Effizienz gegen Erklärbarkeit: Wenn das Modell seine Zwischenschritte nicht mehr aufschreibt

Am 3. September 2026 hat OpenAI GPT-6 Astra angekündigt und als begrenzte Vorschau freigegeben; der Changelog bewirbt es als „our most capable model, built for the hardest end-to-end work”. Einen Tag später ging eine in den Fähigkeiten eingeschränkte Fassung für zahlende Nutzer öffentlich. Release und AGI-Rhetorik habe ich gesondert einsortiert.

Interessanter ist eine Angabe zur Architektur. Astra soll nicht einfach mehr rechnen, sondern anders: Die Berichterstattung nennt eine Reasoning-Architektur unter den Bezeichnungen „recurrent depth” und „looped transformers”, die den Weg zum Ergebnis teilweise verschleiert. Wo bisherige Modelle ihre Zwischenschritte als lesbaren Text ablegten, laufen Rechenschleifen, die sich nicht als Sprache abgreifen lassen. Das ist keine Fußnote für Sicherheitsforscher — es entscheidet mit, ob ein System in einem Prozess brauchbar ist, den man später begründen muss.

Auf einen Blick

• Was gemeldet ist: GPT-6 Astra ist seit dem 3./4. September 2026 verfügbar; die Architektur legt den Reasoning-Prozess laut Berichterstattung nur noch teilweise lesbar offen.
• Was folgt: Wer protokollieren, begründen oder Rechenschaft ablegen muss, kauft mit dem Modell eine Dokumentationsfähigkeit ein — oder eben keine.
• Der Haken: Eine lesbare Gedankenkette ist noch keine wahre Begründung, und die Architektur-Aussage stammt nicht aus einer Primärquelle.

Was gemeldet ist — und wie belastbar es ist

Bei diesem Thema ist die Qualität der Belege selbst Teil der Nachricht:

Angabe	Inhalt	Belegqualität
Verfügbarkeit	03.09.2026 Vorschau, 04.09.2026 öffentlich in eingeschränkter Fassung	hoch — Changelog plus zweite Quelle
Architektur	„recurrent depth” / „looped transformers”; verschleiert das Reasoning teilweise	mittel — nur sekundär belegt
Sicherheitskritik	verringerte Beobachtbarkeit der Gedankenkette; Alignment eher Flickwerk (Nanda, Greenblatt, Carroll)	mittel — Branchen-Digest
Preis, Kontextfenster	kursierende Zahlen	nicht verwendbar — einzelquellig, von einer zweiten Prüfung nicht auffindbar

Bei einem als Spitzenprodukt beworbenen Modell ließen sich also nicht einmal Preis und Kontextfenster belastbar bestätigen. Ich nenne deshalb keine Zahlen dazu.

Messwerte kursieren vom UK AI Security Institute, und sie ziehen in verschiedene Richtungen. Der Zeithorizont, über den das Modell ohne lesbare Gedankenkette arbeitet, soll 30,9 Minuten betragen, gegen 3,6 Minuten beim Vorgänger GPT-5.6 Sol; auf langen Trajektorien im Sicherheitsbereich fehlten die Reasoning-Zusammenfassungen in bis zu 80 % der Fälle. Für eine Kennzahl namens CoT-Controllability stehen dagegen 93 % gegen 48 % — dem Namen nach ein Wert zugunsten des neuen Modells; was sie genau misst, sagt die mir zugängliche Darstellung nicht. Belastbar ist nur die Richtung: länger selbständig, seltener eine lesbare Spur.

Wichtiger für die Praxis ist die Gegenbewegung, denn sie zeigt: Sie haben eine Wahl. Anthropic hat am 1. September 2026 die Enterprise Frontier Safeguards angekündigt — die Daten sollen dabei in einer vollständig vom Kunden kontrollierten Cloud-Infrastruktur liegen; ausgerollt wird in Phasen ab Herbst 2026, bis dahin gibt es für berechtigte Kunden eine Zero-Data-Retention-Option. Angekündigt ist aber nicht ausgerollt, und Konditionen gehören in einen Vertrag. Beim Denkschritt geht dieselbe Seite den umgekehrten Weg: In Claude Opus 5 ist das Thinking seit dem 24. Juli 2026 im Auslieferungszustand eingeschaltet, der Zwischenschritt fällt dort also als speicherbares Artefakt an. Nachvollziehbarkeit ist damit selbst ein Verkaufsargument — wie belastbar solche Versprechen sind, habe ich einmal nachgerechnet.

Wer begründen muss, braucht einen Weg

Hier verlässt das Thema die Sicherheitsforschung. Eine Reihe von Pflichten setzt nicht voraus, dass ein Ergebnis richtig ist, sondern dass sich zeigen lässt, wie es entstand.

Protokollierung. Die KI-Verordnung verlangt für Hochrisiko-Systeme die technische Fähigkeit, Ereignisse automatisch aufzuzeichnen (Art. 12), und verpflichtet Betreiber, die Protokolle mindestens sechs Monate aufzubewahren (Art. 26 Abs. 6) — dieser Teil ist für Anhang-III-Systeme auf den 2. Dezember 2027 verschoben. Die GoBD verlangen dagegen schon heute eine Verfahrensdokumentation, aus der hervorgeht, wie ein maschinell gestützter Prozess arbeitet.

Begründung automatisierter Entscheidungen. Fällt eine Entscheidung mit rechtlicher Wirkung ohne menschliches Zutun, greift Art. 22 DSGVO, und der Betroffene hat Anspruch auf Auskunft über die involvierte Logik (Art. 15 Abs. 1 lit. h). Was „Logik” heißt, ist umstritten; einen ausdrücklichen Anspruch auf Erläuterung der konkreten Entscheidung nennt nur Erwägungsgrund 71, nicht der Artikeltext. Für Behörden kommt § 39 VwVfG hinzu. Gemeinsam ist allen: „Das Modell hat das so ausgegeben” ist keine Begründung.

Rechenschaft. Art. 5 Abs. 2 DSGVO verlangt, die Einhaltung der Verarbeitungsgrundsätze nachweisen zu können — Rechenschaftspflicht heißt Beweislast beim Verantwortlichen. In dieselbe Richtung zielen die Aufsichtspflicht nach § 130 OWiG und die Prüfrechte in jedem ernsthaften Kundenvertrag.

Regelmäßig verwechselt wird dabei zweierlei: Die seit dem 2. August 2026 anwendbaren Transparenzpflichten aus Art. 50 KI-VO verlangen Kennzeichnung — dass KI im Spiel war, dass ein Inhalt synthetisch ist. Eine Begründung des Wegs zum Ergebnis verlangen sie nicht. Wer den Haken bei der Kennzeichnung setzt und die Nachvollziehbarkeit für erledigt hält, wirft zwei Pflichten zusammen, die nichts miteinander zu tun haben.

Drei Einwände gegen die eigene These

Erstens: Eine lesbare Gedankenkette ist keine wahre Begründung. Was ein Modell als Denkschritt ausgibt, ist ein weiterer generierter Text, nicht das Protokoll der Rechnung — wer eine sichtbare Kette für einen Beweis nimmt, hat eine bequemere Blackbox gekauft, keine Transparenz.

Zweitens: Die Quellenlage trägt weniger als die Schlagzeile. Die Architektur-Aussage ist sekundär belegt, die Messwerte stammen aus einem Branchen-Digest, und eine Kennzahl deutet in die Gegenrichtung. Eine Beschaffungsentscheidung sollte auch dann noch tragen, wenn die Architektur-Angabe später präzisiert wird.

Drittens: Dokumentierbarkeit entsteht auf der Systemebene, nicht im Modell. Eingabe, Prompt-Fassung, Modell-Kennung, Zeitpunkt, Ausgabe, Prüfer, Änderung — das protokollieren Sie unabhängig davon, ob das Modell Prosa über sich selbst produziert. Der Zielkonflikt löst sich damit nicht auf, er verschiebt sich: weg von der Frage, ob Sie dokumentieren können, hin zu der, wie viel Sie selbst bauen müssen.

Zwei Wege zum selben Ergebnis: Der eine hinterlässt abzählbare Zwischenschritte, der andere ist schneller und für eine Strecke unlesbar. Die Markierung sitzt, wo die Spur abbricht — dort, wo eine Aufsicht später hinsehen würde.

Was das für Ihre Modellauswahl heißt

Trennen Sie Kennzeichnung von Begründung. Die Kennzeichnung schuldet man dem Gegenüber im Moment der Nutzung, die Begründung im Nachhinein: Die erste erfüllt ein Hinweis, die zweite nur eine Spur — und oft ist es die zweite, an die niemand gedacht hat.

Nehmen Sie Dokumentierbarkeit als eigene Zeile in die Auswahl auf. Neben Preis, Kontextfenster und Latenz gehören drei Fragen in die Bewertung: Bleibt ein Zwischenschritt als speicherbares Artefakt übrig? Wer kontrolliert die Infrastruktur, in der verarbeitet wird? Was wäre die Antwort, wenn eine Aufsicht morgen nach einem einzelnen Fall fragt? Halten Sie die Antworten schriftlich fest — die dokumentierte Auswahlentscheidung ist selbst ein Stück Rechenschaft.

Bauen Sie die Spur, wo Sie sie kontrollieren. Ein Modell, das nichts Lesbares ablegt, ist kein Ausschlussgrund; es verteuert Ihre Kontrollschicht. Wie eine solche Schicht aussieht, mit Protokollierung und menschlicher Prüfung an der richtigen Stelle, habe ich gesondert aufgeschrieben. Diesen Aufwand zahlen Sie einmal — statt dauerhaft als offene Frage.

Fazit

Die harte Lesart wäre: schnellere Modelle machen Compliance unmöglich. Das ist falsch. Die weiche wäre: alles wie immer, man dokumentiert drumherum. Das ist zu bequem. Richtig ist die mittlere — erstmals ist ein Spitzenmodell im Markt, bei dem die Nachvollziehbarkeit des Rechenwegs nach Berichten architektonisch abnimmt, während die Leistung steigt. Das macht eine Eigenschaft zum Auswahlkriterium, die man bisher selbstverständlich mitgenommen hat. Zwei Dinge würde ich mir dabei nicht vormachen: Die Quellenlage ist dünn — das gehört in den Entscheidungsvermerk. Und was vor einer Aufsicht trägt, ist nicht die Prosa des Modells, sondern Ihr eigenes Protokoll.

Wenn Sie wissen wollen, welche Nachweispflichten in Ihrem Prozess greifen und was das für die Modellwahl heißt, sprechen wir darüber. Ich beurteile solche Fragen als Wirtschaftsjurist und baue die Kontrollschichten, um die es geht, selbst.

FAQ

Was heißt es, dass ein Modell seine Zwischenschritte nicht mehr in lesbarer Sprache ablegt?

GPT-6 Astra arbeitet Berichten zufolge mit einer Architektur unter den Bezeichnungen „recurrent depth” und „looped transformers”: Statt lesbarer Zwischenschritte laufen interne Rechenschleifen, die sich nicht als Text abgreifen lassen. Belegt ist das nur sekundär. Wer eine nachlesbare Spur braucht, bekommt also womöglich keine.

Welche Pflichten setzen Nachvollziehbarkeit voraus?

Mehrere, aus verschiedenen Richtungen. Die DSGVO verlangt Rechenschaft über die Einhaltung ihrer Grundsätze (Art. 5 Abs. 2) und bei automatisierten Einzelentscheidungen Auskunft über die involvierte Logik (Art. 15 Abs. 1 lit. h, Art. 22). Die KI-Verordnung fordert für Hochrisiko-Systeme Aufzeichnungsfähigkeit (Art. 12) und sechs Monate Aufbewahrung beim Betreiber (Art. 26 Abs. 6) — verschoben auf Dezember 2027. Hinzu kommen die Verfahrensdokumentation nach den GoBD, § 130 OWiG und Ihr Kundenvertrag.

Reicht eine sichtbare Gedankenkette als Begründung aus?

Nein, und das ist die wichtigste Einschränkung des Themas. Eine Thinking-Ausgabe ist ein weiterer Text des Modells, kein Protokoll der Rechnung, die zur Antwort führte — sie kann plausibel klingen und trotzdem nicht der gegangene Weg sein. Sie ist ein Prüfanker für Menschen, ersetzt aber weder Ihre Protokollierung noch die menschliche Kontrolle.

Worauf sollten wir bei der Modellauswahl achten?

Nehmen Sie Dokumentierbarkeit als eigene Zeile in die Auswahl auf, neben Preis, Kontextfenster und Latenz. Bleibt ein Zwischenschritt als speicherbares Artefakt übrig? Wer kontrolliert die Infrastruktur, in der verarbeitet wird? Und was protokollieren Sie selbst, unabhängig vom Modell? Die letzte Frage ist die wichtigste, weil ihre Antwort allein in Ihrer Hand liegt.

---

Quellen — Stand 09.09.2026

• OpenAI Developer Changelog (Eintrag 3. September 2026) — https://developers.openai.com/changelog
• Enzyklopädischer Eintrag zu GPT-6 (Rollout, Architektur; sekundär) — https://en.wikipedia.org/wiki/GPT-6
• Branchen-Digest zum Astra-Release (AISI-Werte, Sicherheitskritik; sekundär) — https://www.latent.space/p/ainews-gpt-6-astra-openais-biggest
• Anthropic zu Fable 5.1 und Mythos 5.1 (Enterprise Frontier Safeguards) — https://www.anthropic.com/claude-fable-and-mythos-5-1
• Anthropic zu Claude Opus 5 (Thinking im Auslieferungszustand aktiv) — https://www.anthropic.com/news/claude-opus-5

Dieser Beitrag ist allgemeine Information und keine Rechtsberatung im Einzelfall. Die Architektur-Angaben zu GPT-6 Astra sind nur sekundär belegt; Stand 9. September 2026.