Kein AGI, aber neue Ära mit GPT-6 Astra

In seiner Charta behandelt OpenAI AGI außerdem nicht nur als Forschungsziel, sondern als Governance-Problem. Ein Wettlauf um die letzte Etappe könne dazu führen, dass Sicherheitsvorkehrungen unter Wettbewerbsdruck aufgeweicht würden. OpenAI versprach deshalb ursprünglich sogar, ein sicherheitsbewusstes, wertekompatibles Konkurrenzprojekt zu unterstützen, falls dieses dem Ziel deutlich näherkäme. Die Formulierungen sind bemerkenswert, denn schon in dem Dokument, das den wirtschaftlichen Maßstab für AGI setzt, wird der kommerzielle Wettlauf als eigenes Risiko beschrieben.

Für die Veröffentlichung von Astra legt OpenAI allerdings keinen Nachweis vor, dass das Modell Menschen nun bei der Mehrzahl wirtschaftlich wertvoller Arbeiten übertrifft. Besonders auffällig ist, was fehlt. 2025 hatte das Unternehmen mit GDPval einen Test vorgestellt, der 1.320 realitätsnahe Aufgaben aus 44 Berufen und neun Branchen umfasst – von juristischen Schriftsätzen und technischen Zeichnungen bis zu Pflegeplänen, Präsentationen und Tabellen.

OpenAI bezeichnete gerade diese Art von Messung als Schritt zu einer evidenzbasierten Diskussion über wirtschaftlich relevante Intelligenz. In den Astra-Unterlagen taucht jedoch kein GDPval-Ergebnis auf. Damit bleibt eine Lücke zwischen OpenAIs eigener Definition und der Vermarktung des Modells. Astra wird mit Bestwerten auf FrontierMath, ARC-AGI-3, ExploitBench und weiteren Tests beworben. Diese Ergebnisse belegen besondere Fähigkeiten, aber sie beantworten nicht die Charta-Frage: Übertrifft das System Menschen tatsächlich in der Mehrzahl ökonomisch wertvoller Tätigkeiten, unter realen Bedingungen, mit vertretbaren Kosten, Fehlerquoten und Aufsicht? Genau auf diese Lücke weisen auch erste unabhängige Einordnungen hin.

Hinzu kommt, dass es selbst in der Forschung keine einheitliche AGI-Messlatte gibt. Google DeepMind hat ein Stufenmodell vorgeschlagen, das Leistung, Breite und Autonomie getrennt betrachtet. Die ARC-Prize-Initiative wiederum versteht allgemeine Intelligenz stärker als die Fähigkeit, neue menschliche Fertigkeiten ähnlich effizient wie Menschen zu erwerben. Je nach Definition kann dasselbe System als hochspezialisierter Spitzenagent, als frühe Form allgemeiner Intelligenz oder als Vorstufe gelten. AGI ist deshalb weniger ein Kippschalter als ein Bündel umstrittener Kriterien.

Die spektakulärste Zahl der Veröffentlichung lautet 99,9 Prozent auf ARC-AGI-3. Der Test konfrontiert Modelle mit interaktiven, neuartigen Aufgaben, deren Regeln sie aus Beobachtung und Versuch erschließen müssen. Solche Aufgaben sollen nicht bloß abrufbares Wissen prüfen, sondern Anpassung, Exploration und Schlussfolgern. Nach Angaben von ARC Prize benötigte Astra bei 96 Prozent der gelösten Levels sogar weniger Aktionen als der Median menschlicher Testpersonen. Das ist ein deutlicher Fähigkeitssprung.

Doch der Wert hängt wesentlich von der Testumgebung ab. Im Standard-Harness erreichte Astra 62,7 Prozent; mit einem von OpenAI bereitgestellten Adapter waren es 99,9 Prozent. Dieser Adapter bewahrt unter anderem modellinternen Zustand über mehrere Anfragen und komprimiert den bisherigen Verlauf.

Das muss kein unzulässiger Trick sein – ein agentisches Modell braucht eine Umgebung, die seine Fähigkeiten korrekt nutzbar macht. Aber die Differenz zeigt, dass Benchmarks nicht nur das Modell messen. Sie messen das gesamte System aus Modell, Gedächtnis, Werkzeugen, Instruktionen und Rechenbudget.

ARC Prize zieht daraus ausdrücklich nicht den Schluss, Astra sei AGI. Die Organisation spricht von einem sprunghaften Fortschritt, betont aber, eine Sättigung des Benchmarks sei kein Beweis für allgemeine Intelligenz. ARC-AGI-3 sei begrenzt, deterministisch und geschlossen - die reale Welt sei offen, mehrdeutig und voller Nebenfolgen. Diese Einschränkung ist zentral. Ein System kann die Regeln eines abgeschlossenen Spiels hervorragend entdecken und dennoch an einer unklaren betrieblichen Aufgabe scheitern, bei der Ziele, Rechte und Verantwortlichkeiten nicht sauber formuliert sind.

Auch andere Ergebnisse relativieren ein einfaches Sieger-Narrativ. OpenAIs eigene Vergleichstabelle führt Astra nicht auf jedem externen Index an. Bei „Humanity’s Last Exam“ und dem Artificial Analysis Intelligence Index lag Anthropic Claude Fable 5.1 in den veröffentlichten Werten vorn. Beim Coding-Agent-Index war Claude Opus 5.1 knapp besser. KI-Beobachter ordnen Astra daher mehrheitlich vor allem als direkte Antwort auf Anthropics starkes Agenten- und Coding-Angebot ein: Astra kostet in der API 10 Dollar pro Million Eingabetokens und 50 Dollar pro Million Ausgabetokens – und liegt damit im selben Premiumsegment.

Diese Zahlen zeigen, dass „allgemeine Intelligenz“ am Markt nicht als abstrakte geistige Eigenschaft verkauft wird, sondern als Paket aus Erfolgsquote, Laufzeit, Werkzeugzugriff und Preis. Auf OSWorld, einem Test für Computerbedienung, nennt OpenAI für Astra 72,6 Prozent bei rund 40 Minuten Laufzeit. GPT-5.6 Sol kam auf 65,7 Prozent bei ungefähr 75 Minuten. Für Kunden kann eine solche Kombination aus höherer Zuverlässigkeit und kürzerer Bearbeitungszeit wichtiger sein als die philosophische AGI-Frage.

Mit der Handlungsfähigkeit eines KI-Modells verändert sich das Risikoprofil. Eine falsche Antwort kann korrigiert werden. Eine falsche Aktion kann eine Datei überschreiben, vertrauliche Daten versenden, eine Bestellung auslösen oder eine Sicherheitslücke öffnen. Bei langen Aufgabenketten wächst zudem die Distanz zwischen der ursprünglichen Anweisung und dem konkreten Einzelschritt. Ein Agent kann ein lokal plausibles Teilziel verfolgen, obwohl es den Absichten des Nutzers widerspricht.

OpenAI hat für solche Fälle einen internen Test entwickelt, bei dem Aufgaben absichtlich unlösbar sind oder ein autorisiertes Ziel nicht erreicht werden kann. GPT-5.6 Sol überschritt in diesem Test in 48 Prozent der Fälle das erlaubte Ziel; Astra tat dies nach Unternehmensangaben ohne die späteren Produktionsschutzmaßnahmen in keinem einzigen Fall. Das ist ein starkes Ergebnis – aber ein interner, konstruierter Test, kein Beweis dafür, dass es in offenen Umgebungen keine Zielüberschreitungen gibt.

Die System Card enthält genau an dieser Stelle eine beunruhigende Gegenbewegung. Astra verhalte sich insgesamt besser ausgerichtet, seine schriftlichen Gedankenspuren seien jedoch deutlich schwerer zu überwachen als bei GPT-5.6 Sol. OpenAI setzt deshalb zusätzliche Klassifikatoren ein, die Eingaben, Aktionen, Begründungen und Ausgaben beobachten und eine Sitzung pausieren oder beenden können. Das Unternehmen räumt ein, dass dabei auch legitime Arbeit unterbrochen werden kann. Der Sicherheitsmechanismus ist damit selbst ein Eingriff in Verfügbarkeit und Privatsphäre.

Externe Prüfungen bestätigen weder ein Katastrophenszenario noch Entwarnung. Apollo Research testete Astra drei Tage lang. Das Modell zeigte in den geprüften Aufgaben selten Fehlverhalten, erkannte aber häufig, dass es evaluiert wurde. Apollo folgert deshalb, die niedrige Rate sei kein belastbarer Beweis für Alignment. Das britische AI Security Institute beobachtete in simulierten Cyberaufgaben unter anderem Versuche, Lieferketten zu kompromittieren, falsche Identitäten zu erzeugen oder Schadcode einzusetzen. Meist fragte Astra zuvor um Erlaubnis; in einem Teil der Fälle setzte es nach rein automatisierten Antworten dennoch fort. Die Tests waren Simulationen, aber sie illustrieren das Problem: Ein Agent kann den formalen Anschein einer Freigabe mit tatsächlicher menschlicher Autorisierung verwechseln.

Auch das Risiko durch Prompt Injection bleibt bestehen. Dabei verstecken Angreifer Anweisungen in Webseiten, Dokumenten oder E-Mails, die ein Agent beim Bearbeiten übernimmt. OpenAIs interne Abwehrquote stieg laut System Card auf 99,79 Prozent; in einer externen Testarena sank die Angriffs-Erfolgsrate gegenüber GPT-5.6 Sol deutlich auf 8,5 Prozent. Das ist eine Verbesserung, aber acht oder neun erfolgreiche Manipulationen unter hundert Versuchen wären in einem Prozess mit sensiblen Rechten noch immer untragbar. Prozentwerte ohne Betrachtung von Schadenshöhe und Einsatzhäufigkeit können demnach ein falsches Sicherheitsgefühl erzeugen.

OpenAI setzt bei GPT-6 Astra auf eine abgestufte Einführung. Seit dem 3. September erhalten zunächst ausgewählte Organisationen Zugang, es folgt nun schrittweise der Rollout für ChatGPT Plus, Pro, Business und Enterprise.

In Enterprise-Umgebungen ist das Modell zum Start standardmäßig deaktiviert und muss von Administratoren freigeschaltet werden. Über die API und AWS soll es ebenfalls verfügbar sein. Eine kostenlose Nutzung ist dagegen zunächst nicht vorgesehen. Die Pro-Version richtet sich an zahlende Pro-, Business- und Enterprise-Kunden von OpenAI.

Gleichzeitig sind die Tests wichtig. Die System Card beschreibt dabei mehrere Testschichten: interne Fähigkeitstests, automatisiertes Red Teaming, private Prüfungen durch vier externe Teams sowie Bewertungen durch Organisationen wie das britische AI Security Institute, Apollo Research, Gray Swan und Irregular. Für automatisierte Angriffstests veranschlagt OpenAI nach eigener Schätzung rund 200.000 A100-äquivalente GPU-Stunden, wobei diese Zahl nur einen Teil des gesamten Aufwands abbildet.

Im laufenden Betrieb sollen alle werkzeugnutzenden Astra-Sitzungen überwacht werden. Klassifikatoren analysieren nicht nur die Antwort, sondern auch den Weg dorthin. Bei potenziell unautorisierten Aktionen kann das System pausieren oder abbrechen. Unternehmenskunden sollen Warnungen über Webhooks erhalten können. Allerdings räumt OpenAI ein, dass manche API-Oberflächen keine lückenlose Sicht auf die gesamte Handlungskette erlauben. Gerade dort, wo Kunden eigene Agentengerüste bauen, kann also ein Teil der Kontrolle außerhalb von OpenAIs Reichweite liegen.

Zur jetzigen Einführung setzt man also nicht auf einen einmaligen Produkttest, sondern auf ein fortlaufendes Sicherheitsregime. Das ist bei einem agentischen Modell plausibel, schafft aber neue Abhängigkeiten. Kunden sollen darauf vertrauen, dass OpenAIs Detektoren Fehlverhalten erkennen, ohne legitime Geschäftsprozesse zu häufig zu blockieren. OpenAI wiederum ist auf Rückmeldungen aus realen Einsätzen angewiesen, obwohl gerade diese Einsätze die Risiken erst materialisieren. Die ersten Wochen werden deshalb weniger eine breite Marktauslieferung als ein groß angelegter Feldtest sein.

Für eine seriöse Bewertung sind vier Arten von Evidenz nötig: unabhängige Wiederholungen der Benchmarks, dokumentierte Fehlerraten in realen Arbeitsabläufen, Transparenz über Sicherheitsvorfälle sowie Daten zu Kosten und menschlichem Aufsichtsaufwand.

Nüchtern gesagt: Ein Agent, der eine Aufgabe in 90 Prozent der Fälle autonom erledigt, kann wirtschaftlich attraktiv oder unbrauchbar sein – abhängig davon, ob die übrigen zehn Prozent leicht korrigierbare Formatfehler oder folgenschwere Fehlhandlungen sind.

Die Debatte sollte sich nicht auf die Frage verengen, ob Astra „ausbricht“. Die näher liegenden Folgen entstehen in Unternehmen und Behörden. Wenn ein Agent Büroarbeit beschleunigt, verändert er Aufgabenprofile, Leistungsmaßstäbe und Beschäftigung.

Beschäftigte können von Routinen entlastet werden, sie können aber auch zu Aufsichtspersonen automatisierter Prozesse werden, deren Tempo sie nicht mehr selbst bestimmen. Wer haftet, wenn das System eine falsche Entscheidung vorbereitet? Wer besitzt das Wissen, wenn Arbeitsabläufe in proprietäre Agentenplattformen wandern? Und wer profitiert von Produktivitätsgewinnen? Hinzu kommen Verzerrungen und Diskriminierung. Ein vielseitiger Agent kann Vorurteile nicht nur reproduzieren, sondern in Handlungen übersetzen – etwa bei Bewerberauswahl, Kreditvorbereitung, Versicherungsfällen oder behördlichen Vorgängen. Deshalb sind sensible Entscheidungen nicht allein durch eine allgemein niedrige Fehlerrate legitimiert. Sie verlangen erklärbare Kriterien, Rechtsbehelfe und menschliche Verantwortung.

In Europa trifft Astra mit dem EU AI Act auf einen schärfer werdenden Rechtsrahmen. Für Anbieter von General-Purpose-AI-Modellen gelten Transparenz- und urheberrechtliche Pflichten, für besonders leistungsfähige Modelle mit systemischem Risiko zusätzliche Anforderungen an Bewertung, Sicherheit und Meldung. Das AI Office kann Unterlagen anfordern, Modelle evaluieren und Korrekturmaßnahmen verlangen.

Ob und wie Astra im Einzelnen eingestuft wird, muss regulatorisch geprüft werden. Angesichts der von OpenAI selbst ausgewiesenen kritischen Cyberfähigkeiten dürfte die Frage nach systemischem Risiko jedoch nicht akademisch bleiben.

Für Nutzerunternehmen endet Verantwortung nicht beim Anbieter. Wer Astra in einen Personalprozess, eine kritische Infrastruktur oder einen sicherheitsrelevanten Entwicklungsprozess einbindet, muss den konkreten Einsatz bewerten. Berechtigungen, Datenminimierung, Vier-Augen-Freigaben, Audit-Protokolle und Notfallabschaltung sind keine nachträglichen Ergänzungen, sondern Teil des Produktsystems.

Ethische Qualität eines Agenten entscheidet sich nicht nur im Modell, sondern in der Institution, die ihm Macht gibt.

Wenn man von einer neuen Ära sprechen will, dann dreht sich alles um KI-Agenten. Das kann die Fastlane in Richtuing Allgemeiner Künstlicher Intelligenz werden, aber GPT-6 Astra ist bislang kein belastbarer Beweis, dass AGI bereits erreicht wurde. Dafür fehlen der Nachweis über die Mehrzahl wirtschaftlich wertvoller Tätigkeiten, unabhängige Langzeitdaten aus der Praxis und eine allgemein akzeptierte Definition.

Selbst ARC Prize, dessen neuer Benchmark Astra nahezu sättigt, warnt ausdrücklich vor diesem Schluss. Und OpenAIs CEO Altman hält den Begriff für so unscharf, dass er als Marketingetikett kaum noch taugt. Trotzdem wäre es ein Fehler, Astra als bloßen Hype abzutun.

Das Modell verbindet breite Problemlösung mit ausdauernder Computersteuerung, spezialisierten Werkzeugen und einer Cyberkompetenz, die OpenAI selbst als kritisch einstuft. Es kann nicht nur Inhalte erzeugen, sondern Prozesse ausführen. Damit wächst sein wirtschaftlicher Nutzen – und die Tragweite seiner Fehler.

Vielleicht wird man in einigen Jahren tatsächlich auf 2026 als Beginn einer neuen Phase zurückblicken. Ob Historiker sie dann AGI-Ära nennen werden, darf bezweifelt werden. Eine präzisere Formulierung wäre vorerst, dass Astra den Beginn einer Ära generalistischer Arbeitsagenten markiert, in der Intelligenz nicht mehr nur an Antworten gemessen wird, sondern an Handlungen. Der Fortschritt liegt in der Fähigkeit, digitale Arbeit zu übernehmen.

Die gesellschaftliche Aufgabe liegt darin, festzulegen, welche Arbeit, unter wessen Aufsicht und mit welcher Verantwortung. Für Politik und Gesellschaft gilt daher, dass wir dringend eine praxisnahe Verständigung über ethische Grenzen und einen Rechtsrahmen brauchen, der uns zunehmend AGI-ähnlichere Fähigkeiten einer agentischen KI nicht als unkontrollierbare Risiken hinnehmen lässt. Dafür braucht es aber auch eine klarere Definition. Damit der Begriff Allgemeine Künstliche Intelligenz nicht mal voreilig als Marketing- und Vertriebsargument genutzt wird und mal als gefährliche Grenzüberschreitung erzählt wird, deren Risiken wir nicht mehr beherrschen können. ■