Databricks überträgt GPT-5.5 die Leitung von Enterprise-Dokumentenagenten

Was OfficeQA Pro tatsächlich misst

Databricks hat OfficeQA Pro entwickelt, um die wenig glamourösen Seiten der Unternehmensarbeit zu testen: Parsing, Retrieval und fundiertes Schlussfolgern über gescannte PDFs, Altdateien und Dokumente mit langem Kontext hinweg. Genau das sind laut Databricks die Aufgaben, die "Produktions-Agentensysteme häufig zum Scheitern bringen".

Diese Einordnung ist entscheidend. Der Benchmark fragt nicht, ob ein Modell abstrakt gut schlussfolgern kann – er fragt, ob ein Modell die richtige Ziffer von einer gescannten Seite extrahieren und korrekt durch einen mehrstufigen Workflow tragen kann. Bei diesem Test war GPT-5.5 das erste Modell, das die 50-%-Genauigkeitsmarke überschritt, und senkte die Fehlerquote im Vergleich zu GPT-5.4 um 46 %.

Ein Benchmark, der sich auf gescannte und alte Dokumente konzentriert, verrät viel darüber, wo die Kunden von Databricks tatsächlich arbeiten: in Archiven unvollkommener Dateien, nicht mit saubaren strukturierten Daten.

Warum eine einzige falsch gelesene Ziffer sich fortpflanzt

Das konkreteste Detail der Ankündigung betrifft die Fehlerfortpflanzung. Research Engineer Arnav Singhvi beschreibt, wie sich kleine Extraktionsfehler über den gesamten Verlauf eines Agenten hinweg summieren.

Sobald man eine bestimmte Ziffer oder Zahl nicht extrahieren kann, verändert das den gesamten weiteren Verlauf dessen, womit der Agent arbeitet.Montana Labs

Das ist der Kerngedanke hinter der 46-prozentigen Fehlerreduktion. Bei einem Chatbot führt eine fehlerhafte Analyse zu einer falschen Antwort. Bei einem Agenten fließt diese fehlerhafte Analyse in jeden folgenden Schritt ein, sodass die Parsing-Genauigkeit die Gesamtzuverlässigkeit des Workflows multipliziert. Databricks berichtet, dass die größten Fortschritte von GPT-5.5 gerade in diesen parsing-intensiven Workflows erzielt wurden – Singhvi spricht von einem "sprunghaften Fortschritt beim Parsen älterer Dokumente und gescannter PDFs".

Weniger Suchumwege, weniger Aufsicht

Über das Parsen hinaus verweist Databricks auf das Orchestrierungsverhalten. Singhvi sagt, GPT-5.4 habe manchmal "unnötige Suchumwege" genommen, die zu ineffizienten Abläufen führten, und GPT-5.5 sei zuverlässiger darin, relevanten Kontext abzurufen und komplexe Aufgaben ohne zusätzliche Aufsicht abzuschließen.

Das liest sich ebenso als Effizienz- und Kostenargument wie als Genauigkeitsargument. Verschwendete Retrieval-Schritte kosten Tokens und Latenz, und jeder Schritt, der menschliche Aufsicht benötigt, schwächt das Argument für Automatisierung. Databricks beschreibt hier ein Modell, das bei der Aufgabe bleibt.

Das Modell wird als Aufseher eingesetzt, nicht als Ausführender

Der Bereitstellungsweg ist der konkreteste Teil dieser Ankündigung. GPT-5.5 ist über das AI Unity Gateway von Databricks verfügbar und läuft innerhalb von Workflows, die mit AgentBricks und der Agent Supervisor API erstellt wurden. In diesen Systemen, so Databricks, "orchestriert GPT-5.5 Parsing, Retrieval und Ausführung über spezialisierte Agenten hinweg".

GPT-5.5 beantwortet also nicht nur Dokumentenfragen – es wird auf der Koordinationsebene über anderen Agenten platziert. Das deutet darauf hin, dass Databricks darauf setzt, dass genau die gemessenen Zuverlässigkeitsgewinne beim Parsen und der Orchestrierung die Eigenschaften sind, die ein Modell braucht, um andere Komponenten sicher zu steuern, statt nur eine einzelne Aufgabe auszuführen.

Dass GPT-5.5 diese Workflows überwacht, ist wirklich spannend.Montana Labs

Für Teams, die Enterprise-Agenten auf Basis alter Dokumentenbestände entwickeln, ist die praktische Erkenntnis aus diesem konkreten Rollout schmal, aber nützlich: Messen Sie Ihr Modell genau dort, wo sich Extraktionsfehler fortpflanzen, und behandeln Sie die Aufseherrolle als eigenständige Zuverlässigkeitsanforderung, getrennt von der Aufgabenausführung.