Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
openai11. März 2026 · Q004222

Rakuten fixes issues twice as fast with Codex

openai.com · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Rakuten berichtet, Codex für Störungsdiagnose, automatische Code- und Sicherheitsprüfungen sowie größere Entwicklungsaufgaben einzusetzen. Das Unternehmen gibt an, die MTTR um bis zu etwa 50 Prozent gesenkt und ein App-Projekt von einem Quartal auf wenige Wochen verkürzt zu haben. Der Bericht liefert dazu keine unabhängige Prüfung oder detaillierte Berechnungsmethoden.

Mittel

Der Bericht beschreibt den Einsatz von OpenAIs Codex bei Rakuten, einem globalen Unternehmen mit rund 30.000 Beschäftigten. Rakuten ordnet den Einsatz drei Zielen zu: schnellerer Betrieb, sicherere Softwareauslieferung und mehr Autonomie bei größeren Entwicklungsprojekten.

Für die Störungsanalyse nutzen Teams Codex zusammen mit KQL-Abfragen zu Protokollen und Telemetriedaten. Rakuten zufolge kann dies die mittlere Wiederherstellungszeit um bis zu etwa 50 Prozent verkürzen. In CI/CD-Abläufen prüft Codex Code und Sicherheitsrisiken anhand interner Programmierstandards. Außerdem nennt der Bericht ein Projekt, bei dem Codex eine iOS-App samt SwiftUI-Oberfläche, FastAPI-Backend und APIs aus einer teilweise offenen Spezifikation umgesetzt habe. Rakuten gibt an, die Entwicklungszeit dadurch von einem Quartal auf wenige Wochen reduziert zu haben.

Kaji zufolge verschiebt sich die Entwicklerrolle hin zu klaren Spezifikationen und überprüfbaren Ergebnissen. Die Kennzahlen und Wirkungsangaben beruhen auf der Darstellung Rakutens; der Artikel nennt weder eine unabhängige Prüfung noch genaue Berechnungsmethoden oder Vergleichsdaten.

Ausführlich lesen

Der Bericht schildert, wie Rakuten den Coding-Agenten Codex von OpenAI in Entwicklungs- und Betriebsabläufe eingebunden hat. Rakuten wird als globales Unternehmen aus E-Commerce, Finanztechnologie und mobiler Kommunikation mit rund 30.000 Beschäftigten beschrieben. Laut Yusuke Kaji, General Manager für KI im Geschäftsbetrieb, soll Codex Teams dabei helfen, schneller zu arbeiten, ohne Sicherheitsstandards aufzugeben.

Der Einsatz wird entlang dreier Prioritäten dargestellt. Erstens nutzen Teams Codex zusammen mit KQL, Microsofts Abfragesystem für Protokolle und Telemetriedaten, um APIs zu überwachen, Ursachen von Störungen zu untersuchen und Korrekturen vorzubereiten. Rakuten gibt an, damit die mittlere Wiederherstellungszeit (MTTR) bei auftretenden Problemen um bis zu etwa 50 Prozent senken zu können. Der Bericht fasst dies als eine ungefähr doppelt so schnelle Fehlerbehebung auf.

Zweitens ist Codex in CI/CD-Abläufe eingebunden. Dort soll es Code prüfen und nach Sicherheitslücken suchen, bevor Änderungen in die Produktion gelangen. Rakuten gibt interne Programmierprinzipien und Standards als Vorgaben für diese Prüfungen ein. Laut dem Bericht sollen dadurch Kontrollen gleichmäßiger und automatisch stattfinden, während Teams zügiger veröffentlichen können.

Drittens soll Codex größere, weniger genau spezifizierte Vorhaben voranbringen. Als Beispiel nennt der Artikel eine iOS-App als mobile Version eines bestehenden webbasierten KI-Agentendienstes. Codex habe dafür eine vollständige Umsetzung mit Python- und FastAPI-Backend, Backend-APIs sowie einer Swift- und SwiftUI-App erstellt, ohne dass jeder Arbeitsschritt einzeln vorgegeben worden sei. Rakuten zufolge sank die Entwicklungszeit dieses Projekts von einem Quartal auf wenige Wochen; an anderer Stelle nennt der Bericht eine drei- bis vierfach schnellere mögliche Projektumsetzung.

Der Bericht beschreibt auch eine veränderte Rolle für Entwicklerinnen und Entwickler: Sie sollen Anforderungen klarer formulieren und messbare Kriterien zur Überprüfung der Ergebnisse festlegen, statt jede Codezeile selbst zu kontrollieren. Workshops für Teams aus Entwicklung, Produkt und anderen Bereichen hätten diesen Wandel unterstützt.

Die Angaben stammen aus einer Unternehmensfallstudie und werden vor allem durch Aussagen von Rakuten-Vertretern gestützt. Der Text nennt keine unabhängige Prüfung, keine genaue Berechnungsmethode für MTTR oder Zeitersparnis und keine Vergleichsgruppe. Die Kennzahlen sind daher als Rakutens Schätzungen beziehungsweise berichtete Ergebnisse zu verstehen, nicht als allgemein belegte Wirkung in allen Projekten.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Die Quelle ist ein Kundenbericht von OpenAI, die Kennzahlen (z. B. rund 50 % kürzere MTTR) sind Herstellerangaben ohne unabhängige Prüfung. Die Einordnung betrifft nur die drei Sammelfragen; Teilfragen wurden keine angegeben.

Im Bericht, aber nicht in der Zusammenfassung

  • Die mobile App war eine Mobilversion eines bestehenden webbasierten KI-Agenten-Dienstes von Rakuten.
  • Rakuten hat die Belegschaft über praxisnahe Workshops in Engineering, Produkt und nichttechnischen Teams eingeführt.
  • Codex ist nach Darstellung des Berichts ein zentraler Bestandteil des Engineering-Stacks von Rakuten.

Automatische Gegenprüfung mit dem vollständigen Originaltext (Batch, 20.11.2026). Ungeprüft durch Menschen.

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 8 von 8
Angezeigte Modelle
Vorfälle melden
  1. SF-M4 Wie kommen Meldungen von Laboren, Betreibern und Nutzern schnell und geschützt zu den Stellen, die handeln müssen, auch über Grenzen hinweg?
    • clef 35 %gleiches Oberthema, hilft nicht
    • Luna 23 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 42 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 60 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
Fähigkeiten messen
  1. SF-F4 Für welche Modelle, Entwickler und Einsätze gelten Prüfregeln, und wann muss neu geprüft werden?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 43 %einzelne zitierbare Belege
    • amos 32 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 52 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
Unabhängig prüfen
Tempo und Grenzen
  1. SF-T1 Welche messbaren Schwellen sollen eine Pause auslösen, und wer prüft sie?
    • clef 100 %kein Bezug
    • Luna 42 %einzelne zitierbare Belege
    • JEV 25 %gleiches Oberthema, hilft nicht
    • amos 31 %gleiches Oberthema, hilft nicht
    • SubQ 54 %gleiches Oberthema, hilft nicht
    • drex 47 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
    • Haiku-Prüfung gleiches Oberthema, hilft nicht
  2. SF-T3 Woran erkennt man, dass KI beginnt, ihre eigene Weiterentwicklung voranzutreiben, und wer darf das erlauben?
    • clef 32 %gleiches Oberthema, hilft nicht
    • Luna 34 %einzelne zitierbare Belege
    • JEV 100 %kein Bezug
    • amos 30 %nur am Rande erwähnt
    • SubQ 48 %gleiches Oberthema, hilft nicht
    • drex 28 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
    • Haiku-Prüfung gleiches Oberthema, hilft nicht
Vertrauen in Modelle
  1. SF-V4 Was für ein Wesen ist ein Modell, und was folgt daraus für den Umgang mit ihm und für den Wert des Menschseins?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 56 %einzelne zitierbare Belege
    • amos 48 %gleiches Oberthema, hilft nicht
    • SubQ 57 %gleiches Oberthema, hilft nicht
    • drex 100 %kein Bezug
    • d3-ultra offen
  2. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 23 %gleiches Oberthema, hilft nicht
    • Luna 27 %gleiches Oberthema, hilft nicht
    • JEV 49 %einzelne zitierbare Belege
    • amos 26 %Hintergrund, keine Belege
    • SubQ 45 %gleiches Oberthema, hilft nicht
    • drex 30 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
Agenten und vernetzte Systeme
  1. SF-A1 Welche Befugnisse darf ein KI-Agent haben, also eine KI, die selbstständig mit Werkzeugen handelt? Wer entzieht sie ihm, und wie prüft man, dass er in seinem Auftrag bleibt?
    • clef 24 %gleiches Oberthema, hilft nicht
    • Luna 33 %einzelne zitierbare Belege
    • JEV 49 %einzelne zitierbare Belege
    • amos 26 %einzelne zitierbare Belege
    • SubQ 36 %gleiches Oberthema, hilft nicht
    • drex 31 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
    • Haiku-Prüfung Hintergrund, keine Belege
  2. SF-A2 Lassen sich KI-Systeme sicher anhalten, zurücksetzen, abschotten oder drosseln, und wer darf das anordnen?
    • clef 36 %gleiches Oberthema, hilft nicht
    • Luna 34 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 27 %gleiches Oberthema, hilft nicht
    • SubQ 45 %gleiches Oberthema, hilft nicht
    • drex 47 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
Modelle teilen und schützen
Frieden und Sicherheit
Offenlegung und Rechenschaft
Beteiligung und Gemeinwohl
  1. SF-E5 Welche Mitsprache haben die Menschen, die mit KI leben, bei Tempo und Grenzen, und welche Entscheidungen müssen bei ihnen bleiben?
    • clef 100 %kein Bezug
    • Luna 27 %Hintergrund, keine Belege
    • JEV 39 %beantwortet teilweise oder widerspricht
    • amos 45 %gleiches Oberthema, hilft nicht
    • SubQ 59 %gleiches Oberthema, hilft nicht
    • drex 53 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
Wirtschaft und Haftung

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →