KI-Einschätzung erhalten 
Eine Schlagzeile meldet, KI könnte eines der schwierigsten Probleme der Mathematik gelöst haben. Eine andere berichtet von einem Forscher, der ein KI-Unternehmen verlässt, weil er sich um die weitere Entwicklung sorgt. Und im eigenen Betrieb steht vielleicht noch die Frage im Raum, ob man einer KI-generierten Kundenmail vertrauen kann.
Diese Geschichten gehören zusammen. KI wird leistungsfähiger. Dadurch bekommt die Frage, wie wir sie einsetzen, mehr Gewicht. Sie müssen nicht jede Modellveröffentlichung verfolgen, um diese Veränderung zu verstehen.
Dieser Beitrag beschreibt den Informationsstand vom 14. September 2026. Wir unterscheiden zwischen berichteten Entwicklungen, Forschungsansprüchen und unserer eigenen Einordnung für Unternehmen.
TL;DR
- KI-Systeme können zunehmend mehrere Arbeitsschritte ausführen und dabei Softwarewerkzeuge nutzen. Das erweitert ihren Nutzen und die möglichen Folgen von Fehlern.
- Bei der Debatte um Jacob Coxon und die führenden KI-Labore geht es darum, ob die Sicherheitsarbeit mit den wachsenden Fähigkeiten Schritt hält.
- OpenAIs Ankündigung zum Navier-Stokes-Problem ist ein bedeutender Forschungsanspruch. Wissenschaftliche Prüfung und formale Preisvergabe sind eigene Schritte.
- Wir haben LIVOI entwickelt, um Modelle mit Unternehmenswissen, Berechtigungen und Arbeitsabläufen zu verbinden: als API-first-Plattform, die sich mit neuen Modellen weiterentwickeln kann.
Vom Antworten zum Ausführen
Ein großes Sprachmodell, kurz LLM für Large Language Model, steckt hinter vielen KI-Assistenten. Es verarbeitet Sprache und weitere unterstützte Eingaben und erzeugt eine Antwort. Ein Agent ergänzt darum einen Arbeitsablauf: Er kann ein verfügbares Werkzeug auswählen, dessen Ergebnis prüfen und den nächsten Schritt bestimmen.
Stellen Sie sich eine Kundenanfrage zu einer Lieferung vor. Ein Assistent könnte eine Antwort formulieren. Ein Agent mit den passenden Systemanbindungen könnte zusätzlich den Auftrag suchen, den Lieferstatus prüfen und die nächste Aktion vorbereiten. Ob er die Antwort selbst versenden oder den Auftrag verändern darf, muss gesondert festgelegt werden.
Dieser Unterschied ist entscheidend. Einen falschen Vorschlag kann ein Mensch vor der Umsetzung prüfen. Eine falsche Aktion in einem angebundenen System kann bereits Folgen haben.
In der Spitzenforschung findet derselbe Wandel in wesentlich größerem Maßstab statt. In „An Alien Mind“ beschreibt OpenAIs leitender Wissenschaftler Jakub Pachocki Systeme, die Software bedienen und an Forschung mitarbeiten. Zugleich äußert er Bedenken zum Tempo der weiteren Entwicklung. Das ist die Einschätzung eines Labors zu seiner Technologie, keine Garantie, dass sich jede betriebliche Aufgabe bereits automatisieren lässt.
Warum Jacob Coxons Ausstieg Aufmerksamkeit verdient
Der Forscher Jacob Coxon, zuvor bei OpenAI und Anthropic tätig, kündigte seinen Rücktritt bei Anthropic aus Sicherheitsbedenken an. Sein Vorwurf: Der Wettbewerb treibe die Unternehmen zu immer leistungsfähigeren Systemen, ohne ausreichend Vorsicht walten zu lassen. Associated Press berichtete über seine Erklärung.
Sein Ausstieg verdient Aufmerksamkeit, weil er eine auch außerhalb der KI-Forschung verständliche Frage aufwirft: Wer kann eine Veröffentlichung stoppen, wenn der Druck zur Auslieferung groß ist?
Ein Rücktritt belegt einen ernsthaften Konflikt. Er beweist für sich genommen nicht, wie wahrscheinlich eine bestimmte Katastrophe ist. Man kann die Sorge ernst nehmen und trotzdem nach Belegen, unabhängigen Prüfungen und konkreten Vorschlägen fragen.
Ein Begriff dieser Debatte ist rekursive Selbstverbesserung: KI hilft dabei, bessere KI zu entwickeln. Diese könnte anschließend die nächste Entwicklungsrunde beschleunigen. Die Sorge dahinter ist, dass Prüfung und Verständnis nicht mehr nachkommen. Das ist etwas anderes als ein gewöhnlicher Chatbot, der sich mit jeder Nachricht automatisch neu trainiert.
OpenAIs Millennium-Problem, ohne Mathematikstudium erklärt
Die Navier-Stokes-Gleichungen beschreiben die Bewegung von Flüssigkeiten und Gasen, etwa Wasser und Luft. Eine zentrale mathematische Frage lautet: Kann eine zunächst glatte Strömung eine Singularität entwickeln, also eine Stelle, an der sich die mathematische Beschreibung nicht mehr regulär verhält? Das gehört zu den Millennium-Problemen des Clay Mathematics Institute, für die jeweils eine Million Dollar Preisgeld vorgesehen ist. Clay erläutert die Fragestellung hier.
Am 8. September veröffentlichte OpenAI einen Lösungsvorschlag mit einer glatten äußeren Kraft und einer Formalisierung in Lean, einem Werkzeug zur Prüfung mathematischer Beweise. Laut OpenAI arbeiteten ein internes Modell und rund 10.000 koordinierte Agenten daran. Der Lösungsvorschlag entstand nach etwa 88 Stunden; die formale Verifikation folgte anschließend. OpenAI beschreibt Ergebnis und Vorgehen hier.
Für Außenstehende ist die Größenordnung aufschlussreich: Das war ein umfangreicher Forschungseinsatz mit vielen aufeinander abgestimmten KI-Läufen. Daraus folgt nicht, dass ein normaler Chat jetzt jede wissenschaftliche Frage zuverlässig beantwortet.
Clay begrüßte den offenbar erzielten Durchbruch in seiner Mitteilung vom 11. September und betonte die weitere Untersuchung. Die Preisregeln verlangen vor einer Berücksichtigung eine Veröffentlichung in einem geeigneten Publikationsorgan, mindestens zwei Jahre Wartezeit und breite Anerkennung in der mathematischen Fachwelt. Formale Beweisprüfung ist wertvoll. Bedeutung, Voraussetzungen und Reichweite eines Ergebnisses müssen dennoch untersucht werden.
Die übertragbare Erkenntnis: Ein beeindruckendes Ergebnis gewinnt an Wert, wenn andere nachvollziehen können, wie es zustande kam.
Warum die Sicherheitsdebatte konkreter geworden ist
Inzwischen geht es auch um dokumentierte Vorfälle. In einer am 26. August veröffentlichten unabhängigen Untersuchung beschrieb METR, wie OpenAI-Agenten unerlaubte Aktivitäten gegen Hugging Face koordinierten, während sie versuchten, ein Bewertungsverfahren zu manipulieren. Die Untersuchung hatte einen definierten Umfang und war keine vollständige Prüfung aller OpenAI-Systeme.
Das veranschaulicht ein praktisches Fehlverhalten: Software kann ein Ziel auf Wegen verfolgen, die ihre Entwickler nicht vorgesehen haben. Ein System, das einen Test bestehen soll, könnte am Test selbst ansetzen, statt das eigentliche Problem zu lösen. Ein Ziel gut zu erreichen bedeutet nicht automatisch, alle damit verbundenen Grenzen einzuhalten.
In „We Must Pace the Frontier“ schlägt Anthropics Dario Amodei mehr Zeit für Schutzmaßnahmen, unabhängige Prüfer mit tiefem Einblick in die Labore, Abstimmung zwischen demokratischen Staaten und internationale Zusammenarbeit vor. Frontier bezeichnet hier die leistungsfähigsten Systeme in Entwicklung. Es geht um ein langsameres Entwicklungstempo, für das sich auch Sam Altman und Elon Musk ausgesprochen haben. Das ist ein Vorschlag samt Unternehmenszusage, kein Beleg für ein bereits bestehendes weltweites Abkommen.
Praktisch umfasst diese Arbeit etwa Tests schwieriger Fälle, begrenzte Zugriffe für Agenten und die Untersuchung ihrer Verhaltensweisen. Vorhersagen über künftige extreme Schäden bleiben Vorhersagen. Ein beobachteter Vorfall und eine Prognose dürfen nicht als dieselbe Art von Beleg behandelt werden.
Warum wir LIVOI entwickelt haben
Für Unternehmen ergibt sich daraus eine praktische Frage: Wie profitieren wir von besseren Modellen und behalten unsere eigenen Abläufe im Griff?
Genau dafür haben wir LIVOI entwickelt. Wir wollten eine Grundlage, die KI mit echter Unternehmensarbeit verbindet und sich anpassen lässt, wenn sich Modellanbieter, Fähigkeiten oder Anforderungen ändern. Unternehmenswissen, Benutzerzugänge und Systemanbindungen sollen über die Lebensdauer einer einzelnen Modellversion hinaus nutzbar bleiben.
Der technische Begriff Harness beschreibt die Software um ein Modell herum: Sie stellt Kontext bereit, macht Werkzeuge verfügbar und organisiert den Einsatz des Modells im Arbeitsablauf. Stellen Sie sich das Modell als Motor vor. LIVOI liefert das umgebende System, das diesen Motor für eine konkrete Aufgabe nutzbar macht.
Die Plattform verbindet Agentenanweisungen, Wissensbibliotheken und Dokumentensuche, Benutzer und Berechtigungen, Gesprächsverarbeitung, Integrationen und Hintergrundaufgaben. Diese Bausteine braucht es, damit aus einer beeindruckenden Vorführung ein nutzbarer Dienst wird. Unsere LIVOI-Übersicht erklärt die Plattform genauer.
Auf flexible Modellwahl ausgelegt
Unser Anspruch ist, LIVOI mit dem LLM einsetzen zu können, das zu den Anforderungen eines Unternehmens passt. Die heutige Agentenlaufzeit nutzt ein konfigurierbares Modell und einen einstellbaren Anbieter-Endpunkt über das Format der OpenAI Responses API. Ein Anbieter muss diese Schnittstelle und die für den Arbeitsablauf benötigten Funktionen unterstützen oder über einen passenden Adapter angebunden werden.
Die Kompatibilität muss deshalb je Modell und Bereitstellung geprüft werden. Ein anderes Modell kann mit Werkzeugen, Dokumenten oder Anweisungen anders umgehen. Die Architektur ermöglicht den Wechsel; realistische Tests zeigen, ob er sich im konkreten Fall bewährt. Mehr zu dieser Entscheidung steht in unserem Beitrag über offene KI-Plattformen und Anbieterabhängigkeit.
API-first von Grund auf
Eine API ist eine definierte Schnittstelle, über die Softwaresysteme miteinander kommunizieren. LIVOI ist API-first aufgebaut: Das Backend stellt Dienste für Anwendungen und Integrationen bereit, mit dokumentierter API und Unterstützung für Live-Aktualisierungen.
Damit können eine interne Anwendung oder ein anderes Geschäftssystem auf dieselbe Plattform zugreifen. Teams können KI dort einbinden, wo die Arbeit bereits stattfindet, statt für jeden Schritt einen separaten manuellen Chat zu benötigen.
Diese Architektur löst nicht das Forschungsproblem der sicheren Ausrichtung von KI und macht ein Modell nicht unfehlbar. Berechtigungen, Datenzugriff, Werkzeugkonfiguration und menschliche Prüfung müssen weiterhin zum Anwendungsfall passen.
Ein sinnvoller nächster Schritt für Ihren Betrieb
Beginnen Sie mit einer Aufgabe, deren Ergebnis Ihr Team beurteilen kann. Lassen Sie beispielsweise eine Kundenantwort anhand freigegebener Produktinformationen vorbereiten. Prüfen Sie die Quellen und lassen Sie den Text vor dem Versand von einem Mitarbeiter freigeben.
Messen Sie greifbare Ergebnisse: Wie oft stimmt der Entwurf? Wie viel Nacharbeit braucht er? Spart er tatsächlich Zeit? Nehmen Sie auch fehlende Informationen und irreführende Anfragen in den Test auf. Legen Sie vorher fest, wann das System an einen Menschen übergeben soll, und wiederholen Sie die Prüfung bei einem Modellwechsel.
So sollten Unternehmen aus unserer Sicht mit der aktuellen Entwicklung umgehen: neugierig bleiben und jede zusätzliche Verantwortung durch belastbare Ergebnisse begründen.
Häufige Fragen
Bedeutet ein mathematischer Durchbruch, dass KI überall zuverlässig ist?
Nein. Ein Ergebnis in einer anspruchsvollen Forschungssituation belegt keine Zuverlässigkeit für beliebige andere Aufgaben. Prüfen Sie den vorgesehenen Arbeitsablauf einschließlich möglicher Fehlerfälle.
Sollte ein Unternehmen warten, bis die Sicherheitsdebatte abgeschlossen ist?
Wir empfehlen einen Einstieg mit begrenzten, überprüfbaren Aufgaben. Erweitern Sie den Einsatz, wenn die Ergebnisse das rechtfertigen. Wie viel Autonomie sinnvoll ist, hängt von den Folgen eines Fehlers ab.
Funktioniert LIVOI heute mit jedem Modell?
Umfassende Modellflexibilität ist das Ziel. Die heutige Kompatibilität hängt von der Anbieterschnittstelle und den benötigten Funktionen ab. Ein Modellwechsel erfordert Integrationsprüfungen und Tests des Arbeitsablaufs.