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
openai17. Juli 2026 · Q006348

A scorecard for the AI age

openai.com · Originalbericht öffnen ↗

Zusammenfassung

Kurz

OpenAI empfiehlt, KI nach erledigter und verlässlich nutzbarer Arbeit pro Dollar zu bewerten, wobei auch Prüfung, Wiederholungen und Nacharbeit in die Kosten eingehen sollen. Der Bericht nennt eigene Leistungswerte für GPT‑5.6 und fordert klare Grenzen sowie menschliche Aufsicht; eine ausführliche oder unabhängige Prüfung der angeführten Vergleiche beschreibt er nicht.

Mittel

Der Bericht schlägt vor, den Wert von KI nicht anhand gekaufter Lizenzen oder des Tokenpreises, sondern anhand erledigter Arbeit zu beurteilen. OpenAI fasst den Maßstab als „Useful Intelligence per Dollar“: Unternehmen sollen erfassen, ob KI wichtige Aufgaben abschließt, was jede erfolgreiche Aufgabe insgesamt kostet, wie verlässlich die Ergebnisse sind und ob der Nutzen mit wachsender Nutzung steigt.

Empfohlen wird, einen konkreten Arbeitsablauf und klare Qualitätskriterien festzulegen. In die Kostenrechnung gehören neben Modell- und Rechenkosten auch Arbeitszeit, Prüfung, Wiederholungen und Nacharbeit. Für die Verlässlichkeit unterscheidet der Bericht zwischen direkt nutzbaren Ergebnissen, korrekturbedürftigen Aufgaben und Fällen, die eskaliert werden müssen. Bei ausführender KI seien zudem Grenzen für Datenzugriff, Systemaktionen und menschliche Freigaben nötig.

OpenAI nennt eigene Vergleichswerte zu GPT‑5.6 und stellt eine bessere Wertschöpfung durch effizientere Infrastruktur und Modelle in Aussicht. Die genannten Leistungszahlen werden im Text jedoch nicht mit einer ausführlichen Testmethodik oder unabhängigen Prüfung erläutert. Der Artikel verbindet daher einen praktischen Messrahmen mit OpenAIs eigener Produktperspektive.

Ausführlich lesen

Der Bericht „A scorecard for the AI age“ fragt, wie Unternehmen den Ertrag ihrer KI-Ausgaben bewerten sollten. OpenAI argumentiert, dass bisherige Maßstäbe wie gekaufte Lizenzen und aktive Nutzer nicht ausreichen. Entscheidend sei, welche brauchbare Arbeit KI erledigt und ob deren Wert schneller wächst als die Kosten ihrer Erstellung. Auch ein niedriger Preis pro Token sage wenig aus: Für die Bewertung müssten unter anderem Rechenaufwand, Zahl der Versuche, Bearbeitungszeit, menschliche Prüfung und Nacharbeit berücksichtigt werden.

Als übergeordnetes Maß schlägt der Bericht „Useful Intelligence per Dollar“ vor. Die dazugehörige Scorecard umfasst vier Fragen: Erledigt KI relevante Aufgaben? Was kostet eine erfolgreich abgeschlossene Aufgabe insgesamt? Wie verlässlich sind die Ergebnisse? Und steigt der Wert je eingesetztem Dollar mit wachsender Nutzung?

Für die Messung empfiehlt OpenAI, mit einem einzelnen Arbeitsablauf zu beginnen und konkret festzulegen, wann eine Aufgabe als erledigt gilt. Beispiele sind eine gelöste Kundenanfrage, eine Codeänderung, die Tests besteht, oder eine fristgerecht und korrekt geprüfte Vertragsfassung. Gemessen werden soll das Ergebnis dort, wo die Arbeit tatsächlich anfällt. Als Beispiel beschreibt der Bericht die Vorbereitung einer Finanzprognose: KI könne Daten zusammentragen und abgleichen sowie Präsentationen vorbereiten, sodass Beschäftigte mehr Zeit für die Bewertung von Änderungen und Entscheidungen hätten.

Die Gesamtkosten einer erfolgreichen Aufgabe sollen alle relevanten Aufwände einschließen. Dazu zählen laut Bericht Modellpreis und Rechenleistung ebenso wie Arbeitszeit, Überprüfung, Wiederholungen und Korrekturen. Die Gesamtkosten werden durch die Zahl der Aufgaben geteilt, die den vereinbarten Qualitätsmaßstab erreichen. OpenAI verweist außerdem auf drei Modellstufen von GPT‑5.6 – Sol, Terra und Luna – als Ausgangspunkte für unterschiedliche Anforderungen an Leistung, Kosten und Geschwindigkeit. Die Wahl des Modells solle sich letztlich nach der Wirtschaftlichkeit des vollständigen Arbeitsablaufs richten.

Für die Verlässlichkeit schlägt der Text vor, Ergebnisse danach zu erfassen, ob sie direkt einsatzbereit waren, korrigiert werden mussten oder menschliches Eingreifen erforderten. Mit wachsender Fähigkeit, Aufgaben auszuführen, müssten Organisationen zugleich den Datenzugriff, erlaubte Systemaktionen und Prüfschritte festlegen. Sicherheit, Datenschutz, Kontrolle und angemessene Aufsicht werden als Voraussetzungen für den Einsatz in wichtigeren Arbeitsabläufen dargestellt.

OpenAI führt eigene Leistungsangaben an: GPT‑5.6 Sol mit maximalem Reasoning habe im Artificial Analysis Coding Agent Index eine Spitzenleistung mit 54 Prozent weniger Ausgabetokens als ein anderes führendes Modell erreicht. Für DeepSWE v1.1 nennt der Bericht 72,7 Prozent gegenüber 69,9 Prozent für Claude Fable 5 bei geschätzten API-Kosten, die 36,2 Prozent niedriger lägen. Der Bericht präsentiert diese Zahlen als Belege für Effizienz und Leistung; er beschreibt hier jedoch keine unabhängige Prüfung oder ausführliche Testmethodik.

Abschließend behauptet OpenAI, dass Infrastruktur, Forschung, effizientere Modelle und bessere Produkte einander verstärken und so den Nutzen pro Recheneinheit langfristig steigern könnten. Der Text ist damit zugleich ein Bewertungsrahmen und eine Darstellung von OpenAIs eigener Plattform- und Produktperspektive. Sein Maßstab bleibt: mehr relevante Arbeit pro Dollar, bei gleichbleibender oder besserer Qualität und verlässlicher menschlicher Kontrolle.

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

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Die Zusammenfassung wurde als Ganzes bewertet, also sowohl die kurze als auch die mittlere Fassung. Beide geben den Bericht sachlich wieder. Die Einordnung betrifft einen Bericht über den Wert von KI-Ausgaben, der die Sammelfragen nur am Rande berührt.

Im Bericht, aber nicht in der Zusammenfassung

  • Die dreistufige Modellfamilie (Sol, Terra, Luna) und die Empfehlung, das Modell nach den Gesamtkosten der jeweiligen Aufgabe auszuwählen
  • Die zentrale Rolle von Rechenleistung (Compute) für Qualität, Kosten und Verfügbarkeit sowie der Verstärkungseffekt durch bessere Infrastruktur

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 41 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 46 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 85 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug

Fähigkeiten messen
Unabhängig prüfen
  1. SF-P2 Wie bleiben Prüfer, die in einem Labor arbeiten, wirklich unabhängig?
    • clef 100 %kein Bezug
    • Luna 56 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 47 %gleiches Oberthema, hilft nicht
    • SubQ 53 %gleiches Oberthema, hilft nicht
    • drex 75 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug

  2. 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 52 %Hintergrund, keine Belege
    • JEV 26 %einzelne zitierbare Belege
    • amos 33 %gleiches Oberthema, hilft nicht
    • SubQ 44 %gleiches Oberthema, hilft nicht
    • drex 48 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug

    • SF-P3-T08 Welche gemeinsame Bezugsgröße für den Umfang der Nutzung, welcher Beobachtungszeitraum, welcher Stichprobenplan, welche Definition von Beinahe-Vorfall und welche statistische Obergrenze (obere Konfidenzgrenze) würden es jedem erlauben zu sagen: „keine erkennbare systemische Fehlausrichtung (Verhalten gegen die vorgesehenen Ziele oder Werte) im Einsatzmaßstab“? Und wie muss dargestellt werden, dass die Erkennung lückenhaft ist? 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 48 %Hintergrund, keine Belege
    • JEV 39 %Hintergrund, keine Belege
    • amos 36 %gleiches Oberthema, hilft nicht
    • SubQ 51 %gleiches Oberthema, hilft nicht
    • drex 57 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug

    • 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 · 46 % · Hintergrund, keine Belege · Haiku-Prüfung: Stufe 1 · gleiches Oberthema, hilft nicht
    • SF-T1-T06 Welcher öffentliche Beleg zeigt, ob vereinbarte Grenzen eingehalten werden? Luna: Stufe 3 · 40 % · Hintergrund, keine Belege
    • SF-T1-T08 Wenn ein Sicherheitsprojekt mit KI-Hilfe zugleich die allgemeine Fähigkeit des Modells oder die für sein Training genutzte Rechenleistung steigert: Wie hält man beide Wirkungen fest, und wie entscheidet man, ob der daraus entstehende Fähigkeitszuwachs eine neue Sicherheitsprüfung braucht, bevor die Arbeit weitergeht? Luna: Stufe 3 · 39 % · Hintergrund, keine Belege
  2. SF-T3 Woran erkennt man, dass KI beginnt, ihre eigene Weiterentwicklung voranzutreiben, und wer darf das erlauben?
    • clef 34 %gleiches Oberthema, hilft nicht
    • Luna 48 %Hintergrund, keine Belege
    • JEV 27 %Hintergrund, keine Belege
    • amos 35 %nur am Rande erwähnt
    • SubQ 76 %gleiches Oberthema, hilft nicht
    • drex 58 %gleiches Oberthema, hilft nicht
    • d3-ultra 52 %gleiches Oberthema, hilft nicht

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 31 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 29 %gleiches Oberthema, hilft nicht
    • SubQ 59 %gleiches Oberthema, hilft nicht
    • drex 59 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
  2. SF-V3 Halten die Werte eines Modells, wenn niemand zusieht oder die Lage neu ist?
    • clef 100 %kein Bezug
    • Luna 61 %Hintergrund, keine Belege
    • JEV 28 %nur am Rande erwähnt
    • amos 28 %nur am Rande erwähnt
    • SubQ 53 %gleiches Oberthema, hilft nicht
    • drex 77 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug

  3. 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 63 %einzelne zitierbare Belege
    • JEV 40 %einzelne zitierbare Belege
    • amos 36 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung kein Bezug

  4. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 100 %kein Bezug
    • Luna 70 %einzelne zitierbare Belege
    • JEV 41 %beantwortet teilweise oder widerspricht
    • amos 29 %Hintergrund, keine Belege
    • SubQ 35 %gleiches Oberthema, hilft nicht
    • drex 25 %gleiches Oberthema, hilft nicht
    • d3-ultra 42 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung Hintergrund, keine Belege

    • SF-V5-T02 Würde man lieber einem großen, überwachten Modell vertrauen oder vielen kleinen, nicht überwachten? Luna: Stufe 3 · 37 % · Hintergrund, keine Belege
    • SF-V5-T03 Ist es wirtschaftlich klug, Modelle mit geringem Denkaufwand zu betreiben, oder wird das Ausrichtungsproblem (Modelle dazu zu bringen, den vorgesehenen Zielen und Werten zu folgen) dadurch nur schwerer sichtbar? Luna: Stufe 3 · 43 % · Hintergrund, keine Belege
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 100 %kein Bezug
    • Luna 69 %einzelne zitierbare Belege
    • JEV 49 %einzelne zitierbare Belege
    • amos 26 %Hintergrund, keine Belege
    • SubQ 24 %Hintergrund, keine Belege
    • drex 25 %Hintergrund, keine Belege
    • d3-ultra 46 %einzelne zitierbare Belege
    • Haiku-Prüfung beantwortet teilweise oder widerspricht

    • SF-A1-T01 Welche Mindestgrenzen und Schutzvorkehrungen sollen für Zugangsdaten, Kommunikation, Geld, dauerhaftes Gedächtnis, Verträge, Änderungen an Systemen und Handlungen in der physischen Welt gelten, auch wenn ein Agent über Tage ohne sofortige menschliche Zustimmung handelt, und wer darf Befugnisse erteilen, prüfen und entziehen? Luna: Stufe 3 · 23 % · 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 · 65 % · Hintergrund, keine Belege · Haiku-Prüfung: Stufe 2 · nur am Rande erwähnt
  2. SF-A2 Lassen sich KI-Systeme sicher anhalten, zurücksetzen, abschotten oder drosseln, und wer darf das anordnen?
    • clef 100 %kein Bezug
    • Luna 59 %Hintergrund, keine Belege
    • JEV 43 %nur am Rande erwähnt
    • amos 34 %nur am Rande erwähnt
    • SubQ 39 %gleiches Oberthema, hilft nicht
    • drex 44 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug

  3. SF-A3 Welche Gefahren entstehen, wenn viele KI-Systeme zusammenwirken oder dieselbe Infrastruktur teilen?
    • clef 100 %kein Bezug
    • Luna 87 %Hintergrund, keine Belege
    • JEV 31 %nur am Rande erwähnt
    • amos 40 %gleiches Oberthema, hilft nicht
    • SubQ 63 %gleiches Oberthema, hilft nicht
    • drex 49 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug

Modelle teilen und schützen
  1. SF-H2 Was darf offen veröffentlicht werden, und wer ist verantwortlich, wenn ein offenes Modell anderswo Schaden anrichtet?
    • clef 100 %kein Bezug
    • Luna 58 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 48 %gleiches Oberthema, hilft nicht
    • SubQ 61 %gleiches Oberthema, hilft nicht
    • drex 71 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug

Frieden und Sicherheit
Offenlegung und Rechenschaft
  1. SF-O2 Was sollten Regierungen, Labore und Prüfer über ihre Gespräche, Zusagen, Prüfungen und Eingriffe offenlegen?
    • clef 100 %kein Bezug
    • Luna 44 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 40 %gleiches Oberthema, hilft nicht
    • SubQ 71 %gleiches Oberthema, hilft nicht
    • drex 70 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
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 53 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 100 %kein Bezug
    • SubQ 62 %gleiches Oberthema, hilft nicht
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
  2. SF-E4 Wie bleibt KI ein gemeinsames Gut, statt Abhängigkeit und Marktmacht zu vertiefen?
    • clef 100 %kein Bezug
    • Luna 49 %Hintergrund, keine Belege
    • JEV 24 %Hintergrund, keine Belege
    • amos 39 %gleiches Oberthema, hilft nicht
    • SubQ 67 %gleiches Oberthema, hilft nicht
    • drex 55 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug

  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 51 %einzelne zitierbare Belege
    • JEV 49 %einzelne zitierbare Belege
    • amos 30 %nur am Rande erwähnt
    • SubQ 51 %gleiches Oberthema, hilft nicht
    • drex 34 %gleiches Oberthema, hilft nicht
    • d3-ultra 45 %gleiches Oberthema, hilft nicht

    • SF-E5-T01 Wer soll das Tempo der KI-Entwicklung bestimmen: die Labore, die Regierungen oder die Menschen, die diese Systeme jeden Tag nutzen? Luna: Stufe 3 · 38 % · Hintergrund, keine Belege
    • 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 · 45 % · Hintergrund, keine Belege · Haiku-Prüfung: Stufe 2 · nur am Rande erwähnt
Wirtschaft und Haftung
Information und Öffentlichkeit

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 →