OpenAI dreht am Agenten-Rad: GPT-5.6, Work und Atlas weg

Heute dreht sich fast alles um dieselbe Frage: Wie viel Arbeit soll KI schon selbst übernehmen? OpenAI liefert darauf gleich mehrere Antworten – mit einem neuen Arbeitsmodus, einem offeneren Modell und dem nächsten Browser-Kahlschlag. Nebenbei zeigen Forschung und Open Source, wohin die Reise bei agentischen Workflows geht.

🤖 OpenAI startet ChatGPT Work und gibt GPT-5.6 frei

OpenAI startet mit ChatGPT Work eine agentische Arbeitsumgebung, die auf Codex und dem nun frei verfügbaren GPT-5.6 basiert. Die Idee: Du gibst ein Ziel vor, der Agent arbeitet sich dann durch Tools wie Google Drive, Slack oder Salesforce und erledigt auch mehrschrittige Aufgaben weitgehend selbstständig. Das Ganze läuft je nach Tarif auf Web, Mobile und Desktop. Quelle

Das ist mehr als nur ein neues Feature-Label. OpenAI verschiebt ChatGPT damit klar von „Antwortmaschine“ zu „Arbeitsoberfläche“. Für Wissensarbeit klingt das attraktiv: weniger Kontextwechsel, weniger Copy-Paste, mehr Automatisierung. Gleichzeitig steigen die Anforderungen an Berechtigungen, Auditierbarkeit und Fehlerkontrolle. Wenn ein Agent in Slack oder Salesforce herumwühlt, willst Du sehr genau wissen, was er darf – und was nicht. Der typische KI-Moment „Ich habe das fast richtig gemacht“ wird im Unternehmenskontext schnell teuer.

🧭 Atlas wird eingestellt, Browser-Funktionen wandern in ChatGPT

OpenAI stellt seinen KI-Browser Atlas nach weniger als acht Monaten wieder ein und verlagert die wichtigsten Funktionen direkt in ChatGPT. Statt eines separaten Browsers setzt das Unternehmen künftig stärker auf Computer Use und Browser-ähnliche Aktionen innerhalb der ChatGPT-App und per Chrome-Extension. Quelle

Das ist ein klassischer OpenAI-Move: Produkt wieder einpacken, Funktionen neu verteilen, weiterziehen. Für Nutzer ist das ambivalent. Einerseits verschwindet ein eigenes Tool, andererseits wird die Bedienung einfacher, weil Du nicht noch eine weitere Oberfläche lernen musst. Strategisch ist es aber ziemlich klar: Der Browser als eigenständiges KI-Produkt ist offenbar noch nicht stark genug, während ChatGPT als zentrale Schaltstelle immer mehr Aufgaben aufsammelt. Wer auf KI-Browser als große Kategorie gewettet hat, schaut heute vermutlich etwas länger auf seinen Kaffee.

🧪 GPT-5.6 Sol soll ein kleineres Modell selbst trainiert haben

Laut OpenAI hat GPT-5.6 Sol ein kleineres Modell namens Luna mit einem einzigen, eher vage formulierten Prompt posttrainiert. Im internen RSI-Benchmark für rekursive Selbstverbesserung soll Sol 16,2 Punkte vor GPT-5.5 liegen. OpenAI spricht dabei schon vom „automatisierten Forscher“ in greifbarer Nähe. Quelle

Warum ist das relevant? Weil hier nicht nur ein Modell antwortet, sondern andere Modelle beim Lernen unterstützt. Das ist ein wichtiger Baustein Richtung AI Research Automation: KI, die experimentiert, evaluiert und verbessert. Der Haken bleibt derselbe wie immer bei Selbstverbesserung: Benchmarks sind nicht die Wirklichkeit, und ein internes Ergebnis ist noch keine robuste Allgemeinfähigkeit. Trotzdem ist die Richtung spannend – und für die Modellentwicklung wahrscheinlich viel wichtiger als die nächste hübsche Demo.

⚖️ OpenAI im Copyright-Streit unter Druck

Im laufenden Copyright-Verfahren wirft die New York Times OpenAI vor, Beweise zurückgehalten zu haben. Im Kern geht es um die Frage, wie mit Trainingsdaten, Dokumentation und möglichen Offenlegungspflichten umgegangen wurde. Solche Verfahren sind längst keine Randnotiz mehr, sondern prägen die Spielregeln für die gesamte KI-Branche. Quelle

Für Dich als Nutzer oder Unternehmen ist das nicht bloß juristisches Hintergrundrauschen. Copyright- und Offenlegungsfragen beeinflussen, welche Modelle verfügbar sind, wie sie trainiert werden und wie Anbieter ihre Produkte absichern. Je größer die Systeme und je breiter ihre Nutzung, desto wichtiger werden Datenherkunft, Lizenzen und Nachvollziehbarkeit. Die großen KI-Anbieter bauen gerade nicht nur Produkte, sondern auch Verteidigungslinien – oft in derselben Woche.

🛰️ LiST: Robustere und besser kalibrierte Netze

Mit LiST – Lipschitz Scaling Training for Robust and Calibrated Neural Networks gibt es auf arXiv einen neuen Ansatz, der Robustheit und Kalibrierung gemeinsam adressiert. Der Kern: Statt diese Ziele getrennt zu behandeln, versucht LiST Modelle so zu trainieren, dass sie verlässlicher auf Eingaben reagieren und ihre Unsicherheit besser einschätzen. Das ist besonders relevant für Anwendungen, in denen Fehlentscheidungen teuer sind. Quelle

Das mag erst einmal nach klassischer Forschungsarbeit klingen, ist aber praktisch ziemlich wichtig. Ein Modell, das „mit hoher Sicherheit“ Unsinn erzählt, ist eben nicht besser als ein unsicheres Modell – nur selbstbewusster. Gerade für Foundation Models in sensiblen Bereichen wie Erdbeobachtung, Medizin oder Industrie zählt deshalb nicht nur Genauigkeit, sondern auch Kalibrierung. Die Forschung bewegt sich langsam weg vom bloßen „hält schon irgendwie“ hin zu „soll bitte belastbar sein“. Revolutionär ist daran nur, wie lange es gedauert hat.

🛠️ Tool-Tipp des Tages: Model_Forge für agentische 3D-Workflows

Model_Forge ist ein Open-Source-Prototyp für KI-gestützte 3D-Printing-Workflows. Das Projekt orchestriert Schritte wie CAD-Generierung, Validierung, einen Human-Approval-Gate, Slicing und Artifact Tracking. Für alle, die agentische Pipelines nicht nur diskutieren, sondern praktisch bauen wollen, ist das ein spannender Baukasten. Quelle #

Besonders interessant ist hier der Workflow-Gedanke: Nicht ein einzelner Agent macht alles, sondern mehrere Schritte werden kontrolliert miteinander verbunden. Genau so sehen viele produktive Agentensysteme in der Praxis aus. Du bekommst damit weniger Magie, aber deutlich mehr Kontrolle – und das ist in echten Projekten meistens die bessere Nachricht. Wenn Du selbst mit agentic AI experimentierst, lohnt sich ein Blick auf solche Prototypen als Blaupause für saubere Übergaben, Prüfungen und Freigaben. #

Du willst keine News verpassen? Newsletter abonnieren