Drei Jahre lang war die Frage bei jedem neuen Modell dieselbe. Was weiß es jetzt?
Astra stellt eine andere. Nicht was es weiß. Was es anfasst.
Das klingt nach einer Formulierungsfrage. Es ist ein Kategoriewechsel. Ein Modell, das Dinge weiß, ist ein ausgezeichnetes Nachschlagewerk, und über die Intelligenz eines Nachschlagewerks lässt sich sehr lange streiten. Ein Modell, das dein CAD-Programm öffnet, die Teile verschiebt, die Datei speichert und dann zur nächsten Sache übergeht, ist überhaupt kein Nachschlagewerk mehr. Die meisten Argumente, die wir bisher über künstliche allgemeine Intelligenz ausgetauscht haben, waren für das Nachschlagewerk geschrieben.
OpenAI hat GPT-6 Astra am 3. September 2026 veröffentlicht. In einer geschlossenen Presserunde vor dem Start beendete Firmenpräsident Greg Brockman die Sitzung mit vier Worten. "Welcome to the AGI era." Mitten in derselben Runde war er deutlich vorsichtiger. Auf die Frage, ob OpenAI AGI förmlich erkläre, sagte er, der Begriff sei nicht mehr an einen vertraglichen Auslöser gebunden, er sei inzwischen ein "mission concept or spiritual concept", und AGI selbst sei "a much more gray, fuzzy thing". Dann, persönlich: "For me personally, I do think we're there."
Ich halte es für möglich, dass er recht hat. Und ich glaube, das meiste, was seither geschrieben wurde, schaut auf den falschen Beweis. Der Jubel wie das Augenrollen.
Der Sprung sind die Hände, nicht der IQ#
Sieh dir an, was OpenAI zur Vorführung ausgesucht hat. Astra legt eine Leiterplatte in KiCad aus. Baut eine 3D-Stadtszene in Unity. Animiert ein Autogetriebe über FreeCAD und Blender hinweg. Entwirft eine Steuererklärung aus einem W-2-Formular. Im Startvideo formatiert es einen Rechtsvertrag und baut ein 3D-Spiel, während es nebenher Essen sucht und einen Tennisplatz bucht.
Nichts davon ist eine Wissensvorführung. Alles davon ist eine Bedienungsvorführung. Astra ist darauf gebaut, in der Software zu arbeiten, statt einem Menschen zu sagen, wohin er als Nächstes klicken soll.
Die Zahl darunter wiegt schwerer als die Schlagzeilen-Zahlen. Auf OSWorld 2.0, dem Maßstab für das Bedienen eines echten Rechners, meldet OpenAI 72,6 Prozent bei rund 40 Minuten pro Aufgabe, gegen 65,7 Prozent bei rund 75 Minuten für den Vorgänger. Treffsicherer und schneller, gleichzeitig.
Diese Kombination ist die eigentliche Geschichte. Ein Modell, das genauer aber langsamer ist, beaufsichtigst du. Ein Modell, das genauer und schneller ist, gibst du etwas und gehst weg. Das sind zwei verschiedene Produkte. Und zwei verschiedene Risiken.
Brockman hat eine Flagge gesetzt. OpenAI nicht.#
Diese Unterscheidung wird als eine Sache berichtet, und sie sind zwei.
Der AGI-Satz gehört Brockman, gesprochen vor Journalisten in einem Raum. Die schriftlichen Start-Materialien von OpenAI enthalten überhaupt keine förmliche AGI-Behauptung. Die Firmenseite nennt Astra führend bei Rechnerbedienung, Recherche im Netz, Softwareentwicklung, Cybersicherheit, Wissenschaft und beruflicher Arbeit. Sie schreibt nicht hin, was ihr Präsident laut gesagt hat.
Diese Lücke ist kein Versehen, und sie ist auch kein Skandal. So sieht eine Firma aus, die etwas glaubt, das sie auf dem Papier noch nicht verteidigen kann.
Jeder in diesem Streit misst etwas anderes#
Der Grund, warum sich das nicht klären lässt: Es liegen mindestens drei Maßstäbe im Raum, und sie widersprechen sich grundsätzlich, nicht bloß im Detail.
OpenAIs eigene Charta definiert AGI als hochgradig autonome Systeme, die Menschen bei den meisten wirtschaftlich wertvollen Arbeiten übertreffen. Das ist ein wirtschaftlicher Test. Er fragt nach der Breite der abgedeckten Arbeit, nicht nach Brillanz.
François Chollet, der die ARC-Tests gebaut hat, definiert Intelligenz als die Effizienz, mit der ein System aus wenig Erfahrung neue Fähigkeiten erwirbt. Das ist ein Lerntest, und ein System kann darin gut abschneiden und in deinem Beruf trotzdem nutzlos sein.
Das Stufenmodell von DeepMind verweigert die Ja-Nein-Frage vollständig. Es legt Leistung auf eine Achse und Allgemeinheit und Autonomie auf andere, sodass ein System gleichzeitig auf Expertenniveau und eng sein kann.
Brockman ist nicht ausgewichen, als er AGI ein graues, verschwommenes Ding nannte. Er hat den tatsächlichen Zustand des Feldes beschrieben. Das Problem ist nur, dass grau und verschwommen ein schlechtes Fundament für eine Schlagzeile abgibt.
Die Zahl, die beim Start gefehlt hat#
Der stärkste einzelne Einwand kommt nicht von einem Kritiker. Er kommt aus OpenAIs eigenem Werkzeugkasten.
OpenAI hat einen Test namens GDPval gebaut, eigens um Leistung bei wirtschaftlich wertvoller Arbeit in der echten Welt zu messen. Also genau bei der Kategorie, mit der die eigene Charta AGI definiert. GDPval kam in den Start-Materialien zu Astra nicht vor. Die unabhängige Gruppe Artificial Analysis berichtet, dass Astra in einigen GDPval-Aufgabenkategorien gegenüber dem Vorgänger zurückgefallen ist.
Der Test, der OpenAIs eigener AGI-Definition am nächsten kommt, fehlte also an dem Tag, an dem OpenAIs Präsident die Ankunft verkündete. Das beweist für sich genommen nichts. Es ist eine auffällige Abwesenheit, und es wäre das Erste, was ich beantwortet haben wollte.
Dasselbe Modell, zwei Zeugnisse#
Die Schlagzeilen-Zahl in fast allen Berichten waren 99,9 Prozent auf ARC-AGI-3, einem Test, der eigens gegen Auswendiglernen gebaut wurde. ARC Prize, die Organisation, die den Test gebaut hat, hat das Modell selbst laufen lassen und 62,71 Prozent im anbieterneutralen Standard-Aufbau veröffentlicht. Der Beinahe-Bestwert steht in derselben Tabelle, nur in einer anderen Spalte, der für den Anbieter-Adapter. Chollets eigener Bericht landet in derselben Gegend: rund 66 Prozent im Standard-Aufbau, nahe an der Bestmarke mit fortlaufendem Gesprächs-Aufbau und eigener Verdichtung.
Das ist kein Betrug, und das gehört klar gesagt. Ein solcher Aufbau ist das Gerüst um ein Modell herum. Wie es sich Notizen macht, wie viel es zwischen den Schritten mitnimmt, wie viele Versuche es bekommt. Jeder echte Einsatz hat so ein Gerüst, deiner auch.
Der Punkt ist schärfer und enger als Betrug. Ein Wert, der sich je nach Gerüst um mehr als dreißig Punkte verschiebt, misst nicht das Modell für sich. Er misst ein System. Wenn dir dieses Jahr jemand einen Benchmark hinhält, ist die erste Frage, welches Gerüst, und die zweite, wer es gebaut hat.
Das Beunruhigende ist nicht die AGI-Behauptung#
Astra ist das erste Modell, das OpenAI unter seinem Vorsorge-Rahmen als kritisch in der Cybersicherheit einstuft. Das heißt, es kann bisher unbekannte Schwachstellen in gut geschützten Systemen finden und ausnutzen, ohne dass ihm jemand die Schritte vorgibt. In der Erprobung fand es zwei bislang unbekannte Lücken, die OpenAI anschließend an die Betreuer gemeldet hat. Die Firma hat den Start verzögert, um weitere Sicherheitstests zu fahren, und hält die stärksten Cyber-Fähigkeiten vorerst in einem kleinen Zugangsprogramm.
Daneben steht eine leisere Veränderung. Laut The Information nutzt Astra ein Verfahren namens recurrent depth, bei dem derselbe Text mehrfach durch dieselben Schichten läuft, bevor das nächste Wort entsteht. Das bringt Leistung und senkt Kosten. Es heißt aber auch, dass ein Teil des Denkens nicht mehr in Text stattfindet, den ein Mensch lesen kann.
OpenAIs Chefwissenschaftler Jakub Pachocki hat auf X eingeräumt, die Überwachung der Gedankenkette sei "fragile" und "unfortunately trending in a negative direction". Sein Gegenargument ist eine Zahl: Die Rechentiefe der heutigen Spitzenmodelle, Astra eingeschlossen, liege innerhalb des Faktors zwei von GPT-4, das Modell müsse sein Denken also weiterhin größtenteils aufschreiben. Das britische AI Security Institute hat im Mai gewarnt, undurchsichtiges Schlussfolgern drohe die heutigen Aufsichtsmethoden schwer zu untergraben.
Lies diese Absätze zusammen. Das nach OpenAIs eigener Einstufung fähigste Modell im Finden von Softwarelücken ist zugleich, um eine kleine aber echte Spanne, das bisher am schwersten zu beobachtende beim Denken. Ob diese Spanne klein bleibt, ist eine Entscheidung, die jemand trifft, kein Naturgesetz.
Was ich selbst denke#
Toby Walsh von der UNSW Sydney hat den stehenden Einwand gut gefasst. Die Intelligenz in künstlicher Intelligenz sei bis heute sehr zerklüftet, sagt er, und es gebe einfache Dinge, die selbst die besten Modelle schlecht machen. Das stimmt für Astra. Es wird für das nächste stimmen.
Nur war Zerklüftung nie der Test, denn bei Menschen legen wir ihn auch nicht an. Genug brillante Kollegen können nicht rückwärts einparken.
Mein eigenes Urteil: Das könnte ein erster Schritt sein, und der Grund hat mit der Benchmark-Tabelle nichts zu tun. Jeder frühere Sprung war ein Sprung darin, was ein Modell sagen konnte. Dieser ist ein Sprung darin, was es tun kann, ohne dass ihm jemand den nächsten Zug nennt, in echter Software, so lange wie das Fertigwerden dauert. Das ist ein Unterschied der Art, nicht des Grades. Wenn AGI je als Ereignis ankommt statt als Jahrzehnt, dann besteht sie aus solchen Unterschieden.
Das Wort könnte trägt in diesem Satz echtes Gewicht. Astra sättigt Tests, die gegen Sättigung gebaut wurden, und fällt bei dem zurück, der bezahlte Arbeit misst. Es bedient einen Rechner vierzig Minuten lang, und niemand hat veröffentlicht, was nach acht Stunden passiert. Es ist nach den eigenen Prüfungen das am besten ausgerichtete Modell, das OpenAI je ausgeliefert hat, und sein Denken ist eine Spur schwerer zu lesen als beim letzten. Das ist alles gleichzeitig wahr, und wer dir ein sauberes Urteil verkauft, verkauft.
Wie man das ehrlich aushält#
Wir haben hier im Juli geschrieben, dass niemand weiß, wann AGI kommt, und man deshalb für die Verschiebung darunter bauen sollte. Das denke ich weiterhin. Astra ändert den Rat nicht. Es gibt dem Rat ein Datum, über das man streiten kann.
Was sich ändert, ist der Maßstab, der deine Aufmerksamkeit verdient. Nicht "ist das AGI", denn das kann niemand beantworten, solange sich niemand einig ist, was zählen würde. Beobachte stattdessen zwei Dinge, weil beide gemessen und nicht vorhergesagt werden. Wie lang eine Aufgabe sein darf, die ein Modell allein zu Ende bringt. Und wie oft es ans Ende kommt, ohne dass ein Mensch es einfängt. Zuverlässigkeit über lange Strecken ist die Stelle, an der die Agenten-Projekte, an denen ich gearbeitet habe, tatsächlich brechen, und noch keine Presserunde hat das behoben.
Brockmans eigene Formulierung war das Fairste, was an dem Tag jemand angeboten hat. Wenn wir in ein paar Jahren zurückschauen und fragen, wann AGI entstanden ist, sagte er, dann könnte es ungefähr dieser Zeitpunkt sein und ungefähr dieses Modell. Das ist eine Behauptung, die sich erst später prüfen lässt.
Und das ist die Sache mit ersten Schritten. Man spürt sie nie als Schritte. Man erlebt sie als einen gewöhnlichen Dienstag, an dem das Werkzeug, das man benutzt, plötzlich den Teil macht, den man vorher selbst gemacht hat.
