Unsere Einordnung

Im Interview mit Tech-Analyst Matthew Berman gibt Thibault Sottiaux, Produkt- und Infrastruktur-Lead bei OpenAI (zuvor Google DeepMind), seltene Einblicke in die internen Entwicklungszyklen von OpenAI. Sottiaux erläutert, warum Codex heute bereits über 20 Millionen Nutzer zählt, weshalb aktuelle KI-Coding-Tools in wenigen Monaten überholt sein werden und wie ultra-schnelle Inferenz die Mensch-Maschine-Interaktion grundlegend verändert.

DeepMind vs. OpenAI: Warum Google vor ChatGPT zögerte

Sottiaux berichtet über seine Zeit bei Google DeepMind: Dort habe mit LM chat bereits rund ein Jahr vor dem Start von ChatGPT ein funktionierendes Sprachmodell für Dialoge intern existiert. Google habe die Veröffentlichung jedoch aus Vorsicht und Sorge vor Risiken für das bestehende Kerngeschäft blockiert. Zudem sei DeepMind damals primär als akademisches Forschungslabor und nicht für den Versand von Endkundenprodukten aufgestellt gewesen. Bei OpenAI hingegen arbeiteten Forschung und Produktentwicklung in extrem engem Co-Design zusammen - getrieben von einer Kultur, Prototypen schnell an reale Nutzer auszuliefern.

Codex und das Ende lokaler Entwickler-Tools

Nach Ansicht von Sottiaux stehe die Softwareentwicklung vor einem weiteren Entwicklungssprung. Heutige Workflows, bei denen Entwickler KI-Agenten lokal auf dem eigenen Rechner steuern, dürften in zwei bis drei Monaten bereits primitiv wirken:

  • Cloud-Infrastruktur statt Laptop: Künftige Agenten-Generationen benötigen cloudbasierte Laufzeitumgebungen, um komplexe Aufgaben autonom, parallel und über längere Zeiträume im Hintergrund auszuführen.
  • Sprachsteuerung und Multimodalität: Die Steuerung verlagere sich zunehmend von getippten Prompts hin zu gesprochenen Instruktionen, bei denen Entwickler Aufgabenpakete morgens per Sprache delegieren, während Agenten eigenständig auf Werkzeuge und Repositories zugreifen.
  • Verschmelzung von ChatGPT und Codex: Dedizierte Programmier-Werkzeuge und universelle KI-Assistenten wachsen zusammen, da Agentenfähigkeiten im Alltag universell nutzbar werden.

Ultra-Fast-Inferenz und rekursive Optimierung

Ein zentraler Treiber künftiger Systeme sei die drastische Reduktion von Latenzzeiten. Durch massive Effizienzgewinne bei Rechenleistung und Systemarchitektur (wie bei internen Modellen und neuen Serving-Stacks) werde ultra-schnelle Generierung zum Standard. Dies ermögliche nicht nur flüssige Sprachdialoge, sondern erlaube es Agenten, Dutzende Zwischenschritte und Tests in Sekunden auszuführen. Gleichzeitig nutze OpenAI fortschrittliche Modelle bereits intensiv dazu, die eigene Infrastruktur und Entwicklungs-Pipelines rekursiv selbst zu optimieren.

Zentrale Erkenntnis: Die Entwicklung verlagert sich von einfachen Code-Vervollständigungen im Editor hin zu autonomen, cloudbasierten Agenten-Systemen. Für Entwickler und IT-Teams rückt das Formulieren von Architekturen, Spezifikationen und die Überwachung paralleler Agenten-Schwärme in den Mittelpunkt.