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
openai6. Oktober 2025 · Q005470

Introducing AgentKit, new Evals, and RFT for agents

openai.com · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Der Bericht beschreibt AgentKit mit visuellem Agent Builder, Connector Registry und ChatKit sowie neue Evals- und RFT-Funktionen; Kundenangaben sollen Zeitersparnis und Leistungsgewinne belegen, sind im Text aber nicht unabhängig überprüft. Laut Nachtrag vom 3. Juni 2026 sollen Agent Builder und Evals ab dem 30. November 2026 nicht mehr verfügbar sein; genannt werden Agents SDK und Workspace Agents als Alternativen.

Mittel

Der Bericht stellt AgentKit als Paket zum Erstellen, Bereitstellen und Verbessern von KI-Agenten vor. Es umfasst den visuellen Agent Builder für mehrstufige Abläufe, eine Connector Registry zur zentralen Verwaltung von Daten- und Werkzeugverbindungen sowie ChatKit zum Einbetten anpassbarer Agenten-Chats. Ergänzend nennt der Beitrag Guardrails zum Erkennen von Jailbreaks und zum Umgang mit personenbezogenen Daten. Neue Evals-Funktionen sollen Datensätze, die Bewertung vollständiger Abläufe, Prompt-Optimierung und Modelle anderer Anbieter unterstützen. Reinforcement Fine-Tuning ist dem Bericht zufolge allgemein für o4-mini verfügbar; für GPT‑5 läuft eine private Beta mit trainierbaren Werkzeugaufrufen und eigenen Bewertungsmaßstäben.

Als Nutzenbelege zitiert OpenAI Kunden: Ramp meldet 70 Prozent kürzere Iterationszyklen, Canva mehr als zwei Wochen Zeitersparnis und Carlyle über 50 Prozent weniger Entwicklungszeit sowie 30 Prozent höhere Genauigkeit. Das sind wiedergegebene Kundenangaben, keine im Beitrag unabhängig geprüften Resultate. Bei der Einführung waren ChatKit und neue Evals-Funktionen allgemein verfügbar, Agent Builder in der Beta und die Connector Registry im eingeschränkten Beta-Rollout. Ein Nachtrag vom 3. Juni 2026 besagt, dass Agent Builder und Evals ab 30. November 2026 eingestellt werden sollen; empfohlen werden je nach Anwendungsfall das Agents SDK oder Workspace Agents.

Ausführlich lesen

Der Bericht stellt AgentKit als Werkzeugpaket von OpenAI vor, mit dem Entwickler und Unternehmen KI-Agenten erstellen, bereitstellen und verbessern sollen. Er beschreibt die bisherigen Schwierigkeiten beim Agentenbau als Folge verstreuter Werkzeuge, aufwendiger Abläufe, eigener Schnittstellen, manueller Auswertungen und langer Entwicklungszeiten. AgentKit soll diese Arbeit durch visuelle Gestaltung, zentrale Verwaltung und vorgefertigte Bausteine vereinfachen.

Im Mittelpunkt stehen drei Angebote: Der Agent Builder bietet eine visuelle Arbeitsfläche, auf der sich mehrstufige Abläufe mit Knoten, Werkzeugen und Schutzregeln zusammenstellen, testen und versionieren lassen. Die Connector Registry soll Administratoren eine zentrale Verwaltung von Datenquellen und Werkzeugverbindungen über ChatGPT und die API ermöglichen; genannt werden unter anderem Dropbox, Google Drive, SharePoint, Microsoft Teams und externe MCPs. ChatKit dient dazu, anpassbare Chat-Oberflächen für Agenten in Apps oder Websites einzubetten. Ergänzend beschreibt der Bericht Guardrails als quelloffene, modulare Schutzschicht, die etwa personenbezogene Daten markieren oder verbergen und Jailbreak-Versuche erkennen kann.

Zur Leistungsprüfung erweitert OpenAI laut Bericht seine Evals-Angebote um Datensätze, die Bewertung vollständiger Ablaufspuren, automatische Prompt-Optimierung sowie die Unterstützung von Modellen anderer Anbieter. Reinforcement Fine-Tuning (RFT) ist demnach allgemein für o4-mini verfügbar und für GPT‑5 in einer privaten Beta. Neue Beta-Funktionen sollen das Trainieren von Werkzeugaufrufen und eigene Bewertungskriterien ermöglichen.

Als Belege für den Nutzen führt der Beitrag Kundenaussagen an. Ramp berichtet, mit dem Agent Builder schneller gearbeitet und Iterationszyklen um 70 Prozent verkürzt zu haben; LY Corporation gibt an, einen ersten mehrstufigen Agentenablauf in weniger als zwei Stunden erstellt zu haben. Canva zufolge sparte ChatKit beim Bau eines Support-Agenten mehr als zwei Wochen. Carlyle berichtet von über 50 Prozent weniger Entwicklungszeit und 30 Prozent höherer Agentengenauigkeit durch Evals. Außerdem nennt der Beitrag Klarna und Clay als Beispiele für bereits gebaute Agenten. Diese Zahlen und Einschätzungen sind im Bericht wiedergegebene Kundenangaben, keine dort unabhängig überprüften Ergebnisse.

Zum damaligen Start waren ChatKit und die neuen Evals-Funktionen allgemein verfügbar, Agent Builder befand sich in der Beta und die Connector Registry begann einen eingeschränkten Beta-Rollout. Für die Registry war laut Bericht eine Global Admin Console erforderlich; die Werkzeuge sollten in der standardmäßigen API-Modellabrechnung enthalten sein. Der Beitrag kündigt zudem eine eigenständige Workflows-API und Bereitstellungsoptionen in ChatGPT an. Ein nachträglicher Hinweis vom 3. Juni 2026 ergänzt jedoch, dass Agent Builder und Evals ab dem 30. November 2026 auf der OpenAI-Plattform nicht mehr verfügbar sein sollen. Für fortzuführende codebasierte Abläufe empfiehlt der Hinweis das Agents SDK, für geeignete natürlichsprachige Anwendungsfälle Workspace Agents in ChatGPT.

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

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Lunas Zusammenfassungen sind sachlich korrekt und enthalten keine erfundenen Angaben; fehlende Punkte sind Nebensächlichkeiten. Der Bericht ist eine Produktankündigung von OpenAI, deren Kundenangaben nicht unabhängig geprüft sind; die Fragen zu Staatsaufsicht, Laborselbstkontrolle und Sicherheitsregeln werden darin höchstens am Rande berührt.

Im Bericht, aber nicht in der Zusammenfassung

  • Klarna- und Clay-Beispiele als Kundenbelege fehlen in der mittleren Fassung
  • Global Admin Console als Voraussetzung für die Connector Registry wird nicht genannt
  • Die geplante Workflows-API und Agent-Bereitstellung in ChatGPT fehlen

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 100 %kein Bezug
    • Luna 30 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 45 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 68 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
Fähigkeiten messen
  1. SF-F1 Wie misst man gefährliche Fähigkeiten eines Modells, vor allem im Cyberbereich, mit gemeinsam anerkannten, wiederholbaren Tests, die keine Sprache, Kultur oder Seite bevorzugen?
    • clef 30 %gleiches Oberthema, hilft nicht
    • Luna 36 %Hintergrund, keine Belege
    • JEV 37 %einzelne zitierbare Belege
    • amos 40 %gleiches Oberthema, hilft nicht
    • SubQ 45 %gleiches Oberthema, hilft nicht
    • drex 30 %gleiches Oberthema, hilft nicht
    • d3-ultra offen

  2. SF-F4 Für welche Modelle, Entwickler und Einsätze gelten Prüfregeln, und wann muss neu geprüft werden?
    • clef 100 %kein Bezug
    • Luna 40 %einzelne zitierbare Belege
    • JEV 40 %Hintergrund, keine Belege
    • amos 31 %nur am Rande erwähnt
    • SubQ 46 %gleiches Oberthema, hilft nicht
    • drex 41 %gleiches Oberthema, hilft nicht
    • d3-ultra offen

    • SF-F4-T03 Welche neue Prüfung braucht jeder Einsatz, wenn Fähigkeiten zunehmend im Nachdenken des Modells während der Nutzung stecken statt in einem einmal trainierten Modell, und würden die für ein festes Modell gebauten Freigabetests das noch erfassen? Luna: Stufe 4 · 37 % · einzelne zitierbare Belege · Haiku-Prüfung: Stufe 3 · Hintergrund, keine Belege
Unabhängig prüfen
  1. SF-P3 Woran erkennt man, dass ein Labor sich ehrlich selbst überwacht und dass seine Prüfungen gültig sind?
    • clef 27 %gleiches Oberthema, hilft nicht
    • Luna 57 %einzelne zitierbare Belege
    • JEV 27 %einzelne zitierbare Belege
    • amos 30 %Hintergrund, keine Belege
    • SubQ 40 %gleiches Oberthema, hilft nicht
    • drex 29 %Hintergrund, keine Belege
    • d3-ultra offen
    • Haiku-Prüfung nur am Rande erwähnt

    • SF-P3-T02 Welche unabhängig überprüfbaren Zusagen könnten Regierungen von ihren KI-Laboren zur Veröffentlichung verlangen, und wie sieht unabhängige Prüfung aus, wenn der Beleg, dass ein Modell seinen vorgesehenen Zielen und Werten folgt, nur vom trainierenden Labor kommt und Prüfer weder die Modellgewichte (die gelernten Parameter) noch die Trainingsdaten sehen? Luna: Stufe 3 · 35 % · Hintergrund, keine Belege
Tempo und Grenzen
  1. SF-T1 Welche messbaren Schwellen sollen eine Pause auslösen, und wer prüft sie?
    • clef 100 %kein Bezug
    • Luna 50 %einzelne zitierbare Belege
    • JEV 33 %gleiches Oberthema, hilft nicht
    • amos 30 %gleiches Oberthema, hilft nicht
    • SubQ 58 %gleiches Oberthema, hilft nicht
    • drex 56 %gleiches Oberthema, hilft nicht
    • d3-ultra offen

    • SF-T1-T05 Welche messbaren Vergleichswerte würden zeigen, dass die Ausrichtung der Modelle eines Labors an den vorgesehenen Zielen und Werten schneller vorankommt, als ihre Fähigkeiten wachsen, über das Fehlen öffentlicher Fehlschläge hinaus? Luna: Stufe 3 · 38 % · Hintergrund, keine Belege
  2. SF-T3 Woran erkennt man, dass KI beginnt, ihre eigene Weiterentwicklung voranzutreiben, und wer darf das erlauben?
    • clef 100 %kein Bezug
    • Luna 51 %einzelne zitierbare Belege
    • JEV 27 %gleiches Oberthema, hilft nicht
    • amos 36 %gleiches Oberthema, hilft nicht
    • SubQ 72 %gleiches Oberthema, hilft nicht
    • drex 69 %gleiches Oberthema, hilft nicht
    • d3-ultra offen

Vertrauen in Modelle
  1. SF-V1 Was zählt als Beleg für die Werte eines Modells, wenn sein sichtbares Denken und seine Selbstauskünfte allein nicht genügen?
    • clef 100 %kein Bezug
    • Luna 30 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 31 %Hintergrund, keine Belege
    • SubQ 51 %gleiches Oberthema, hilft nicht
    • drex 28 %Hintergrund, keine Belege
    • d3-ultra offen
  2. SF-V3 Halten die Werte eines Modells, wenn niemand zusieht oder die Lage neu ist?
    • clef 100 %kein Bezug
    • Luna 50 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 35 %nur am Rande erwähnt
    • SubQ 58 %gleiches Oberthema, hilft nicht
    • drex 50 %gleiches Oberthema, hilft nicht
    • d3-ultra offen

    • SF-V3-T01 Worauf verlässt sich ein Mensch, wenn er glaubt, niemand sehe zu, und lassen sich solche Werte einem System beibringen, das sie nur aus Text gelernt hat? Wie testen Labore heute, ob die Werte eines Modells halten, wenn es zu Recht oder zu Unrecht glaubt, niemand sehe zu? Und wenn niemand erkennen kann, ob jemand zusieht: Was hält Werte dann fest, Charakter, Training oder die Geschichte, die man sich selbst erzählt? Luna: Stufe 3 · 37 % · Hintergrund, keine Belege
  3. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 24 %gleiches Oberthema, hilft nicht
    • Luna 63 %einzelne zitierbare Belege
    • JEV 39 %einzelne zitierbare Belege
    • amos 26 %Hintergrund, keine Belege
    • SubQ 39 %gleiches Oberthema, hilft nicht
    • drex 25 %Hintergrund, keine Belege
    • d3-ultra offen
    • Haiku-Prüfung nur am Rande erwähnt

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 22 %gleiches Oberthema, hilft nicht
    • Luna 73 %einzelne zitierbare Belege
    • JEV 40 %einzelne zitierbare Belege
    • amos 28 %einzelne zitierbare Belege
    • SubQ 26 %Hintergrund, keine Belege
    • drex 26 %einzelne zitierbare Belege
    • d3-ultra offen
    • Haiku-Prüfung Hintergrund, keine Belege

    • SF-A1-T03 Werden Freigabetests messen, ob ein Agent folgenreiche Handlungen außerhalb seines Auftrags unterlässt, auch wenn kein einzeln aufgeführtes Verbot sie blockiert, und werden die Kriterien veröffentlicht? Luna: Stufe 3 · 35 % · Hintergrund, keine Belege
  2. SF-A2 Lassen sich KI-Systeme sicher anhalten, zurücksetzen, abschotten oder drosseln, und wer darf das anordnen?
    • clef 31 %gleiches Oberthema, hilft nicht
    • Luna 43 %einzelne zitierbare Belege
    • JEV 27 %nur am Rande erwähnt
    • amos 30 %nur am Rande erwähnt
    • SubQ 27 %nur am Rande erwähnt
    • drex 25 %Hintergrund, keine Belege
    • d3-ultra offen

  3. SF-A3 Welche Gefahren entstehen, wenn viele KI-Systeme zusammenwirken oder dieselbe Infrastruktur teilen?
    • clef 32 %gleiches Oberthema, hilft nicht
    • Luna 63 %Hintergrund, keine Belege
    • JEV 26 %nur am Rande erwähnt
    • amos 35 %nur am Rande erwähnt
    • SubQ 51 %gleiches Oberthema, hilft nicht
    • drex 48 %gleiches Oberthema, hilft nicht
    • d3-ultra offen

    • SF-A3-T01 Welche Beobachtungen oder gemeinsamen Tests erkennen entstehende Abstimmung, Absprachen oder Kettenfehler zwischen Modellen in Arbeitsabläufen, Lieferketten und Gruppen vieler Agenten (Schwärmen), die kein einzelnes Labor steuert oder vorhersieht? Luna: Stufe 3 · 33 % · Hintergrund, keine Belege
Modelle teilen und schützen
  1. SF-H3 Wie lässt sich nachverfolgen, woraus ein Modell entstanden ist und was in ihm steckt?
    • clef 100 %kein Bezug
    • Luna 44 %Hintergrund, keine Belege
    • JEV 28 %gleiches Oberthema, hilft nicht
    • amos 39 %gleiches Oberthema, hilft nicht
    • SubQ 50 %gleiches Oberthema, hilft nicht
    • drex 51 %gleiches Oberthema, hilft nicht
    • d3-ultra offen

Frieden und Sicherheit
Offenlegung und Rechenschaft
Beteiligung und Gemeinwohl
  1. SF-E3 Welche Stellen sind in einem Staat für KI-Sicherheit und Prüfungen zuständig, und was davon gibt es schon?
    • clef 100 %kein Bezug
    • Luna 42 %einzelne zitierbare Belege
    • JEV 100 %kein Bezug
    • amos 100 %kein Bezug
    • SubQ 52 %gleiches Oberthema, hilft nicht
    • drex 100 %kein Bezug
    • d3-ultra offen
  2. SF-E4 Wie bleibt KI ein gemeinsames Gut, statt Abhängigkeit und Marktmacht zu vertiefen?
    • clef 100 %kein Bezug
    • Luna 61 %Hintergrund, keine Belege
    • JEV 43 %einzelne zitierbare Belege
    • amos 38 %gleiches Oberthema, hilft nicht
    • SubQ 68 %gleiches Oberthema, hilft nicht
    • drex 42 %gleiches Oberthema, hilft nicht
    • d3-ultra offen

    • SF-E4-T03 Wie können gemeinsame Sicherheitsregeln verhindern, dass hohe Kosten der Einhaltung den Markt auf wenige reiche Labore verengen, und trotzdem kleine Entwickler und Open-Source-Entwickler auf dieselbe Mindestschwelle für Sicherheit verpflichten? Luna: Stufe 3 · 39 % · Hintergrund, keine Belege · Haiku-Prüfung: Stufe 2 · nur am Rande erwähnt
  3. 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 35 %Hintergrund, keine Belege
    • JEV 29 %einzelne zitierbare Belege
    • amos 40 %gleiches Oberthema, hilft nicht
    • SubQ 69 %gleiches Oberthema, hilft nicht
    • drex 48 %gleiches Oberthema, hilft nicht
    • d3-ultra offen

    • SF-E5-T02 Welche Entscheidungen müssen menschlich bleiben, auch wenn eine KI sie besser treffen könnte, und wie würden Staaten in Entscheidungsschleifen mit hohem Risiko prüfbar machen, dass ein Mensch die Ausgabe der KI wirklich beurteilt und nicht nur routinemäßig abgenickt hat? Luna: Stufe 3 · 40 % · Hintergrund, keine Belege · Haiku-Prüfung: Stufe 2 · nur am Rande erwähnt
Wirtschaft und Haftung
Information und Öffentlichkeit
  1. SF-I1 Wie erkennt man KI-erzeugte Inhalte und KI-erzeugte Einflussnahme, ohne die Meinungsfreiheit zu beschneiden?
    • clef 100 %kein Bezug
    • Luna 38 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 43 %gleiches Oberthema, hilft nicht
    • SubQ 67 %gleiches Oberthema, hilft nicht
    • drex 42 %gleiches Oberthema, hilft nicht
    • d3-ultra offen

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 →