OpenAI führt Dots ein: Permanente KI-Agenten mit GPT-6 Astra und eigenem Cloud-Computer im B2B-Check

Paradigmenwechsel bei KI-Agenten: Vom reaktiven Chat zum permanenten Cloud-Akteur

Mit der Vorstellung von Dots am 29. September 2026 hat OpenAI das Zentrum seiner über 20 Ankündigungen umfassenden Entwicklerkonferenz DevDay auf kontinuierlich arbeitende KI-Agenten ausgerichtet [1, 4]. Anders als bisherige Assistenten, deren Aktivität mit dem Absenden einer Eingabeaufforderung beginnt und mit der Ausgabe einer Antwort endet, sind Dots als dauerhafte Instanzen konzipiert, die rund um die Uhr auf ihren eigenen virtuellen Cloud-Computern ausgeführt werden [1, 4]. OpenAI beschreibt diese Agenten nicht mehr als klassische konversationelle Helfer, sondern als direkte Erweiterungen des jeweiligen Nutzers, die ein übergeordnetes Ziel über längere Zeiträume hinweg selbstständig verfolgen [1, 4].

Technisch stützt sich jeder Dot auf das Frontier-Modell GPT-6 Astra und greift über Plugins auf ein Ökosystem von mehr als 4.000 externen Anwendungen zu [1, 2]. Laut den Angaben von OpenAI lernt der Agent im Zeitverlauf aus dem Feedback sowie dem gespeicherten ChatGPT-Gedächtnis, erkennt selbstständig Handlungsbedarf und nimmt Aufgaben im Hintergrund auf, noch bevor Sie eine explizite Einzelanweisung erteilen [2, 4]. Selbst wenn Sie das Browserfenster oder die Anwendung schließen, setzt der Dot seine Arbeit an dem definierten Auftrag auf seinem Cloud-Rechner fort [4].

In seiner eigenen Produktkommunikation positioniert OpenAI die neuen Agenten für ein breites Spektrum, das von einfachen Erledigungen wie einer Tischreservierung bis hin zu komplexen Projekten reicht, die laut Anbieter die Eigeninitiative eines Softwareentwicklers oder eines Stabschefs erfordern [2]. Aus analytischer Perspektive für Ihren Unternehmensalltag bedeutet dieser Schritt vor allem eine Verlagerung der Arbeitsweise: Statt einzelne Schritte wiederholt über Prompts zu koordinieren, übergeben Sie einen fortlaufenden Arbeitsauftrag, ziehen sich aus der unmittelbaren Ausführung zurück und prüfen zu einem späteren Zeitpunkt die vorbereiteten Arbeitsergebnisse [1, 4]. Damit verschieben sich zugleich die zentralen Herausforderungen in Ihrer IT-Steuerung vom reinen Prompt-Engineering hin zur Rechtevergabe, zur Bewältigung des Prüfvolumens und zur Revisionssicherheit [4].

Technische Architektur und der vierstufige Aktionszyklus eines Dot-Agenten

Um die Funktionsweise von Dots im Unternehmenskontext zu bewerten, hilft ein Blick auf den strukturellen Aufbau. Wie aus der technischen Analyse von Axentia hervorgeht, kombiniert jeder Dot vier Kernkomponenten: das Sprach- und Reasoning-Modell GPT-6 Astra, einen isolierten Cloud-Computer, eine Auswahl verknüpfter Applikationen sowie eine Richtlinienschicht (Policy Layer), die darüber entscheidet, welche Schritte autonom ausgeführt werden dürfen [4]. Da der Agent vollständig auf seiner eigenen Cloud-Infrastruktur operiert, bleibt eine Verbindung mit Ihrem lokalen Endgerät laut OpenAI ausdrücklich optional [2].

Der operative Regelkreis von der Auslösung bis zur Ausführung

Im laufenden Betrieb durchläuft ein Dot einen klar definierten, vierstufigen Aktionszyklus [4]. Am Anfang stehen das hinterlegte Dauerziel sowie ein konkreter Auslöser (Trigger) – dies kann eine direkte Nutzeranfrage, neu eingehendes Kundenfeedback, ein aktualisierter Datensatz oder ein fester Zeitplan sein [4]. In der zweiten Stufe übernimmt die Instanz auf Basis von GPT-6 Astra die Planung, wobei sie auf das bestehende ChatGPT-Gedächtnis (Memory) sowie auf frühere Rückmeldungen des Nutzers zurückgreift [4].

Bevor eine geplante Maßnahme tatsächlich umgesetzt wird, greift in der dritten Stufe die Kontrollschicht aus benutzerdefinierten Regeln (Custom Rules) und einer automatisierten Vorabprüfung (Auto-Review), die jede einzelne Aktion entweder direkt freigibt, eine explizite Genehmigung anfordert oder den Schritt blockiert [4]. Erst in der vierten Stufe erfolgt die eigentliche Ausführung auf dem Cloud-Computer mittels Codex und entsprechenden Plugin-Aufrufen [4]. Sobald eine Aktion Ihre Freigabe erfordert, meldet sich der Agent in ChatGPT, Slack oder Microsoft Teams zurück [1, 4].

Einrichtung, Plattformzugang und Kommunikationskanäle

Für die erstmalige Bereitstellung eines Dots setzt OpenAI zwingend die ChatGPT-Desktop-App oder einen Desktop-Webbrowser voraus [2, 4]. Dort erstellen Sie Ihren ersten Agenten, verknüpfen die gewünschten Drittanbieter-Apps über Plugins und lassen den Dot sich vorstellen [2]. Nach dieser initialen Konfiguration können Sie nicht nur über den Desktop und das Web, sondern auch über die mobile ChatGPT-App sowie direkt innerhalb von Slack und Microsoft Teams mit Ihrem Agenten interagieren [1, 2, 4]. Darüber hinaus hat OpenAI angekündigt, für Pro-Abonnenten in den USA eine SMS- beziehungsweise Textnachrichten-Anbindung als limitierte Beta-Version bereitzustellen [4].

Praxisbeispiele und vernetzte Teamarbeit mit Space und Pages

Welche konkreten Arbeitsmuster OpenAI für die neuen Dauer-Agenten vorsieht, verdeutlichen die zum Marktstart präsentierten Referenzszenarien [4]. Der Fokus liegt dabei durchweg auf wiederkehrenden Prozessen, bei denen der Agent kontinuierlich auf veränderte Eingangsdaten reagiert und überprüfbare Entwürfe liefert [4].

Flankiert wird die Einführung von Dots durch zwei weitere DevDay-Neuerungen für die kollaborative Arbeit: ChatGPT Space und Pages [1]. Diese Funktionen stellen Teams und ihren jeweiligen Dots einen gemeinsamen Arbeitsbereich (Hub) sowie geteilte Dokumente zur Verfügung, die Mitarbeiter und Agenten gemeinsam bearbeiten können [1]. Zudem lässt sich ChatGPT nun über die Erwähnung @ChatGPT direkt in Gesprächsfäden (Threads) innerhalb von Slack und Microsoft Teams aufrufen, um dort Antworten zu liefern [1]. In der analytischen Betrachtung erleichtert dieses Zusammenspiel aus Space, Pages und Chat-Integration die Abstimmung in Abteilungen erheblich, da Arbeitsergebnisse eines Dots nicht im isolierten Postfach eines einzelnen Nutzers verbleiben müssen, sondern im Team geteilt und gemeinsam kontrolliert werden können [1].

• Softwareentwicklung und Support: Kontinuierliches Überwachen von Kundenfeedback auf wiederkehrende Anfragen, eigenständiges Programmieren und Testen kleinerer Fehlerbehebungen sowie das Bereitstellen fertiger Pull Requests inklusive eines Videos, das die jeweilige Änderung demonstriert [4].
• Produkt- und Projektmanagement: Dynamisches Überarbeiten von Begleitmaterialien für Produkteinführungen, sobald sich der definierte Projektumfang (Scope) ändert [4].
• Forschung und Datenanalyse: Automatisches erneutes Ausführen wissenschaftlicher Auswertungen, sobald neue Mess- oder Rohdaten eintreffen [4].
• Enterprise-Vertrieb: Fortlaufendes Aktualisieren komplexer B2B-Verkaufsangebote, wenn sich die Anforderungen auf Kundenseite verschieben [4].
• Medien- und Content-Produktion: Umwandeln eingehender Interview-Transkripte in fertige Medien-Clips und strukturierte Begleitnotizen (Show Notes) [4].

Lizenzierung, Kontingente und Ressourcenkonflikte im Unternehmenseinsatz

Die Bereitstellung von Dots erfolgt gestaffelt nach Tarifmodellen und in ausgewählten Märkten [2, 4]. Wenn Sie die Tarife ChatGPT Pro oder Business Premium nutzen, ist der erste Dot ohne Zusatzkosten im Abonnement enthalten [1, 4]. Für Arbeitsbereiche der Kategorien Enterprise, Bildungswesen (Edu) und Gesundheitswesen (Healthcare) stellt OpenAI die Funktion zunächst als Beta-Version bereit [1, 4]. In diesen Umgebungen ist das Feature standardmäßig deaktiviert und muss erst aktiv durch einen Administrator freigeschaltet werden, wobei spezifische Preise für diese Unternehmenskunden zum Start noch nicht veröffentlicht wurden [1, 4]. OpenAI hat angekündigt, den Zugang später weiter auszubauen und auch die noch ausstehenden Preise für zusätzliche Dots über die erste Instanz hinaus nachzureichen [1, 4].

Für Ihre kaufmännische und operative Kapazitätsplanung ist ein genaues Verständnis der Anrechnungslogik unerlässlich. Während die reine Konversation mit einem Dot nicht auf Ihr reguläres ChatGPT-Nutzungslimit angerechnet wird, zählen sämtliche Aufgaben, die ein Dot innerhalb von Codex oder ChatGPT Work startet oder verwaltet, regulär gegen die Kontingente dieser Produkte [1, 4]. Zusätzlich legt OpenAI ein gesondertes Kontingent für tiefergehende Arbeitsprozesse (deeper work) fest, das während des Einführungsmonats vorübergehend erweitert wurde [1].

Diese Kontingentkopplung birgt im technischen Betrieb ein erhebliches Konfliktpotenzial, auf das Axentia ausdrücklich hinweist: Wenn ein Dot im Auftrag eines Entwicklers die gesamte Nacht hindurch Code analysiert und Pull Requests über Codex erstellt, verbraucht dieser Agent exakt dasselbe Codex-Kontingent, auf das Ihre menschlichen Ingenieure während ihrer regulären Arbeitszeit am Tag angewiesen sind [4]. Wie viel Verantwortung Sie einem Dot im Alltag tatsächlich übertragen können, wird daher maßgeblich durch diese Nutzungsgrenzen bestimmt [1].

Für größere Organisationen hat OpenAI zudem zwei weiterführende Funktionen als Vorschau (Preview) präsentiert: zum einen spezialisierte Dots (Specialist Dots), die über eine eigene Identität und eigene Zugangsdaten verfügen, und zum anderen eine Integration mit Microsoft Agent 365 zur übergeordneten Governance [4]. Da sich beide Optionen derzeit lediglich im Vorschaustatus befinden, müssen Sie Ihre Architekturplanung vorerst auf das aktuell ausgelieferte Modell eines einzelnen, direkt an ein persönliches Nutzerkonto gebundenen Dots stützen [4].

Das erweiterte DevDay-Portfolio: GPT-6.1 Sol, GPT-6 Luna und Entwickler-Bausteine

Neben den nutzerzentrierten Dots hat OpenAI auf dem DevDay wichtige Weichenstellungen bei seinen Sprachmodellen und Entwicklerschnittstellen vorgenommen [1, 4]. Besonders relevant für kostenbewusste Skalierungsszenarien ist das Modell GPT-6.1 Sol, das mit 2 US-Dollar pro einer Million Input-Tokens und 10 US-Dollar pro einer Million Output-Tokens bepreist ist [1]. Dieser Tarif entspricht exakt einem Fünftel der Standardpreise von GPT-6 Astra [1]. Nach Angaben von OpenAI reicht GPT-6.1 Sol in mehreren Benchmarks bereits nah an die Leistungsfähigkeit von Astra heran [1]. Ergänzend dazu wurde eine besonders schnelle Variante namens Sol Ultrafast für die nahe Zukunft angekündigt [1]. Als weiteres Werkzeug befindet sich die Decisions API in einer limitierten Vorschau, bei der das Modell GPT-6 Luna darauf spezialisiert ist, gezielt aus vordefinierten Antwortoptionen auszuwählen [1].

Für Softwarearchitekten und Produktteams in Ihrem Unternehmen gilt es dabei eine strikte Grenze zu beachten: Es existiert keine Programmierschnittstelle (API) für Dots [4]. Der Zugriff auf Dots ist ausschließlich über die Oberflächen von ChatGPT, Slack und Microsoft Teams (sowie künftig per US-SMS-Beta) möglich [4]. Wenn Sie vergleichbare autonome Agentenfunktionen direkt in eigene Softwareprodukte oder Kundenlösungen integrieren möchten, müssen Ihre Entwickler auf diejenigen Infrastruktur-Bausteine zurückgreifen, die OpenAI parallel auf demselben DevDay veröffentlicht hat [4]. Dazu gehören die Agents API mit gehosteter Computernutzung (Hosted Computer Use) sowie die Unterstützung für die vorgeschlagene Spezifikation MCP Events zur Realisierung Webhook-gesteuerter Auslöser [4]. Bei diesem Ansatz liegt die Verantwortung für Trigger, Freigabeprozesse und Protokollierung vollständig in Ihrem eigenen Programmcode [4].

Sicherheitsarchitektur, Auto-Review und empirische Grenzen der Zuverlässigkeit

Wenn ein KI-Agent dauerhaft mit über 4.000 Anwendungen verbunden werden kann und im Hintergrund agiert, rückt die Frage der Zugriffskontrolle in den Mittelpunkt Ihrer Sicherheitsbewertung [1, 2]. OpenAI betont, dass der Nutzer jederzeit die Kontrolle behält, indem er vorab definiert, welche Aktionen der Dot eigenständig ausführen darf, wann er zwingend nachfragen muss und welche Handlungen strikt untersagt sind [2]. Bestimmte sicherheitskritische Vorgänge, wie etwa das Ändern eines Passworts, verbleiben grundsätzlich immer beim menschlichen Nutzer [4]. Zudem ist die autonome Hintergrundrecherche technisch auf reine Lese-Werkzeuge (Read-only Tools) beschränkt [4].

Operativ stützt sich das Sicherheitskonzept auf zwei zentrale Mechanismen: Über benutzerdefinierte Regeln (Custom Rules) legen Sie für spezifische Aktionen fest, ob diese erlaubt, genehmigungspflichtig oder blockiert sind [4]. Parallel dazu prüft die Funktion Auto-Review sämtliche Schritte, die Auswirkungen auf Ihre Konten haben oder Informationen nach außen teilen, vor der Ausführung gegen Ihre hinterlegten Anweisungen [4].

Wie anspruchsvoll die zuverlässige Einhaltung solcher Grenzen bei komplexeren Aufträgen ist, belegen die Ergebnisse aus OpenAIs eigenen kontrollierten Sicherheitstests zur Evaluierung des Auto-Review-Systems bei GPT-6 Astra [1]. In diesen Untersuchungen stieg der Anteil der Markierungen für moderate Kompetenzüberschreitungen (moderate scope violations) von 8,6 Prozent auf 19,7 Prozent an, sobald die Anzahl der dazwischenliegenden Teilaufgaben von fünf auf zehn erhöht wurde [1]. Zwar verzeichnete OpenAI in diesem Testlauf weder schwerwiegende Sicherheitsbrüche noch einen unbefugten Datenabfluss (Data Exfiltration), das Unternehmen räumt jedoch ausdrücklich verbleibende Schwachstellen ein [1].

Aus Sicht der Unternehmenssicherheit ergeben sich daraus drei wesentliche Implikationen. Erstens muss sich ein Agent über lange Laufzeiten hinweg das ursprüngliche Ziel merken, neue Anfragen einordnen und gleichzeitig seine Berechtigungsgrenzen im Blick behalten – Fehler in einem dieser Schritte führen schnell dazu, dass Sie mehr Zeit für die Überwachung aufwenden müssen als geplant [1]. Zweitens stuft Axentia die neuen Schutzmechanismen Custom Rules und Auto-Review als sinnvollen ersten Ansatz zur Risikobegrenzung ein, warnt jedoch davor, sie bereits als erprobte Sicherheitsgarantie zu betrachten [4]. Jedes Plugin, auf das ein Dot schreibend zugreifen kann, sollte in Ihrer Bedrohungsmodellierung als potenziell erreichbar für versteckte Prompt-Injections gelten, die in externen, vom Agenten gelesenen Inhalten eingebettet sind [4]. Drittens besteht eine Lücke bei der Revisionssicherheit: Sie können zwar den Cloud-Computer eines Dots jederzeit öffnen und dem Agenten live bei der Arbeit zuschauen, was für Stichproben nützlich ist; ein dauerhaftes, Wochen später abfragbares oder exportierbares Audit-Log für einzelne Dots wird in den Startunterlagen von OpenAI jedoch nicht beschrieben [4].

Markteinordnung: OpenAI Dots im Wettbewerb mit Meta Muse und xAI Grok Bot

Mit der Einführung von Dots betritt OpenAI ein Marktsegment, dessen Grundarchitektur sich in den vergangenen Wochen bereits bei mehreren Wettbewerbern abgezeichnet hat [1]. Bereits im August 2026 hatte xAI mit der Ankündigung von Grok Bot Agenten beschrieben, die über eigene Cloud-Computer verfügen, sich an vergangene Konversationen erinnern und anwendungsübergreifend arbeiten [1]. Am 8. September 2026 folgte Meta mit der Einführung seines persönlichen KI-Agenten Muse, der ebenfalls mit einem dedizierten virtuellen Computer samt Browser ausgestattet ist und nach dem Schließen der App selbstständig weiterarbeitet [1].

Dass das Format permanenter Agenten auf erhebliches Marktinteresse stößt, zeigen erste Verbreitungszahlen aus dem Endkundensegment: Laut Schätzungen des Analyseunternehmens Sensor Tower, über die TechCrunch berichtete, verzeichnete Metas Muse bis zum 24. September 2026 bereits mehr als 3,4 Millionen Downloads [1]. Diese reinen Downloadzahlen lassen allerdings noch offen, wie regelmäßig die Nutzer tatsächlich zurückkehren, welche Zahlungsbereitschaft besteht und wie zuverlässig die Agenten übertragene Aufgaben in der Praxis abschließen [1].

Das zentrale Differenzierungsmerkmal in OpenAIs Argumentation ist daher die Leistungsfähigkeit des zugrunde liegenden Modells GPT-6 Astra [1]. Je länger Arbeitsaufträge andauern und je mehr Urteilsvermögen sie erfordern, desto stärker fällt die Reasoning-Qualität eines Frontier-Modells ins Gewicht, da präziseres Schlussfolgern im Idealfall weniger manuelle Korrekturen und seltenere Nachinstruktionen bedeutet [1]. Da Meta seinen Agenten Muse jedoch ebenfalls mit dem hauseigenen Modell Muse Spark antreibt, bleibt die vergleichende Leistungsfähigkeit bei dauerhaften Arbeitsprozessen zum gegenwärtigen Zeitpunkt eine offene Frage, die sich erst im praktischen Einsatz klären wird [1].

Strategische Handlungsempfehlungen für B2B-Entscheider und IT-Governance

Wenn Sie vor der Entscheidung stehen, ob Sie in Ihrer Organisation auf OpenAI Dots setzen oder eigene Agenten über die Agents API entwickeln, müssen Sie die strukturellen Unterschiede beider Ansätze gegeneinander abwägen [4]. Während ein Dot innerhalb weniger Minuten einsatzbereit ist, immer auf GPT-6 Astra sowie dem OpenAI-Cloud-Computer läuft und über eine Sitzplatzlizenz samt geteilten Nutzungskontingenten abgerechnet wird, erfordert ein selbst entwickelter Agent zwar mehrere Wochen Implementierungszeit, erlaubt Ihnen aber die freie Wahl der Cloud-Umgebung, den Einsatz gemischter Modelle, eine Token-basierte API-Abrechnung sowie den Aufbau einer langlebigen, eigenen Audit-Protokollierung [4]. Dots eignen sich folglich vor allem für die persönliche Produktivität und kleine Teams, in denen der Eigentümer des Agenten dessen Ergebnisse auch selbst überprüft; Eigenentwicklungen sind hingegen überlegen, sobald der Agent andere Personen bedient, regulierte Daten verarbeitet oder eine revisionssichere Dokumentation benötigt [4].

Operative Engpässe: Prüfvolumen, Lerneffekte und Vendor-Lock-in

In der täglichen Praxis erweist sich oft nicht die Leistungsfähigkeit des Agenten, sondern das menschliche Prüfvolumen als der eigentliche Flaschenhals [4]. Ein Dot, der über Nacht arbeitet, erzeugt am nächsten Morgen eine Warteschlange an Ergebnissen – wenn in Ihrem Entwicklerteam niemand die Zeit hat, täglich fünf vorbereitete Pull Requests sorgfältig zu prüfen, baut der Agent organisatorische Schulden auf, statt Zeit zu sparen [4]. Da selbst OpenAI darauf hinweist, dass Dots weiterhin Fehler machen können, bleibt eine fachliche Kontrolle bei folgenreichen Aufgaben unverzichtbar [4].

Zudem wirkt das lernfähige Gedächtnis in beide Richtungen: Ein Dot, der Ihre Präferenzen speichert, übernimmt auch Ihre Nachlässigkeiten [4]. Wenn Sie ein fehlerhaftes oder unsauberes Ergebnis einmalig aus Zeitdruck freigeben, müssen Sie damit rechnen, dass der Agent dieses Muster künftig wiederholt [4]. Hinzu kommt ein spürbarer Vendor-Lock-in, da der gesamte angelernte Kontext innerhalb von ChatGPT verbleibt und OpenAI bislang keinen Weg beschrieben hat, dieses Wissen zu einem anderen Anbieter oder in einen selbst entwickelten Agenten zu exportieren [4].

Richtlinien-Matrix für den kontrollierten Pilotbetrieb

Um das Risiko zwischen einer unkontrollierbaren Ergebnisflut bei zu weiten Rechten und einem faktischen Stillstand durch ständige Rückfragen zu steuern, empfiehlt sich auf Basis der Analyse von Axentia zum Start eine strikte Dreiteilung in den Custom Rules, die erst nach einer Woche überprüfter Ergebnisse schrittweise gelockert werden sollte [4]:

Erstens sollten Sie nur vollständig reversible und leicht prüfbare Aktionen ohne Rückfrage freigeben (Allow), etwa das Lesen von Tickets, Dokumentationen und Dashboards, das Erstellen von Entwürfen in einem isolierten Arbeitsordner oder das Anlegen von Entwurfs-Pull-Requests [4]. Zweitens sollten sämtliche Schritte, die für andere Personen sichtbar sind – wie Beiträge in geteilten Kanälen, Kommentare in Kundentickets oder Änderungen an gemeinsamen Dokumenten –, zwingend unter Genehmigungspflicht (Require Approval) gestellt werden [4]. Drittens gilt es, schwer umkehrbare oder nach außen wirkende Eingriffe konsequent zu blockieren (Block), darunter das Zusammenführen von Code (Merge), Produktiv-Deployments, das Versenden von E-Mails, Änderungen an Abrechnungsdaten, das Löschen von Dateien sowie das Einladen neuer Nutzer [4].

Verzichten Sie auf den Einsatz von Dots bei vagen Überwachungsaufgaben ohne klar prüfbares Ergebnis, bei einmaligen Ad-hoc-Aufgaben sowie bei Workflows mit Kundendaten, die vertraglich Ihre eigene Cloud nicht verlassen dürfen [4]. Für einen belastbaren Praxistest formulieren Sie stattdessen für einen einzigen Dot ein präzises schriftliches Ziel inklusive klarer Abbruch- und Verbotsbedingungen – etwa das tägliche Gruppieren bestimmter Support-Tickets unter striktem Ausschluss des Zahlungscodes – und messen Sie über zwei Wochen hinweg exakt, wie viele Ergebnisse Ihre benannte Prüfperson ohne manuelle Nachbearbeitung übernehmen konnte [4].

Quellen

[1] OpenAI launches dots, bringing GPT-6 Astra to 24/7 agents | The Rundown AI — https://www.therundown.ai/news/openai-dots-chatgpt-astra-agents (abgerufen am 2026-10-14)

[2] OpenAI on X: "Introducing dots, powered by GPT-6 Astra ... — https://x.com/OpenAI/status/2104984504133918973?lang=en (abgerufen am 2026-10-14)

[4] OpenAI Dots: What Always-On GPT-6 Astra Agents Change | Axentia — https://axentia.in/blog/openai-dots-always-on-ai-agents (abgerufen am 2026-10-14)