roboter steuert. OpenAI hat angekündigt, wieder stärker in die Robotik einzusteigen – auch für den privaten Gebrauch.^[The Decoder – Researchers plug GPT-6 Astra directly into a robot and let it clean up an unfamiliar kitchen – url: https://the-decoder.com/researchers-plug-gpt-6-astra-directly-into-a-robot-and-let-it-clean-up-an-unfamiliar-kitchen/]

Zwischen Generationssprung und Küchenboden zeigt sich damit ein doppeltes Bild: Die Systeme übernehmen immer mehr Arbeitsschritte – die letzten Entscheidungen aber bleiben vorerst beim Menschen.