Persistente KI-Kollegen markieren OpenAIs vorgeschlagene dritte Ära

OpenAI hat eine dritte Ära für seine Produkte skizziert, obwohl persistente KI-Kollegen bislang eher Vision als fertiges Produkt sind. Viele Leser erreichte diese Behauptung über eine google news-Schlagzeile, doch ihre Bedeutung geht über eine weitere Arbeitsplatzfunktion hinaus.

Tara Seshan, OpenAIs Produktleiterin für Codex und ChatGPT Work, beschrieb während eines Auftritts am 30. August bei Lenny’s Podcast drei Phasen. Zuerst kam Chat. Danach folgten Agenten, die Aufgaben erledigen. Persistente Kollegen stellen die vorgeschlagene nächste Phase dar.

Dieser Verlauf erzeugt die zentrale Spannung. OpenAI möchte, dass KI zu einem dauerhaften Teilnehmer an der Arbeit wird, doch Zuverlässigkeit, Autorisierung, Gedächtnis und Teamkoordination bleiben ungeklärt. Anthropic, Microsoft und andere Enterprise-Anbieter verfolgen verwandte Ideen, wodurch ein Wettbewerb um die Arbeitsplatzschnittstelle der Zukunft entsteht.

Was OpenAI tatsächlich über seine dritte Ära gesagt hat

OpenAIs Einordnung der dritten Ära beschreibt eine fortlaufende Arbeitsbeziehung, keinen neu veröffentlichten autonomen Mitarbeiter.

Seshans Aussagen stammen aus einem Interview über Produktentwicklung, Codex, ChatGPT Work und die sich wandelnde Rolle von Wissensarbeitern. Die Podcast-Episode dauerte etwa 82 Minuten und erschien am 30. August 2026.

Sie unterteilte die Entwicklung von KI-Produkten in drei Phasen. Die erste konzentrierte sich auf Chat: Ein Nutzer stellt eine Frage und erhält eine Antwort. Die zweite führte Agenten ein, die Ziele verfolgen und mehrstufige Aufgaben abschließen.

Die vorgeschlagene dritte Phase umfasst persistente KI-Kollegen. Diese Systeme würden mit Projekten verbunden bleiben, relevanten Arbeitskontext behalten und über längere Zeiträume zusammenarbeiten. Sie würden nicht jedes Mal mit einem leeren Prompt beginnen, wenn ein Nutzer zurückkehrt.

Seshan stellte diese Phase als etwas dar, das „bald kommen könnte“, nicht als etablierte Produktkategorie mit festgelegten Spezifikationen. Diese Unterscheidung ist wichtig, weil der ursprüngliche Bericht eine weitreichende Diskussion zu einer definitiven Schlagzeile verdichtet.

Ein google news-Leser könnte diese Schlagzeile nachvollziehbar als formelle OpenAI-Ankündigung verstehen. Die zugrunde liegende Quelle stützt eine vorsichtigere Schlussfolgerung. Eine leitende Produktverantwortliche beschrieb die Richtung, in die sich KI-Schnittstellen ihrer Erwartung nach entwickeln werden.

Das Wort „persistent“ kann mehrere Bedeutungen haben. Es kann sich auf Gedächtnis über Sitzungen hinweg, fortlaufende Ausführung, wiederkehrende geplante Arbeit oder Zugriff auf gemeinsame Projektmaterialien beziehen. Es kann auch einen Agenten beschreiben, der regelmäßig den Fortschritt mit seinen menschlichen Mitwirkenden überprüft.

OpenAI hat keine einheitliche technische Definition veröffentlicht, die jeden Teil dieser Vision abdeckt. Das Interview verbindet stattdessen mehrere bestehende Fähigkeiten mit einer noch unvollendeten Produktrichtung.

ChatGPT Work bearbeitet bereits längere Aufgaben über Dateien und verbundene Anwendungen hinweg. Codex kann technische Arbeit auf parallele Agenten verteilen. Projekte und synchronisierte Unterhaltungen bewahren mehr Kontext über Geräte und Sitzungen hinweg.

Diese Komponenten deuten auf Persistenz hin, schaffen aber noch keinen vollständigen KI-Kollegen. Ein echter Kollege muss sich verändernde Ziele verstehen, organisatorische Grenzen erkennen und erklären können, was er getan hat. Er muss auch wissen, wann er aufhören muss.

Die vorgeschlagene Schnittstelle verändert die Einheit der Interaktion. Chat beginnt mit einer Nachricht. Ein Agent beginnt mit einer delegierten Aufgabe. Ein persistenter Kollege würde mit einer fortlaufenden Verantwortung beginnen und eine Arbeitsbeziehung darum aufrechterhalten.

Nehmen wir eine Produkteinführung. Ein Chat-Assistent könnte Kundeninterviews zusammenfassen. Ein Agent könnte diese Interviews analysieren und einen Bericht entwerfen. Ein persistenter Kollege würde die Einführung verfolgen, die Analyse aktualisieren, Widersprüche markieren und an späteren Planungszyklen teilnehmen.

Diese fortlaufende Rolle macht die Idee folgenreicher als ein weiteres Chatbot-Upgrade. Sie schafft zugleich mehr Möglichkeiten, dass unvollständiger Kontext oder übermäßiger Zugriff Fehler verursachen.

Die Schlagzeile erfasst daher eine reale OpenAI-These, aber keinen abgeschlossenen Übergang. Die dritte Ära ist ein Ziel, auf das OpenAI mit Work, Codex, Apps, Memory und kollaborativen Schnittstellen hinarbeitet.

Warum persistente KI-Kollegen jetzt wichtig sind

Der Wandel ist bedeutsam, weil OpenAI sich vom Beantworten von Fragen für Beschäftigte hin zur Teilnahme an Workflows bewegt, die fertige Geschäftsergebnisse hervorbringen.

OpenAI führte ChatGPT Work am 9. Juli 2026 ein. Das Unternehmen sagt, der Agent könne über Anwendungen und Dateien hinweg arbeiten, stundenlang bei einem Projekt bleiben und fertige Materialien erstellen.

Zu diesen Ergebnissen gehören Dokumente, Tabellenkalkulationen, Präsentationen, Berichte und Websites. Nutzer können den Fortschritt verfolgen, Fragen beantworten, die Arbeit neu ausrichten und wichtige Aktionen genehmigen.

Das unterscheidet sich von der Texterstellung innerhalb einer Unterhaltung. Der Agent muss Informationen sammeln, entscheiden, welche Schritte nötig sind, externe Software nutzen und genug Zustand bewahren, um eine längere Aufgabe abzuschließen.

OpenAIs Work-Ankündigung positioniert das Produkt als Partner für ambitionierte Aufgaben. Diese Sprache ähnelt bereits der These vom persistenten Kollegen, obwohl Work weiterhin auf von Nutzern initiierte Aufträge ausgerichtet ist.

Seshan beschrieb außerdem einen engen Zeithorizont für die Produktentwicklung. Ihr Team versucht, für Modelle zu entwickeln, die in zwei oder drei Monaten erwartet werden. Nur für heutige Fähigkeiten zu gestalten, führt zu einer veralteten Schnittstelle, während Vorhersagen für ein Jahr im Voraus spekulativ werden.

Dieser Ansatz erklärt, warum OpenAI die dritte Ära diskutiert, bevor sich jede unterstützende Fähigkeit ausgereift anfühlt. Produktteams müssen Interaktionsmodelle für Fähigkeiten vorbereiten, die noch entstehen.

Der Zeitpunkt spiegelt auch veränderte Nutzung innerhalb von OpenAI wider. Das Unternehmen sagt, Codex habe sich von einem primär für Engineering genutzten Werkzeug zu einem System entwickelt, das in Rechtsabteilungen, Finanzen, Recruiting und anderen Bereichen eingesetzt wird.

Im Mai 2026 delegierten Berichten zufolge mehr als 70 Prozent der Nutzer Codex-Arbeit, für die eine Person mehr als eine Stunde benötigt hätte. Im Juni erzeugten Nutzer im 99. Perzentil über 60 Stunden täglicher Agentenaktivität über parallele Aufgaben hinweg.

Diese Zahlen stammen aus OpenAIs eigener Analyse und sollten daher nicht als unabhängige Messwerte behandelt werden. Sie zeigen dennoch, welches Verhalten das Unternehmen für strategisch wichtig hält.

Die Codex-Nutzungsstudie besagt, dass die Akzeptanz unter Nicht-Entwicklern nach August 2025 schneller wuchs als unter Entwicklern. Auch die Forschungsnutzung innerhalb von OpenAI stieg im gemessenen Zeitraum deutlich an.

Längere Aufträge schaffen Druck zur Kontinuität. Nutzer können mehrere Agenten nicht effizient beaufsichtigen, wenn jede Sitzung den Wiederaufbau des Projekts, relevanter Entscheidungen und organisatorischer Rahmenbedingungen erfordert.

Persistenz verspricht, diesen Aufwand zu verringern. Ein Agent, der genehmigte Ziele, jüngste Arbeit und offene Fragen erinnert, kann mit weniger Erklärungen weitermachen. Gemeinsamer Kontext erleichtert zudem die Delegation innerhalb eines Teams.

Dies ähnelt dem Zweck einer persönlichen Wissensdatenbank. Gespeicherte Informationen werden nützlich, wenn ein System während aktiver Arbeit den richtigen Kontext abrufen kann.

Organisatorisches Gedächtnis ist jedoch schwieriger als persönlicher Abruf. Unternehmen enthalten widersprüchliche Dokumente, sich ändernde Richtlinien, Zugriffsbeschränkungen und informelle Entscheidungen. Ein Kollege muss aktuelle Leitlinien von veraltetem Material unterscheiden.

Teams müssen außerdem verstehen, woher der Agent seinen Kontext bezogen hat. Ein überzeugendes Ergebnis ist weniger wertvoll, wenn Prüfer seine Annahmen nicht nachvollziehen oder nicht bestimmen können, welche Quelle eine Entscheidung beeinflusst hat.

Persistente Agenten setzen daher mehrere bestehende Softwarekategorien unter Druck. Projektmanagementsysteme müssen maschinelle Teilnehmer aufnehmen. Wissensplattformen müssen lebendigen Kontext bereitstellen. Identitätssysteme müssen delegierte Berechtigungen abbilden.

Geschäftsanwendungen stehen ebenfalls vor einer neuen Schnittstellenfrage. Sie können Ziele bleiben, an denen Menschen Arbeit erledigen, oder zu Diensten werden, die Agenten unter Aufsicht bedienen.

Deshalb verdient die Einordnung der dritten Ära Aufmerksamkeit. OpenAI sagt nicht lediglich bessere Antworten voraus. Das Unternehmen schlägt vor, dass die Arbeitsplatzschnittstelle Menschen, Modelle, Daten und Werkzeuge um fortlaufende Ziele organisieren wird.

Google News erfasste die Behauptung, aber nicht die Produktlücke

Die google news-Einordnung lässt den Übergang abgeschlossen erscheinen, während OpenAIs eigene Sprache eine Richtung mit großen fehlenden Bausteinen beschreibt.

Nachrichtenaggregation belohnt prägnante Aussagen. „Persistente KI-Kollegen sind OpenAIs dritte Ära“ verbreitet sich leichter als eine differenzierte Diskussion über künftige Schnittstellen, Produktexperimente und Zeithorizonte für die Modellplanung.

Diese Verdichtung ist nützlich für die Entdeckung. Weniger nützlich ist sie für das Verständnis dessen, was Käufer heute einsetzen können.

ChatGPT Work kann umfangreiche Aufträge erledigen, aber ein Auftrag ist nicht dasselbe wie eine dauerhafte Rolle. Codex kann parallele Agenten ausführen, aber koordinierte Ausführung schafft nicht automatisch ein gemeinsames organisatorisches Verständnis.

Auch das Gedächtnis bleibt enger als menschliche Kontinuität. Ein System kann Gesprächsverläufe oder Projektdateien speichern, ohne zu verstehen, welche früheren Entscheidungen weiterhin verbindlich sind. Abruf und Urteilsvermögen sind unterschiedliche Probleme.

Der Unterschied wird bei wiederkehrender Arbeit deutlich. Stellen Sie sich einen Agenten vor, der aus Interviews, Support-Nachrichten, Analysen und Engineering-Notizen ein wöchentliches Produktupdate erstellt.

Beim ersten Durchlauf benötigt er Zugriff, Anweisungen, Ausgabestandards und Definitionen wichtiger Kennzahlen. Ein persistenter Kollege sollte diese Einrichtung bei späteren Durchläufen wiederverwenden, ohne veraltete Annahmen festzuschreiben.

Er sollte erkennen, wenn sich der Einführungsplan ändert. Er sollte nachfragen, ob eine neue Kennzahl die bisherige ersetzt. Er sollte frühere Belege bewahren und zugleich Schlussfolgerungen vermeiden, die nicht mehr gelten.

Er muss auch mit mehreren Menschen koordinieren. Ein Produktmanager, Designer und Ingenieur können bei Prioritäten unterschiedlicher Meinung sein. Gemeinsamer Zugriff sagt einem Agenten nicht, wessen Anweisung das endgültige Ergebnis bestimmt.

Seshan beschrieb die künftige Schnittstelle als Mehrspieler-Modell. Gruppen von Menschen würden Gruppen von Agenten anhand gemeinsamer Informationen und Arbeitsergebnisse steuern. Dieses Modell geht über das vertraute Muster hinaus, bei dem ein Nutzer einen Assistenten anweist.

Mehrspieler-Arbeit wirft Fragen der Verantwortung auf. Jemand muss wissen, welcher Agent ein Ergebnis erstellt hat, welcher Mensch es genehmigt hat und welches System die zugrunde liegenden Daten geliefert hat.

Konflikte werden unvermeidlich, wenn Agenten überlappende Verantwortlichkeiten erhalten. Zwei Agenten könnten dieselbe Präsentation bearbeiten, denselben Kunden kontaktieren oder eine Richtlinie unterschiedlich auslegen.

Softwareteams bewältigen ähnliche Koordination bereits durch Versionskontrolle, Zugriffsregeln, Reviews und Audit-Logs. Persistente Kollegen benötigen gleichwertige Kontrollen in weniger strukturierter Wissensarbeit.

Dies hilft, Seshans Unterscheidung zwischen „Steuern“ und „Rudern“ zu erklären. Agenten übernehmen zunehmend die Ausführung, während Menschen die Richtung wählen, Abwägungen bewerten und fundierte Entscheidungen treffen.

Die Metapher ist überzeugend, doch Steuern kann mehr Aufmerksamkeit erfordern, wenn die Ausführung schwer zu prüfen ist. Ein Manager, der mehrere intransparente Agenten beaufsichtigt, könnte weniger Zeit mit der eigentlichen Arbeit und mehr Zeit mit deren Überprüfung verbringen.

Dieses Risiko ist besonders relevant, wenn KI fertige Materialien erstellt. Fehler können von einer Antwort in eine Tabellenkalkulation, Präsentation, Kundennachricht oder ein operatives System gelangen, bevor sie jemand bemerkt.

Ein nützlicher, dauerhaft verfügbarer digitaler Kollege braucht daher mehr als nur eine längere Laufzeit. Er benötigt beständigen Kontext, klar definierte Befugnisse, nachvollziehbare Herkunft, steuerbare Aktionen und verlässliche Eskalationswege.

OpenAI verfügt über Teile dieses Stacks. ChatGPT apps verbinden externe Quellen. Work unterstützt Genehmigungen. Codex ermöglicht strukturierte Aufgabenausführung. Enterprise-Kontrollen beschränken, auf welche Ressourcen Nutzer zugreifen können.

Die Produktlücke besteht darin, diese Elemente zu einer verlässlichen Beziehung zusammenzuführen, die projekt-, personen- und situationsübergreifend Bestand hat.

Leser, die über Google News kommen, sollten die Bezeichnung der dritten Ära als strategische Landkarte verstehen. Sie ist kein Beleg dafür, dass ein universell einsetzbarer digitaler Kollege bereits angekommen ist.

OpenAI konkurriert darum, die Schnittstelle zum digitalen Kollegen zu besitzen

Der zentrale Wettbewerb findet zwischen dauerhafter KI-Zusammenarbeit und dem heutigen Modell isolierter, auf einzelne Aufgaben ausgerichteter Agenten statt.

OpenAIs nächster Gegner ist nicht ein einzelnes Unternehmen. Es ist das vorherrschende Interaktionsmuster, bei dem Nutzer ein Tool öffnen, eine Aufgabe vergeben, das Ergebnis prüfen und wieder von vorn beginnen.

Dieses Muster begrenzt Autonomie, hält aber auch Fehler ein. Der Agent erhält temporären Kontext, arbeitet innerhalb einer abgegrenzten Sitzung und stoppt meist, nachdem er eine Antwort oder ein Artefakt geliefert hat.

Persistenz beseitigt einige dieser Grenzen. Der Agent erhält mehr Zeit, mehr Kontext und potenziell mehr Zugriff. Diese Erweiterungen können den Nutzen steigern, erhöhen aber zugleich die Kosten von Fehlern.

OpenAI möchte Persistenz durch Produkte handhabbar machen, die Chat, Wissensarbeit und Programmierung verbinden. Seshan beschrieb Chat, Work und Codex als unterschiedliche Modi für verschiedene Arten von Aktivitäten.

Chat bleibt für Suche, Analyse und Gespräche nützlich. Work übernimmt umfassendere Wissensaufgaben. Codex konzentriert sich auf Softwareentwicklung und technische Ausführung.

Ein persistenter digitaler Kollege könnte sich künftig zwischen diesen Modi bewegen. Er könnte ein Ziel in Chat besprechen, über Work eine Analyse erstellen und Codex bitten, unterstützende Automatisierung zu entwickeln.

Dieser integrierte Pfad verschafft OpenAI einen wichtigen Vorteil. Das Unternehmen kann eine weit verbreitete Konversationsschnittstelle mit Agentenausführung, Entwicklerwerkzeugen und Arbeitsplatzdaten verbinden.

Allerdings verfolgt Anthropic ein ähnliches Verhalten über längere Zeiträume. Seine Claude-Produkte betonen sitzungsübergreifendes Gedächtnis, längere Arbeitsphasen, Coding-Agenten und Enterprise-Workflows.

Anthropic zufolge kann Claude Opus 4.7 Kontext über Sitzungen hinweg mitnehmen und mehrtägige Projekte verwalten. Wie OpenAIs Aussagen stammt auch diese Beschreibung vom Anbieter und muss in konkreten Umgebungen bewertet werden.

Microsoft nähert sich dem Markt ebenfalls über Anwendungen, Enterprise-Identitäten und Copilot-Agenten. Seine Verbreitung in Microsoft 365 verschafft dem Unternehmen unmittelbaren Zugriff auf Dokumente, Meetings, E-Mails und organisatorische Berechtigungen.

Dieser Wettbewerb dreht sich nicht einfach um Modellbewertungen. Das Unternehmen, das zur Koordinierungsschicht am Arbeitsplatz wird, kann vermitteln, wie Agenten Daten sehen, Genehmigungen anfordern und Artefakte erstellen.

Vertrauen könnte wichtiger sein als reine Autonomie. Enterprise-Käufer benötigen Kontrollen, die bestehende Identitäten, Aufbewahrungsrichtlinien, regulatorische Pflichten und die Trennung zwischen Abteilungen widerspiegeln.

Auch die Qualität des Kontexts ist entscheidend. Ein Modell mit umfassendem Zugriff kann dennoch das falsche Dokument auswählen oder eine Entscheidung übersehen, die in einem nicht aufgezeichneten Meeting getroffen wurde.

Dadurch entsteht Raum für Wissenssysteme, die persönliche und teambezogene Informationen organisieren, bevor ein Agent handelt. Ein verlässlicher AI workflow braucht klare Quellen und Prüfpunkte, nicht nur einen längeren Prompt.

OpenAIs Produktstrategie stellt auch traditionelle Preis- und Nutzungsmodelle für Software infrage, selbst ohne konkrete kommerzielle Konditionen zu nennen. Software wurde häufig als Lizenzen für menschliche Nutzer verkauft. Persistente Agenten verbrauchen kontinuierlich Ressourcen und können über mehrere Anwendungen hinweg arbeiten.

Anbieter müssen entscheiden, ob Agenten als Nutzer, Integrationen, Automatisierungen oder als neue Kategorie gelten. Kunden müssen klären, wem ihre Ergebnisse gehören und welche Abteilung für die zugrunde liegende Aktivität bezahlt.

Es gibt zudem einen kulturellen Wettbewerb. Aufgabenbasierte Agenten passen zu etablierten Delegationsgewohnheiten. Persistente digitale Kollegen verlangen von Teams, Software als Beteiligten mit fortlaufenden Verantwortlichkeiten zu behandeln.

Dieser Wandel erfordert neue Managementpraktiken. Teams müssen den Umfang festlegen, Ergebnisse prüfen, Entscheidungen dokumentieren und Zugriffe entfernen, wenn sich Verantwortlichkeiten ändern.

OpenAI kann die Schnittstelle bereitstellen, doch Arbeitgeber müssen das Betriebsmodell darum herum neu gestalten. Die Einführung wird stocken, wenn Organisationen nicht erklären können, wer weiterhin verantwortlich bleibt.

Der erfolgreiche Ansatz wird Persistenz kontrollierbar wirken lassen. Nutzer müssen laufende Arbeit einsehen, Annahmen korrigieren, Befugnisse begrenzen und sich von Fehlern erholen können, ohne ein gesamtes Projekt neu starten zu müssen.

Das ist eine höhere Hürde als eine beeindruckende Demonstration zu liefern. Es erfordert Zuverlässigkeit unter gewöhnlichen, unübersichtlichen und adversarialen Bedingungen am Arbeitsplatz.

Persistenz erweitert sowohl Fähigkeiten als auch Risiken

Jede Funktion, die einen KI-Kollegen nützlicher macht, gibt auch Fehlern und Angriffen mehr Zeit, sich auszubreiten.

Ein Chatfehler betrifft meist eine einzelne Antwort. Ein Fehler eines persistenten Agenten kann spätere Entscheidungen prägen, weil das System auf der fehlerhaften Schlussfolgerung speichern, sie abrufen und weiter aufbauen kann.

Falsche Erinnerungen sind ein Risiko. Ein Agent könnte eine vorläufige Entscheidung als endgültig speichern, veraltete Kundeninformationen behalten oder eine Anweisung dem falschen Projekt zuordnen.

Zugriff schafft ein weiteres Problem. Ein Kollege, der Berichte über E-Mails, Dokumente, Kalender und interne Datenbanken hinweg erstellt, benötigt weitreichende Einsicht. Diese Sichtbarkeit kann sensibles Material offenlegen, wenn Berechtigungen schlecht abgegrenzt sind.

Aktionsrechte erhöhen den Einsatz weiter. Einen Kundendatensatz zu lesen ist etwas anderes als ihn zu bearbeiten. Eine E-Mail zu entwerfen ist etwas anderes als sie zu versenden. Code vorzubereiten ist etwas anderes als ihn bereitzustellen.

Persistente digitale Kollegen verarbeiten zudem nicht vertrauenswürdige Inhalte. E-Mails, Websites, Dokumente und Nachrichten können Text enthalten, der einen Agenten durch indirekte Prompt-Injection manipulieren soll.

NIST beschreibt Agent Hijacking als einen Angriff, bei dem bösartige Anweisungen in Daten erscheinen, die ein Agent verarbeitet. Das System kann daraufhin eine unbeabsichtigte Aktion ausführen, obwohl es glaubt, die Aufgabe des Nutzers zu erledigen.

In einer NIST-Evaluierung erhöhte sich die durchschnittliche Erfolgsquote über ausgewählte Angriffe hinweg durch wiederholte Versuche von 57 Prozent auf 80 Prozent. Diese Ergebnisse stammen aus einem spezifischen experimentellen Aufbau, nicht aus jedem eingesetzten Agenten.

Die Erkenntnis legt dennoch ein Persistenzproblem offen. Ein langfristig laufendes System trifft auf mehr Inhalte und bietet Angreifern mehr Gelegenheiten als ein kurzes, isoliertes Gespräch.

NISTs Arbeit zur Agentensicherheit hebt indirekte Prompt-Injection, Datenvergiftung, Spezifikations-Gaming und schädliche Aktionen ohne adversarialen Input hervor. Die Behörde entwickelt Leitlinien für Einzelagenten- und Multi-Agenten-Systeme.

Identität und Autorisierung werden zu zentralen Schutzmechanismen. Jeder Agent benötigt eine identifizierbare Rolle, begrenzte Berechtigungen und Aufzeichnungen darüber, welche Aktionen er unter wessen Autorität ausgeführt hat.

Ein persistenter digitaler Kollege sollte nicht jede Berechtigung seines Vorgesetzten erben. Er sollte nur den minimalen Zugriff erhalten, der für seine zugewiesene Verantwortung erforderlich ist.

Genehmigungspunkte benötigen ebenfalls Kontext. Ein vages Bestätigungsfenster kann Nutzer nicht schützen, wenn es die vorgeschlagene Aktion, das Ziel, die betroffenen Daten und nachgelagerte Auswirkungen verbirgt.

OpenAI erklärt, dass ChatGPT Work Nutzern erlaubt, wichtige Aktionen zu genehmigen. Das ist eine bedeutende Kontrolle, doch das Unternehmen hat nicht nachgewiesen, dass jede folgenreiche Aktion am Arbeitsplatz korrekt klassifiziert wird.

Auch die menschliche Prüfung hat Grenzen. Häufige, qualitativ schwache Genehmigungsanfragen führen zu Ermüdung. Nutzer könnten Aktionen automatisch genehmigen, insbesondere wenn ein Agent viele frühere Schritte korrekt ausgeführt hat.

Lange Workflows erschweren die Bewertung. Ein finales Dokument kann korrekt aussehen, obwohl es auf einer falschen Annahme beruht, die Stunden zuvor eingeführt wurde. Prüfer benötigen die Herkunft intermediate Entscheidungen, nicht nur ein fertiges Artefakt.

Persistenz wirft außerdem Datenschutzfragen auf. Nützliches Gedächtnis erfordert Speicherung, doch unnötige Speicherung erhöht die Angriffsfläche. Teams benötigen Kontrollen für Löschung, Korrektur, Ablauf und die Trennung zwischen Projekten.

Das Multiplayer-Modell fügt eine weitere Ebene hinzu. Das Ergebnis eines Agenten kann zum Input eines anderen werden und eine Kette erzeugen, in der der ursprüngliche Fehler schwerer zu finden ist.

Organisationen sollten persistente digitale Kollegen daher als Systeme bewerten, nicht als Modelle. Tests müssen Konnektoren, Berechtigungen, Gedächtnis, menschliche Genehmigungen, Auditierbarkeit und Wiederherstellungsverhalten abdecken.

OpenAI hat Sicherheits- und Governance-Kontrollen für Enterprise-Bereitstellungen beschrieben. Die umfassende Vision der dritten Ära wurde jedoch noch nicht unabhängig in typischen Organisationen validiert.

Die vorsichtige Schlussfolgerung lautet nicht, dass persistente Agenten unbrauchbar sind. Sie lautet, dass Persistenz das Risikomodell ebenso verändert wie das Produktivitätsmodell.

Die Google-News-Schlagzeile betont das Ziel. Die Enterprise-Einführung wird davon abhängen, ob es Belege dafür gibt, dass der Weg verlässliche Kontrollen, messbare Fehlerraten und klare Verantwortlichkeit umfasst.

Drei Signale werden zeigen, ob die dritte Ära anbricht

OpenAIs These der dritten Ära wird erst glaubwürdig, wenn Persistenz, Multiplayer-Koordination und kontrollierte Autonomie in realen Bereitstellungen sichtbar werden.

Das erste Signal ist ein Produkt, das den Projektstatus über Tage hinweg aufrechterhält, ohne Nutzer zu zwingen, Kontext erneut aufzubauen. ChatGPT Work führt bereits lange Aufgaben fort, doch dauerhaftes Verhalten eines digitalen Kollegen erfordert mehr.

Achten Sie auf explizite Kontrollen darüber, woran sich das System erinnert, welche Quellen maßgeblich bleiben und wann gespeicherter Kontext abläuft. Korrekturen sollten sich fortpflanzen, ohne den für die Verantwortlichkeit nötigen Verlauf zu löschen.

Wenn OpenAI diese Kontrollen mit sichtbarer Herkunft bereitstellt, gewinnt die Behauptung der dritten Ära an Gewicht. Wenn Persistenz auf Gesprächsverlauf plus breit angelegtem Abruf beschränkt bleibt, bleibt der Unterschied zu aktuellen Assistenten gering.

Das zweite Signal ist eine echte Multiplayer-Schnittstelle. Seshan beschrieb Gruppen von Menschen, die Gruppen von Agenten steuern, doch die meisten kommerziellen Interaktionen drehen sich weiterhin um eine Person und einen aktiven Agenten.

Eine überzeugende Umsetzung würde gemeinsame Verantwortung, rollenbasierte Anweisungen, Konfliktlösung, Agentenidentitäten und Prüfwarteschlangen zeigen. Sie müsste außerdem verhindern, dass zwei Agenten die Arbeit des jeweils anderen stillschweigend überschreiben.

Diese Schnittstelle muss außerhalb kontrollierter Demonstrationen funktionieren. Teams sollten sehen können, welche Person die Richtung geändert hat, welcher Agent gehandelt hat und welches Artefakt das akzeptierte Ergebnis darstellt.

Erfolgreiche Multiplayer-Koordination würde OpenAIs Argument stärken, dass KI zu einem Kollegen wird. Ein Scheitern würde nahelegen, dass Agenten persönliche Tools bleiben, die an einzelne Konten gebunden sind.

Das dritte Signal sind unabhängige Belege für Zuverlässigkeit und Sicherheit. Fallstudien von Anbietern zeigen, was Produkte leisten können, doch Käufer benötigen Fehlerraten unter realistischen Bedingungen.

Achten Sie auf Bewertungen mit Prompt-Injection, veraltetem Gedächtnis, widersprüchlichen Anweisungen, entzogenen Berechtigungen und Wiederherstellung nach unterbrochenen Workflows. Audits sollten folgenreiche Fehler messen, nicht nur die Aufgabenerledigung.

Regulierungs- und Standardisierungsaktivitäten werden die Einführung ebenfalls beeinflussen. NIST untersucht Agentenidentität, Autorisierung, Überwachung und Sicherheitskontrollen. Klare Standards würden Kunden helfen, Systeme anhand gemeinsamer Erwartungen zu vergleichen.

Wettbewerbsreaktionen sind innerhalb aller drei Signale relevant. Anthropic und Microsoft können OpenAIs Position schwächen, indem sie verlässlicheres Gedächtnis, Governance oder Koordination anbieten, bevor OpenAI seine integrierte Vision vollendet.

OpenAIs Vorteil liegt in der Breite seiner Produktoberfläche. Seine Herausforderung besteht darin, Chat, Work, Codex, apps und Enterprise-Kontrollen in eine kohärente Beziehung zu verwandeln.

Für Wissensarbeiter lautet die praktische Frage nicht, ob eine KI die Bezeichnung „Kollege“ verdient. Die bessere Frage ist, welche Aufgaben sie übernehmen kann, ohne dass ihre Beaufsichtigung aufwendiger wird als die Ausführung selbst.

Beginnen Sie mit einem wiederkehrenden, überprüfbaren Workflow. Definieren Sie dessen Quellen, Berechtigungen, Freigabepunkte und Verantwortliche. Messen Sie anschließend über wiederholte Durchläufe hinweg Korrekturzeit, fehlenden Kontext und folgenschwere Fehler.

Dieser Prozess prüft die Substanz hinter der Google-News-Behauptung. Dauerhafte KI-Kollegen werden erst dann eine dritte Ära markieren, wenn sie Kontext bewahren können, ohne Fehler fortzuschreiben.

Sie müssen koordinieren, ohne Verantwortlichkeiten zu verschleiern, und handeln, ohne ihre Befugnisse zu überschreiten. Bis diese Bedingungen nachgewiesen sind, bleibt OpenAIs dritte Ära eine ernstzunehmende Produktthese und kein vollzogener Wandel der Arbeitswelt.