OpenAI startet einen Bewerbungsprozess für einen Forschungsaustausch zur KI-Ökonomie

Eine Plattform, kein Fördertopf

OpenAI beschreibt den Economic Research Exchange als „Plattform zur Förderung wirkungsstarker externer Forschung zu den wirtschaftlichen Effekten von KI". Diese Unterscheidung ist wichtig. Es handelt sich nicht um einen Scheck an eine Universitätsabteilung, sondern um eine strukturierte Zusammenarbeit, bei der ausgewählte Forscher im Rahmen „projektbasierter Kooperationen mit OpenAI Economic Research" arbeiten.

Die Formulierung ist bewusst gewählt. OpenAI möchte „glaubwürdige, unabhängige Erkenntnisse darüber, wie KI Arbeitnehmer, Unternehmen, Institutionen und die Wirtschaft insgesamt beeinflusst". Unabhängigkeit wird zwar behauptet, doch die Forschung läuft über OpenAIs eigene Infrastruktur: dessen Tools, dessen Datensätze und dessen Prüfverfahren.

KI verändert, wie Menschen arbeiten, wie Unternehmen funktionieren und wie Ideen entstehen und verbreitet werden. Um diese Veränderungen zu verstehen, braucht es mehr als Anekdoten.Montana Labs

Der eigentliche Wert liegt im Datenzugang

Das eigentlich interessante technische Detail ist, was den Forschern angeboten wird. Die Bewerbungen müssen „erläutern, wie eine sorgfältig kontrollierte, datenschutzkonforme Nutzung von OpenAI-Tools helfen kann, diese Fragen zu beantworten". Das Wertversprechen liegt im Zugang zu Daten, die „über klassische Datensätze hinausgehen" würden — Nutzungssignale eines Frontier-Modells, die kein externes Team sonst zusammenstellen könnte.

Dieser Zugang ist an Bedingungen geknüpft: „festgelegte Meilensteine, Data Governance und Prüfverfahren" sowie „klare Schutzmaßnahmen für die Privatsphäre der Nutzer und einen verantwortungsvollen Umgang mit Daten". In der Praxis läuft die Schnittstelle zwischen Forscher und Daten also über OpenAI selbst. OpenAI ist das Frontend zu seiner eigenen Nutzungstelemetrie und entscheidet, wie diese Daten zugänglich gemacht werden.

Der Exchange „baut auf" OpenAI Signals auf, dem bestehenden Messprogramm des Unternehmens. Das externe Programm setzt also auf einer internen Instrumentierung auf, die OpenAI bereits betreibt — die externen Forscher erweitern eine bestehende Pipeline, statt eine eigene aufzubauen.

Ein kurzes Bewerbungsfenster

Der Zeitplan ist ambitioniert. Bewerbungen sind bereits jetzt möglich und schließen am 5. Juli 2026, ausgewählte Forscher werden bis zum 31. Juli 2026 benachrichtigt. Das ist ein knapper Vorlauf für die empirischen Vorschläge, die sich OpenAI wünscht — Arbeiten aus den Bereichen „angewandte Kausalinferenz, Messmethoden, Arbeitsökonomik, Produktivität, Unternehmen, Bildung, Unternehmertum, öffentliche Finanzen, Regionalökonomie, Entwicklung, Ungleichheit oder verwandte Felder".

Die Bewertungskriterien sind klar formuliert: „methodische Stringenz, Umsetzbarkeit, Übereinstimmung mit den Prioritäten des Exchange, klare Meilensteine und das Potenzial, glaubwürdige externe Erkenntnisse zu liefern". „Übereinstimmung mit den Prioritäten des Exchange" ist der entscheidende Punkt — Umsetzbarkeit und methodische Stringenz sind Standardkriterien, doch die Prioritätsausrichtung bedeutet, dass OpenAI die Fragestellungen steuert und nicht einfach die besten Bewerber fördert, unabhängig vom Thema.

Die Implikation: OpenAI prägt die Evidenzbasis zu seinem eigenen wirtschaftlichen Einfluss

Der Exchange positioniert OpenAI zugleich als Forschungsgegenstand und als Torwächter der Daten, mit denen dieser Gegenstand untersucht wird. Das ist eine reale Spannung. Das erklärte Ziel — die „Erweiterung der Evidenzbasis für Forscher, politische Entscheidungsträger, Unternehmen und die Öffentlichkeit" — ist nur so glaubwürdig, wie Governance, Prüfverfahren und Datenschutzkontrollen nicht auch bestimmen, welche Ergebnisse überhaupt zustande kommen können.

Für Teams, die auf den Modellen von OpenAI aufbauen, ist die praktische Erkenntnis enger und konkreter: Die maßgeblichsten frühen Daten zu den Auswirkungen von KI auf Arbeit und Produktivität werden aus einem Portfolio stammen, das OpenAI selbst ausgewählt, eingegrenzt und instrumentiert hat. Diese Erkenntnisse sind wertvoll, aber strukturell geprägt — die Methodik und die Bedingungen des Datenzugangs sollten ebenso sorgfältig gelesen werden wie die Ergebnisse selbst.