OpenAI: 80 bis 90 Prozent der Forschung zielen auf GPT-7 und darüber hinaus

OpenAI steckt den Großteil seiner Forschung in Modelle, die es noch nicht gibt

OpenAI widmet die überwältigende Mehrheit seiner Forschungskapazität Modellen, die noch nicht gebaut wurden. Boris Power, der Head of Applied Research des Unternehmens, beziffert den Anteil auf 80 bis 90 Prozent aller Forschungsanstrengungen, die in GPT-7, GPT-8 und die Generationen darüber hinaus fließen. Die Begründung ist einfach: Dort glaubt das Unternehmen, werde letztlich „der größte Teil des Werts“ geschaffen.

Die Offenlegung, die während einer Sitzung im Fellows Forum erfolgte, ordnet neu ein, wie Außenstehende den stetigen Strom von Modellveröffentlichungen im mittleren Zyklus lesen sollten. Diese Updates sind echte Produkte, die Kunden täglich nutzen, aber sie sind nicht der Ort, auf den sich die Forschungsaufmerksamkeit des Unternehmens konzentriert.

Powers Darstellung deutet auf eine Organisation hin, die jede nummerierte Generation als Plattformwechsel statt als Produktiteration behandelt – einen Sprung, der Annahmen darüber zurücksetzt, was die Technologie leisten kann und woher die Erträge kommen werden.

Das Ausmaß dieses Engagements ist selbst nach den Maßstäben von Frontier-KI-Laboren ungewöhnlich. Die klare Mehrheit der Forschungsressourcen auf Systeme zu verteilen, die noch mehrere Generationen vom Auslieferungsstand entfernt sind, impliziert die Überzeugung, dass die größten wirtschaftlichen und Fähigkeitsgewinne nicht durch Verfeinerung des bereits Existierenden erzielt werden können.

Inkrementelle Updates sind eine bewusste kurzfristige Wette

Zwischen den großen Generationen liefert OpenAI kleinere Verbesserungen aus. Power verwies auf den Sprung von GPT-5.1 auf GPT-5.2 als repräsentatives Beispiel. Arbeit dieser Art stützt sich stark auf spezialisierte Trainingsdaten – gezielte Datensätze, die das Verhalten eines Modells in bestimmten Bereichen schärfen, ohne den zugrunde liegenden Ansatz zu verändern.

Intern, so Power, würden diese inkrementellen Veröffentlichungen als „extrem kurzsichtig“ betrachtet. Das ist weniger eine Kritik als ein Eingeständnis der Strategie: Das Unternehmen weiß, dass sie nicht das langfristige Spiel sind, und liefert sie trotzdem aus.

Die Rechtfertigung ist Geschwindigkeit. Häufige Updates ermöglichen es OpenAI, in der Gegenwart schneller zu iterieren, Signale zu sammeln und zu lernen, auch wenn der Ansatz das Unternehmen langfristig nicht dorthin bringt, wo es hinwill. Mit anderen Worten: Die kurzfristigen Wetten helfen, das Lernen zu finanzieren, das die langfristigen Wetten informiert.

• Der Großteil der Forschungskapazität: auf GPT-7, GPT-8 und darüber hinaus ausgerichtet.
• Updates im mittleren Zyklus: angetrieben durch spezialisierte Trainingsdaten.
• Interne Sicht: Diese Updates sind nützlich, aber strategisch eng begrenzt.
• Langfristiger Nutzen: wird mit neuen Modellgenerationen erwartet.

Der eigentliche Sprung kommt mit einer neuen Generation

Power beschrieb den Generationssprung als den Moment, in dem „alles andere einfach viel besser funktioniert“. Fähigkeiten, die in einer Generation brüchig oder unvollständig waren, fügen sich in der nächsten zusammen und erzeugen Gewinne, die durch kein noch so gutes Fine-Tuning des vorherigen Modells repliziert werden können.

Die Unterscheidung liegt zwischen dem Schärfen eines Modells für enge Aufgaben und dem Anheben der Obergrenze für alles gleichzeitig. Spezialisierte Trainingsdaten können verbessern, wie ein Modell mit bestimmten Kategorien von Anfragen umgeht; eine neue Generation kann verbessern, wie es über alle Bereiche hinweg argumentiert, Anweisungen befolgt und mit Mehrdeutigkeit umgeht.

Diese Dynamik bringt ungewöhnliche operative Kosten mit sich. Nach jedem Schritt nach oben muss OpenAI neu lernen, wo für schnelle Erfolge investiert werden sollte. Techniken, die einst bedeutende Gewinne brachten, können redundant werden, wenn sich das Basismodell von selbst verbessert – ein bewegliches Ziel, das das Unternehmen zwingt, sein Playbook mit jeder Generation neu aufzubauen.

Onboarding, nicht Modellqualität, ist der Engpass

Der vielleicht folgenreichste Teil von Powers Darstellung betrifft das, was er als das primäre Hindernis für KI-Assistenten heute ansieht. Es ist nicht die Qualität der Modelle. Es ist das Onboarding.

Die meisten ChatGPT-Nutzer, so sagte er, wüssten nicht, was sie mit KI tatsächlich tun können. Die Lücke ist keine der Fähigkeit, sondern der Entdeckung: Die Modelle können bereits eine breite Palette von Aufgaben bewältigen, die viele Nutzer nie zu versuchen denken. Diese Lücke zu schließen, ist ebenso ein Design- und Produktproblem wie ein Forschungsproblem.

Das ist eine bemerkenswerte Aussage von jemandem, dessen Aufgabe nahe an der Forschungsfront liegt. Sie legt nahe, dass der begrenzende Faktor für realen Wert weniger damit zu tun hat, wie klug das nächste Modell ist, sondern eher damit, ob Menschen herausfinden können, was sie es tun lassen sollen. Ein leistungsfähigeres System, das Nutzer nur unzureichend ausschöpfen, liefert weniger als sein Potenzial.

Powers Rezept für zukünftige Modelle lautet, dass sie besser darin werden sollten, sichtbar zu machen, was möglich ist, und zu antizipieren, was ein Nutzer braucht, bevor er danach fragt. Das deutet auf Assistenten hin, die Aktionen vorschlagen, Workflows empfehlen und die Last verringern, herauszufinden, wo man anfangen soll.

Wie jede Generation die Nutzererfahrung verändert

Power skizzierte die Entwicklung der Benutzerfreundlichkeit über die jüngsten OpenAI-Modelle in konkreten Begriffen:

• GPT-4 verlangte sorgfältiges Prompting – Nutzer mussten das Handwerk des Fragens lernen.
• GPT-5 wurde einfacher zu handhaben, erforderte aber noch viel Feedback, um auf Kurs zu bleiben.
• GPT-6 verhält sich eher wie ein fähiger Kollege: Man kann ihm ein Ziel übergeben und es arbeiten lassen.

Die von ihm beschriebene Entwicklung ist ein Wandel vom Anweisen eines Werkzeugs zum Delegieren an einen Mitarbeiter. Jeder Schritt reduziert die Menge an Nutzerexpertise, die erforderlich ist, was wiederum erweitern sollte, wer Wert aus dem System ziehen kann.

Was das über die Roadmap-Logik von OpenAI sagt

Zusammengenommen skizzieren Powers Kommentare eine Zwei-Schienen-Strategie. Eine Schiene hält das aktuelle Produkt durch häufige, datengetriebene Updates wettbewerbsfähig. Die andere Schiene – in die der größte Teil des Forschungsbudgets fließt – zielt auf generationsübergreifende Resets, die die Optimierungen der vorherigen Schiene obsolet machen.

Diese Aufteilung erklärt auch, warum das Unternehmen jede neue Generation als das entscheidende Ereignis behandelt. Wenn die größten Gewinne aus dem Reset statt aus der Verfeinerung kommen, dann sollten Forschungsprioritäten dem Reset folgen, selbst wenn die Zwischenveröffentlichungen das sind, was Kunden heute tatsächlich nutzen.

Die ungelöste Frage ist die, die Power selbst aufwarf: ob der bereits in heutige Modelle eingebaute Wert die Menschen erreichen kann, die sie noch nicht gut nutzen. Nach seiner eigenen Darstellung ist das weniger eine Frage davon, die Modelle klüger zu machen, sondern eher davon, sie für alle anderen lesbar zu machen.

Vorerst scheint das Unternehmen mit dem Kompromiss zufrieden zu sein. Es wird weiterhin die kleinen Updates ausliefern, während es den Großteil seiner Forschung auf die Generationen setzt, die noch nicht angekommen sind.

Dieser Artikel basiert auf einer Berichterstattung von The Decoder. Lesen Sie den Originalartikel.