OpenAIs ChatGPT-Agent arbeitet über einen gerenderten Browser, nicht über eine API

Was OpenAI tatsächlich veröffentlicht hat

Laut der System Card ist ChatGPT Agent ein neues agentisches Modell aus derselben Familie wie OpenAI o3. Es vereint drei Fähigkeiten, die zuvor in getrennten Produkten steckten: die Fähigkeit von Deep Research, mehrstufige Recherchen durchzuführen und Berichte zu erstellen, die Fähigkeit von Operator, Aufgaben in einer visuellen Remote-Browser-Umgebung auszuführen, sowie ein Terminal-Tool mit eingeschränktem Netzwerkzugriff zum Ausführen von Code, zur Datenanalyse und zum Erstellen von Präsentationen oder Tabellen.

Zudem reicht er über den Browser hinaus, indem er über native Connectors auf externe Datenquellen wie Google Drive zugreift. Damit deckt ein einziges Modell nun das Lesen des offenen Webs, das Steuern eines Browsers, das Ausführen von Code und den Zugriff auf die eigenen Dateien eines Nutzers ab.

Der Browser ist die Schnittstelle, nicht die API

Die Operator-Abstammung ist für alle relevant, die Web-Frontends entwickeln. Der Agent führt Aufgaben über einen visuellen Remote-Browser aus, das heißt, er interagiert mit einer Website so wie ein Mensch – indem er mit dem arbeitet, was die Seite tatsächlich rendert, statt über einen strukturierten API-Vertrag, den Sie selbst kontrollieren.

Das kehrt eine gängige Annahme um. Die meiste Integrationsarbeit geht davon aus, dass ein maschineller Nutzer einen dokumentierten Endpunkt ansteuert. Hier trifft der maschinelle Nutzer auf Ihr Login-Formular, Ihren Cookie-Banner, Ihr Modal und Ihr DOM. Die gerenderte Benutzeroberfläche wird zur Fläche, die der Agent verarbeiten und mit der er interagieren muss – Frontend-Entscheidungen, die bisher rein der menschlichen Ergonomie dienten, wirken sich nun auch auf die maschinelle Ergonomie aus.

Sicherheit mit Fokus auf Reichweite und Terminal

OpenAI erklärt, Sicherheit sei als integraler Bestandteil des Systems behandelt worden – aufbauend auf den Kontrollen aus der Research Preview von Operator und ergänzt um Schutzmaßnahmen für neue, explizit genannte Risiken: größere Nutzerreichweite und Terminalzugriff. Der Netzwerkzugriff des Terminals wird als eingeschränkt beschrieben, eine bewusste Beschränkung für ein Tool, das Code ausführen und Dateien erzeugen kann.

Wir haben keine eindeutigen Belege dafür, dass dieses Modell einem Anfänger tatsächlich helfen könnte, schweren biologischen Schaden zu verursachen – unsere definierte Schwelle für hohe Fähigkeiten. Dennoch haben wir uns für einen vorsorglichen Ansatz entschieden.Montana Labs

Das Unternehmen entschied sich, den Launch im Rahmen seines Preparedness Framework als „High capability“ im biologischen und chemischen Bereich einzustufen und die entsprechenden Schutzmaßnahmen zu aktivieren – obwohl keine eindeutigen Belege dafür vorliegen, dass diese Schwelle tatsächlich erreicht wird. Es handelt sich um eine vorsorgliche Einstufung, die getroffen wird, bevor die Beweislage dazu zwingt.

Was das bedeutet, wenn Agenten Ihr Produkt besuchen

Die konkrete Konsequenz dieses Launches ist, dass ein Agent mit großer Reichweite nun unter der Sitzung eines echten Nutzers durch Ihr Frontend navigieren kann und dabei das, was er auf dem Bildschirm sieht, mit Dateien kombiniert, auf die er über Connectors zugreifen kann. Wenn Ihre App ein Ort ist, an dem Menschen Daten aufbewahren, ist der Agent ein plausibler Besucher.

Das spricht dafür, die gerenderte Benutzeroberfläche als erstklassige Integrationsfläche zu behandeln: eine stabile und klar lesbare Seitenstruktur, eindeutige Interaktionsmöglichkeiten, mit denen der Agent arbeiten kann, sowie Zugriffskontrollen, die von einem automatisierten Akteur ausgehen, der im Auftrag eines Menschen handelt. Die System Card beschreibt Fähigkeiten und Schutzmaßnahmen aus Sicht von OpenAI; die entsprechende Aufgabe auf der Frontend-Seite besteht darin, Ihr Produkt für etwas berechenbar zu machen, das den Bildschirm liest statt der Dokumentation.