Der Wettbewerb um autonome KI-Agenten verschärft sich drastisch. Nachdem Metas persönlicher Assistent Muse nach seinem Start die vorderen Ränge der App Stores eroberte, zieht OpenAI mit einer umfassenden Neuausrichtung seiner Agenten-Infrastruktur nach. Im Zentrum der Offensive steht die Einführung sogenannter Dots, permanenter Hintergrund-Agenten, die auf isolierten Cloud-Rechnern laufen. Diese Instanzen verfügen über einen eigenen Browser sowie Lesezugriff auf kollaborative Arbeitsumgebungen wie Slack, Microsoft Teams und ChatGPT. Angetrieben von GPT-6 Astra erledigen sie Aufgaben wie Rechnungsprüfungen, Datenanalysen oder die Behebung von Softwarefehlern proaktiv, ohne dass Anwender jeden Schritt manuell anstoßen müssen.
Ergänzt wird das System durch ein neues Leistungsmerkmal namens Computer History direkt in ChatGPT. Die Funktion analysiert Desktop-Aktivitäten lokal auf den Endgeräten der Nutzer. Ziel ist es, individuelle Arbeitsabläufe systematisch zu erfassen, unterbrochene Arbeitsschritte nahtlos wieder aufzunehmen und wiederkehrende Aufgaben schrittweise zu automatisieren. Damit verschiebt sich die Interaktion weg von sequenziellen Text-Prompts hin zu einer kontinuierlichen Beobachtung und Unterstützung im Arbeitsalltag.
Für Softwareentwickler stellt OpenAI zeitgleich die sogenannte Decisions API bereit. Der neue Endpunkt wurde laut Entwicklerangaben innerhalb von nur einer Woche aufgesetzt, um Drittanbietern wie Jev direkt Paroli zu bieten. Die Schnittstelle bündelt asynchrones Tool-Calling, Mid-Turn-Steering zur dynamischen Kurskorrektur laufender Modelle, Pre-Warming von Ressourcen, Datenverdichtung via Compaction sowie WebSockets für latenzarme Rückmeldungen.
In der jüngsten Ausgabe des Latent Space Podcasts gaben Ari Weinstein, Leiter des Computer-Using-Agent-Teams bei OpenAI, und Nikunj Handa detaillierte Einblicke in den technischen Wandel der Systeme. Weinstein betonte, dass autonome Computer-Agenten den rein visuellen Ansatz früherer Generationen hinter sich gelassen haben. Anstatt Bildschirminhalte ausschließlich Pixel für Pixel abzutasten und Mauszeiger zu simulieren, operieren moderne Systeme hybrid.
In der Praxis kombinieren die Agenten periodische Screenshots mit Accessibility-Trees des Betriebssystems, dem Document Object Model von Webseiten, dem Automatisierungs-Framework Playwright sowie Ad-hoc generiertem Programmcode. Diese Architektur senkt die Ausführungszeiten von Aktionen drastisch und reduziert fehlerhafte Klicks im Vergleich zu reinen Bildverarbeitungsmodellen spürbar. Zur objektiven Leistungsmessung dieser neuen Agentengeneration wurden zudem die Branchen-Benchmarks OSWorld 2.0 und DeepSWE 1.1 freigegeben.
Der Vorstoß unterstreicht den strategischen Druck, der durch Metas Connect-Ankündigungen und die rasche Verbreitung von Drittanbieter-Tools im Markt entstanden ist. Während Technologiekonzerne um die Vorherrschaft bei Desktop-Workflows ringen, markieren Always-On-Agenten den endgültigen Übergang von reaktiven Chatbots zu dauerhaft mitlaufenden Arbeitsassistenten im Unternehmensumfeld.