OpenAI bestätigt Astra: zehn offene Mathe-Probleme auf einen Schlag gelöst - News

OpenAI hat am 1. August 2026 die Existenz einer neuen Modellfamilie mit dem Namen Astra bestätigt. Anlass ist ein Bericht, nach dem eine interne Version zehn bislang ungelöste Probleme aus Mathematik und theoretischer Informatik gelöst hat. Bei allen zehn hatte die Fachwelt seit mindestens einem Jahrzehnt keinen Fortschritt erzielt, bei den meisten deutlich länger.

Die Ergebnisse verteilen sich über mehrere Gebiete: hochdimensionale Geometrie, Codierungstheorie, Gruppentheorie, Quantenkomplexität und Kombinatorik. Ein Beispiel ist der Nachweis, dass nicht-sofische Gruppen existieren, also die Frage, ob sich jede Gruppe durch endliche Permutationen annähern lässt.

Was an der Meldung überprüfbar ist

Bei Behauptungen dieser Art ist die Nachprüfbarkeit der eigentliche Punkt, und hier unterscheidet sich der Fall von den üblichen Benchmark-Meldungen. OpenAI hat jeden Beweis in Lean formalisiert und die Zertifikate zusammen mit einer Dokumentation der Denkprozesse veröffentlicht. Lean ist ein Beweisassistent: Ein formalisierter Beweis wird maschinell auf Korrektheit geprüft, unabhängig davon, wer oder was ihn erzeugt hat.

Damit hängt die Aussage nicht an einer Wertung des Herstellers. Thomas Bloom von der University of Manchester, der die Sammlung offener Erdős-Probleme betreut, nennt die Ergebnisse eine große Neuigkeit und stuft sie höher ein als ein Gegenbeispiel zu einer Erdős-Vermutung aus dem Mai 2026.

Zur Einordnung gehört auch die Gegenrichtung. Noam Brown, einer der Entwickler hinter der Test-Time-Reasoning-Technik, schränkt selbst ein, dass keine Millennium-Probleme darunter sind. Gemeint sind die sieben bekanntesten ungelösten Probleme der Mathematik, auf die je eine Million Dollar Preisgeld ausgesetzt ist.

Zweitausend Dollar für zehn Beweise

Die Zahl, die für Unternehmen am ehesten greifbar ist, steht etwas versteckt in den Angaben: Die für alle zehn Lösungen benötigten Token hätten zu den API-Preisen des Modells Sol rund 2.000 US-Dollar gekostet.

Das ist keine Aussage über die Entwicklungskosten des Modells, sondern über den reinen Rechenaufwand des Lösungsvorgangs. Und es ist die Kennzahl, die zeigt, wie sich der Maßstab verschiebt. Bisher wurde KI-Nutzung pro Anfrage gerechnet, in Bruchteilen von Cent. Astra ist auf Aufgaben ausgelegt, an denen mehrere Agenten über Stunden bis Tage arbeiten. Damit wird aus der Frage nach dem Preis pro Antwort eine Frage nach dem Budget pro Arbeitsauftrag.

Wer Agenten über Tage laufen lässt, kalkuliert nicht mehr in Cent pro Anfrage, sondern in dreistelligen bis vierstelligen Beträgen pro Vorgang.

Was Astra im Modellangebot bedeutet

Astra wäre eine eigene Modellklasse neben den bestehenden Familien Sol, Terra und Luna. Ob es als GPT-6 erscheint oder als Variante innerhalb der GPT-5-Linie, ist laut Bericht noch nicht entschieden.

Die Modelle befinden sich in der Testphase. Astra soll als erstes Modell ein neues Verfahren durchlaufen, das eine behördliche Prüfung vor der öffentlichen Veröffentlichung vorsieht. Ein Veröffentlichungstermin steht damit nicht fest. OpenAI hat als längerfristiges Ziel einen vollautonomen KI-Forscher bis März 2028 genannt; Astra könnte dem Bericht zufolge bereits im September 2026 die Fähigkeiten eines Forschungspraktikanten zeigen.

Für die Bewertung heißt das: Es handelt sich um eine bestätigte Entwicklungsrichtung mit belegten Einzelergebnissen, nicht um ein verfügbares Produkt. Der praktische Nutzen für den Mittelstand ist heute gleich null, die Vorlaufzeit für Planung ist der eigentliche Wert der Meldung.

Was das für Ihr Unternehmen heißt

Trennen Sie kurze Anfragen von langen Aufträgen. Für Klassifikation, Zusammenfassung oder Extraktion bleiben günstige Modelle die richtige Wahl. Lange laufende Agenten sind eine andere Kostenklasse und brauchen eine eigene Freigabelogik.
Führen Sie ein Budget pro Vorgang ein, bevor Sie es brauchen. Wenn ein Agent stundenlang arbeiten kann, muss vorher feststehen, wann er abbricht. Ohne Obergrenze ist der Kostenrahmen offen.
Prüfbarkeit schlägt Selbstauskunft. Das Vorgehen mit Lean-Zertifikaten lässt sich auf den eigenen Betrieb übertragen: Wo ein KI-Ergebnis maschinell gegengeprüft werden kann, etwa durch Tests, Schema-Validierung oder Abgleich mit der Quelldatenbank, ist der Einsatz belastbar. Wo nur das Modell die Qualität bezeugt, ist er es nicht.
Rechnen Sie mit Vorlauf, nicht mit Verfügbarkeit. Die angekündigte behördliche Prüfung vor Veröffentlichung wird der Regelfall werden. Wer eine Anwendung auf ein bestimmtes Modell festlegt, sollte den Wechsel des Anbieters von Anfang an offen halten.

Die Meldung ist für den Alltag der meisten Unternehmen zunächst folgenlos, verschiebt aber den Rahmen, in dem sich KI-Projekte in den nächsten Jahren bewegen. Interessant wird es dort, wo Aufgaben heute an ihrer Dauer scheitern und nicht an ihrer Schwierigkeit. Wenn Sie einschätzen möchten, welche Ihrer Abläufe in diese Kategorie fallen, sehe ich mir das gern mit Ihnen an.