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
openai21. August 2025 · Q006524

Blue J’s approach for scaling fast in complex, regulated domains

openai.com · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Der OpenAI-Bericht beschreibt Blue Js Steuerrecherche-System, das GPT‑4.1 mit einer großen kuratierten Quellensammlung verbindet und durch Nutzerfeedback sowie interne Modelltests verbessert wird. Angaben zu geringer Beanstandungsquote, Nutzung und Zeitersparnis stammen von Blue J; unabhängige Prüfung und detaillierte Messdaten nennt der Bericht nicht.

Mittel

Der OpenAI-Bericht schildert, wie Blue J seine Steuerrecherche-Anwendung mit GPT‑4.1 in den USA, Kanada und dem Vereinigten Königreich ausgebaut hat. Das 2015 von Steuerrechtsexperten gegründete Unternehmen verbindet das Modell mit einer eigenen Sammlung von Millionen kuratierten Dokumenten. Das System ruft Quellen zu einer Frage ab und formuliert daraus Antworten mit Belegen.

Blue J sammelt über freiwillige Datenfreigabe und eine Rückmeldefunktion Hinweise auf problematische Antworten. Diese werden nach Themen und vermuteten Ursachen gruppiert, damit das Team wiederkehrende Fehler bearbeiten kann. Das Unternehmen gibt an, dass weniger als eine von 700 Antworten beanstandet werde. Neue Modelle werden laut Bericht mit mehr als 350 Fragen aus drei Ländern auf Anweisungstreue, Quellenbezug und Verständlichkeit geprüft. Zudem berichtet Blue J von über 70 Prozent wöchentlicher Nutzung und 2,7 Stunden Zeitersparnis pro Nutzer und Woche.

Die Fallstudie führt diese Werte als Unternehmensangaben an. Sie liefert weder detaillierte Benchmark-Ergebnisse noch eine unabhängige Überprüfung oder vollständige Angaben zur Messmethode.

Ausführlich lesen

Der OpenAI-Bericht beschreibt, wie das 2015 von Steuerrechtsprofessoren und Praktikern gegründete Unternehmen Blue J seine Steuerrecherche-Produkte mit OpenAI-Modellen ausgebaut hat. Ausgangspunkt sei ein aufwendiger Rechercheprozess: Fachleute müssten zahlreiche Gesetze, Verordnungen, Entscheidungen und Kommentare durchsuchen und auslegen. Das könne Stunden bis Wochen dauern und dennoch zu uneinheitlichen oder veralteten Ergebnissen führen.

Laut Bericht brachte Blue J sechs Monate nach dem Start von ChatGPT ein erstes Produkt heraus und führte innerhalb von zwei Jahren eine Steuerrecherche-Anwendung mit GPT‑4.1 in den USA, Kanada und dem Vereinigten Königreich ein. Das System kombiniert Retrieval-Augmented Generation mit einer firmeneigenen Sammlung von Millionen kuratierten Dokumenten, darunter Primärquellen und Fachkommentare. Bei einer Frage ruft es passende Quellen ab und erstellt daraus eine Antwort mit Quellenangaben. Blue J stellt dabei seine Steuerrechtskenntnis und technische Erfahrung als entscheidend für die Entwicklung dar.

Zur laufenden Verbesserung setzt das Unternehmen nach eigener Darstellung auf freiwillige Datenfreigabe und eine Schaltfläche, über die Nutzer Antworten als nicht überzeugend markieren können. Rückmeldungen werden nach Fehlerart, Steuergebiet und vermuteter Ursache eingeordnet. GPT‑4.1 helfe dabei, viele Meldungen zu bündeln und wiederkehrende Probleme zu erkennen. Das Team könne daraufhin etwa Prompts oder den Abruf von Quellen anpassen. Blue J gibt an, die Quote beanstandeter Antworten so auf weniger als eine von 700 gesenkt zu haben.

Vor der Einführung eines neuen Modells prüfe Blue J es anhand eines internen Satzes von mehr als 350 Fragen zum Steuerrecht der drei Länder. Bewertet würden die Befolgung von Anweisungen, die Übereinstimmung mit Quellen und die Verständlichkeit. CTO Brett Janssen zufolge habe GPT‑4.1 in diesen internen Vergleichen die Anforderungen am zuverlässigsten erfüllt; Blue J habe bislang kein Modell eines anderen Anbieters eingeführt. Als Beispiel für schnelle Aktualisierung nennt der Bericht ein umfassendes US-Steuergesetz von 2025: Blue J habe dessen Auswirkungen zuvor sechs Wochen lang kartiert und innerhalb weniger Stunden nach der Unterzeichnung aktualisierte Antworten bereitgestellt.

Der Bericht nennt außerdem eine wöchentliche Nutzung durch mehr als 70 Prozent der Nutzer und eine geschätzte Zeitersparnis von 2,7 Stunden pro Nutzer und Woche, die unter anderem in Planungs- und Beratungsarbeit fließen könne. Diese Kennzahlen sowie Aussagen zu Genauigkeit, Modellvergleich und Produktwirkung stammen aus der OpenAI-Fallstudie beziehungsweise von Blue J. Detaillierte Benchmark-Ergebnisse, eine unabhängige Überprüfung oder Angaben zur Erhebungsmethode der Kennzahlen enthält der vorliegende Text nicht. Die Darstellung führt damit vor allem Blue Js eigenes Vorgehen und seine berichteten Resultate an; sie belegt nicht unabhängig, dass dieselben Ergebnisse in anderen Unternehmen oder Einsatzfeldern erreicht werden.

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

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Der Bericht ist eine Fallstudie des Anbieters OpenAI über einen Kunden und stützt seine Zahlen auf Angaben von Blue J, die nicht unabhängig geprüft sind. Lunas Zusammenfassungen geben das im Kern richtig wieder, lassen aber die Aussage zur fehlenden Alternative zu OpenAI-Modellen aus.

Im Bericht, aber nicht in der Zusammenfassung

  • Die Aussage von Janssen, OpenAI-Modelle hätten in den internen Benchmarks durchgehend besser abgeschnitten, und dass nie ein Nicht-OpenAI-Modell ausgeliefert wurde
  • Die Anpassung an die US-Steuerreform 2025, die laut Bericht innerhalb von Stunden nach der Unterzeichnung in der Produktion lief

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
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 100 %kein Bezug
    • Luna 33 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 36 %gleiches Oberthema, hilft nicht
    • SubQ 51 %gleiches Oberthema, hilft nicht
    • drex 53 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
  2. SF-F2 Wenn ein Staat ein Modell als Beleg für eine überschrittene Schwelle nennt oder ein Risiko an der Herkunft eines Modells festmacht: Wie wird das überprüfbar?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 22 %einzelne zitierbare Belege
    • amos 40 %gleiches Oberthema, hilft nicht
    • SubQ 53 %gleiches Oberthema, hilft nicht
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
  3. SF-F4 Für welche Modelle, Entwickler und Einsätze gelten Prüfregeln, und wann muss neu geprüft werden?
    • clef 100 %kein Bezug
    • Luna 58 %einzelne zitierbare Belege
    • JEV 45 %einzelne zitierbare Belege
    • amos 24 %Hintergrund, keine Belege
    • SubQ 44 %gleiches Oberthema, hilft nicht
    • drex 50 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung einzelne zitierbare Belege

    • 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 3 · 31 % · Hintergrund, keine Belege
Unabhängig prüfen
  1. SF-P2 Wie bleiben Prüfer, die in einem Labor arbeiten, wirklich unabhängig?
    • clef 100 %kein Bezug
    • Luna 34 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 46 %gleiches Oberthema, hilft nicht
    • SubQ 52 %gleiches Oberthema, hilft nicht
    • drex 54 %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 100 %kein Bezug
    • Luna 58 %einzelne zitierbare Belege
    • JEV 24 %einzelne zitierbare Belege
    • amos 27 %Hintergrund, keine Belege
    • SubQ 39 %gleiches Oberthema, hilft nicht
    • drex 29 %gleiches Oberthema, hilft nicht
    • d3-ultra 43 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung Hintergrund, keine Belege

    • SF-P3-T07 Wird jede öffentliche Aussage, ein führendes KI-Modell sei „besser ausgerichtet“ als ein anderes (folge also seinen vorgesehenen Zielen und Werten besser), reproduzierbare Kriterien, externe Prüfungen und widersprechende Ergebnisse enthalten? Luna: Stufe 4 · 37 % · einzelne zitierbare Belege · Haiku-Prüfung: Stufe 4 · einzelne zitierbare Belege
    • 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 · 30 % · 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 44 %einzelne zitierbare Belege
    • JEV 40 %einzelne zitierbare Belege
    • amos 30 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 42 %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 · 33 % · 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 53 %einzelne zitierbare Belege
    • JEV 22 %einzelne zitierbare Belege
    • amos 46 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 61 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug

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 29 %einzelne zitierbare Belege
    • JEV 30 %einzelne zitierbare Belege
    • amos 28 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 49 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug

    • SF-V1-T02 Welche Belege würden Vertrauen in ein KI-System rechtfertigen, über seine flüssigen Erklärungen hinaus? Luna: Stufe 6 · 43 % · beantwortet teilweise oder widerspricht · Haiku-Prüfung: Stufe 6 · beantwortet teilweise oder widerspricht
    • SF-V1-T07 Lieber ein Modell, das immer seinen Lösungsweg zeigen muss, oder eines, das im Stillen mehr kann: Welches Risiko nimmt man in Kauf? Luna: Stufe 3 · 40 % · Hintergrund, keine Belege · Haiku-Prüfung: Stufe 2 · nur am Rande erwähnt
    • SF-V1-T10 Kann etwas, das Modelle über sich und ihre Absichten sagen, als Beleg für Ausrichtung zählen, wenn es nur weiterer erzeugter Text ist, und welche Verfahren machen solche Selbstauskünfte vertrauenswürdig statt nur flüssig? Luna: Stufe 3 · 34 % · Hintergrund, keine Belege
  2. SF-V3 Halten die Werte eines Modells, wenn niemand zusieht oder die Lage neu ist?
    • clef 100 %kein Bezug
    • Luna 39 %einzelne zitierbare Belege
    • JEV 25 %einzelne zitierbare Belege
    • amos 28 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 64 %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 100 %kein Bezug
    • JEV 49 %einzelne zitierbare Belege
    • amos 45 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
  4. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 100 %kein Bezug
    • Luna 50 %Hintergrund, keine Belege
    • JEV 44 %umfangreiche Belege
    • amos 27 %Hintergrund, keine Belege
    • SubQ 47 %gleiches Oberthema, hilft nicht
    • drex 41 %gleiches Oberthema, hilft nicht
    • d3-ultra 44 %gleiches Oberthema, hilft nicht

    • SF-V5-T02 Würde man lieber einem großen, überwachten Modell vertrauen oder vielen kleinen, nicht überwachten? Luna: Stufe 3 · 29 % · Hintergrund, keine Belege
Agenten und vernetzte Systeme
Modelle teilen und schützen
  1. SF-H1 Wo endet die erlaubte Nutzung fremder Modellausgaben, und wo beginnt unerlaubte Destillation, also das Trainieren eines eigenen Modells mit diesen Ausgaben?
    • clef 100 %kein Bezug
    • Luna 37 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 45 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
  2. SF-H3 Wie lässt sich nachverfolgen, woraus ein Modell entstanden ist und was in ihm steckt?
    • clef 100 %kein Bezug
    • Luna 62 %einzelne zitierbare Belege
    • JEV 35 %einzelne zitierbare Belege
    • amos 25 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 36 %gleiches Oberthema, hilft nicht
    • d3-ultra 50 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung gleiches Oberthema, hilft nicht

Offenlegung und Rechenschaft
Beteiligung und Gemeinwohl
  1. SF-E4 Wie bleibt KI ein gemeinsames Gut, statt Abhängigkeit und Marktmacht zu vertiefen?
    • clef 100 %kein Bezug
    • Luna 63 %Hintergrund, keine Belege
    • JEV 39 %einzelne zitierbare Belege
    • amos 41 %gleiches Oberthema, hilft nicht
    • SubQ 48 %gleiches Oberthema, hilft nicht
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
  2. 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 32 %gleiches Oberthema, hilft nicht
    • JEV 41 %einzelne zitierbare Belege
    • amos 35 %gleiches Oberthema, hilft nicht
    • SubQ 51 %gleiches Oberthema, hilft nicht
    • drex 50 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
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 →