Was 2025 auszeichnete, ging über die Veröffentlichung einzelner Modelle hinaus. Es wurde einfacher, KI im Produktivbetrieb einzusetzen. Modelle konnten besser planen, Tools gezielter nutzen und längere Aufgaben bearbeiten. Immer mehr Teams gaben deshalb nicht mehr jeden Schritt per Prompt vor, sondern übertrugen Aufgaben an Agenten.
Für die Entwicklung zeigte sich das in mehreren Bereichen:
- Der Reasoning-Aufwand wurde zu einer zentralen Einstellung, die zunehmend auch in universell einsetzbaren Chatmodellen zur Verfügung stand.
- Multimodalität (Dokumente, Audio, Bilder, Video) wurde zu einem festen Bestandteil der API.
- Bausteine für Agenten (Responses API, Agents SDK, AgentKit) erleichterten es, mehrstufige Workflows bereitzustellen und zu betreiben.
- Mit Codex ließ sich Software schneller und besser entwickeln als je zuvor.
Kurz gesagt
- Die wichtigste Neuerung war das Zusammenspiel von speziell für Agenten entwickelten APIs und leistungsfähigeren Modellen, die komplexere Aufgaben mithilfe von Reasoning und Tools bewältigen können.
- Bei Codex entwickelten sich Modelle und Tools gleichermaßen weiter. GPT-5.2-Codex konnte Code im Kontext eines ganzen Repositorys analysieren. Für längere Programmieraufgaben standen eine produktionsreife CLI sowie Workflows im Web und in der IDE bereit.
- Mit den verbesserten Tools ließen sich Modelle einfacher und reibungsloser an bestehende Systeme anbinden.
- Multimodale Ein- und Ausgaben (PDFs, Bilder, Audio, Video) wurden in durchgängigen Workflows zum Standard.
- Evaluationen, Bewertungswerkzeuge und Funktionen zur Modellanpassung machten den Ablauf „messen → verbessern → veröffentlichen“ besser reproduzierbar.
Hier erfährst du, was sich 2025 bei Modellen, APIs und auf der Plattform getan hat und wie dir diese Neuerungen helfen, Agenten für den Produktivbetrieb zu entwickeln.
Reasoning: von eigenständigen Modellen zu einer gemeinsamen Modellreihe
Ende 2024 führten wir mit Reasoning einen Ansatz ein, bei dem Modelle „Zeit zum Nachdenken“ bekamen. Anfang 2025 bildeten Reasoning-Modelle noch eine eigene Familie. Modelle wie o1, o3 und o4-mini zeigten, wie viel zuverlässiger sie komplexe, mehrstufige Aufgaben lösen konnten, wenn sie vor der Antwort zusätzliche Rechenleistung für das Reasoning nutzten.
o3-mini zeigte schon früh, dass Reasoning nicht auf Frontier-Modelle beschränkt bleiben würde. Es ließ sich auch in kostengünstigen Modellen anbieten, die Entwicklungsteams unkompliziert einsetzen konnten.
In der zweiten Jahreshälfte 2025 stand die Zusammenführung dieser Fähigkeiten im Vordergrund. Dieselbe Reihe von Flagship-Modellen verband zunehmend tiefgehendes Reasoning und Tool-Nutzung mit hoher Gesprächsqualität. Für die meisten Teams ging es bei der Modellwahl nun vor allem darum, Kosten, Latenz und Qualität gegeneinander abzuwägen. Die Wahl zwischen grundlegend verschiedenen Modellfamilien rückte in den Hintergrund.
Mit Modellen, bei denen Reasoning im Mittelpunkt stand, etwa o1, o3 / o4-mini und o3-mini, konnten Entwicklungsteams zunehmend selbst einstellen, ob ein Modell „gründlicher nachdenken oder schneller antworten“ sollte. Im Laufe des Jahres flossen diese Ansätze in die GPT-5.x-Familie ein. Damit kamen allgemeine Intelligenz, tiefgehendes Reasoning, spezialisierte Programmierfähigkeiten und Multimodalität in einer Modellreihe zusammen.
Multimodalität: Audio, Bildverständnis, Bilder und Video
Ende 2025 bedeutete multimodal weit mehr als „das Modell kann ein Bild als Eingabe verarbeiten“. Du konntest nun ein Produkt entwickeln, das durchgängig mit mehreren Modalitäten arbeitet, oft in einem einzigen Workflow.
Audio und Echtzeitverarbeitung
- Die Audiomodelle der nächsten Generation erkannten gesprochene Sprache genauer. Auch die Sprachausgabe ließ sich gezielter steuern. Beides kam Sprachverarbeitungspipelines im Produktivbetrieb zugute.
- Die Realtime API wurde allgemein verfügbar. Sie ermöglichte Audiostreaming in beide Richtungen mit geringer Latenz. Damit ließen sich Sprachagenten für Live-Gespräche und dialogbasierte Benutzeroberflächen im Produktivbetrieb einsetzen.
Bilder
- Mit GPT Image 1 begann eine neue Generation von Modellen für die Bildgenerierung. Dank seines ausgeprägten Weltverständnisses konnte das Modell hochwertige Bilder erzeugen, strukturierte Änderungen vornehmen und Anweisungen genauer umsetzen.
- Weil das Modell die Bildvorlage genauer wiedergab, blieben Details wie Gesichter und Logos bei der Bearbeitung zuverlässiger erhalten.
- GPT Image 1 mini senkte die Kosten für die native Bildgenerierung.
- GPT Image 1.5, unser fortschrittlichstes Modell für die Bildgenerierung, verbesserte die Bildqualität deutlich und lieferte bei der Bearbeitung konsistentere Ergebnisse.
- Mit der Bildgenerierung als Tool in der Responses API ließen sich Bilder im Verlauf eines Dialogs über mehrere Gesprächsrunden erstellen, auch in Kombination mit anderen Tools.
Video
- Die Modelle Sora 2 und Sora 2 Pro ermöglichten die Generierung detailgetreuerer Videos. Bildinhalte blieben über die Zeit konsistenter, und vorhandene Videos ließen sich remixen.
- Mit der Video API ließen sich Videos über
v1/videosgenerieren und bearbeiten. Damit unterstützte die API Video als gleichwertige Modalität neben Text, Bildern und Audio.
PDFs und Dokumente
- Dank PDF-Eingaben ließen sich Workflows mit umfangreicher Dokumentenverarbeitung direkt über die API umsetzen.
- PDFs per URL vereinfachten den Zugriff auf Dokumente, weil du auf sie verweisen konntest, ohne sie hochzuladen.
Was das für dich bedeutet: Du kannst die OpenAI-Plattform neben der Verarbeitung von Text und visuellen Eingaben auch für die Bild- und Videogenerierung sowie für Speech-to-Speech-Anwendungen nutzen.
Codex
2025 entwickelte sich Codex vom Programmiermodell zum Software Engineer in deinem Team. Codex verband Modelle, lokale Tools und die Cloud, damit du auch umfangreichere und komplexere Programmieraufgaben angehen konntest.
Modelle
Die frühen Reasoning-Modelle erzielten deutliche Fortschritte bei komplexen Programmieraufgaben, etwa bei Änderungen an mehreren Dateien, der Fehlersuche und der Planung. In der zweiten Jahreshälfte 2025 kamen diese Fähigkeiten in der GPT-5-Familie zusammen. GPT-5.2-Codex wurde zur neuen Standardwahl, um Code zu generieren, zu überprüfen und im Kontext eines ganzen Repositorys zu analysieren. Diese Spezialisierung war nun Teil einer universell einsetzbaren Modellfamilie.
CLI
Die quelloffene Codex CLI (GitHub) brachte Programmieragenten direkt in die lokale Entwicklungsumgebung. Du konntest Codex in deinen Repositorys ausführen, Änderungen schrittweise überprüfen und selbst kontrollieren, welche Änderungen an Dateien übernommen wurden. So ließen sich auch längere Programmieraufgaben in den Arbeitsalltag integrieren.
Auch außerhalb interaktiver Sitzungen ließ sich Codex einfacher einsetzen. Wiederkehrende Abläufe konntest du mit integrierten Funktionen automatisieren, etwa indem du Codex per Skript gesteuert hast.
Sicherheit, Kontrolle und Integrationen
Codex berücksichtigte auch die Anforderungen des Produktivbetriebs. Mit Sandboxing und Genehmigungsmodi konntest du die Arbeit des Agenten leichter beaufsichtigen und bei Bedarf eingreifen. Dank der Unterstützung für AGENTS.md und MCP konntest du Codex einfacher an dein Repository anpassen, um Tools und Kontext von Drittanbietern erweitern und sogar Codex über das Agents SDK orchestrieren. Dazu hast du die CLI als MCP-Server ausgeführt.
Aktualisierung vom 5. September 2026: Der MCP-Server von Codex wurde entfernt. Die aktuellen Integrationsmöglichkeiten findest du im Migrationsleitfaden.
Web, Cloud und IDE
Neben der CLI unterstützte Codex auch im Web und in der Cloud sowie in der IDE-Erweiterung längere Sitzungen, in denen du Lösungen schrittweise erarbeiten konntest. So ließ sich das Reasoning im Dialog direkter in konkrete Codeänderungen umsetzen. Mit Codex Autofix konnten Teams außerdem Teile ihres CI-Workflows automatisieren.
Was das für dich bedeutet: Ende 2025 war Codex von einem „Modell, dem du Prompts gibst“ zu einer Arbeitsumgebung fürs Programmieren geworden. Dort arbeitest du mit Reasoning-Modellen und den Tools, die du bereits kennst.
Die Plattform im Wandel: Responses API und Bausteine für Agenten
Eine der wichtigsten Veränderungen auf der Plattform war 2025 der Übergang zu APIs, die von Grund auf für Agenten entwickelt wurden.
Mit der Responses API wurde es einfacher, Anwendungen für die neue Modellgeneration zu entwickeln:
- Unterstützung für mehrere Ein- und Ausgaben, auch in unterschiedlichen Modalitäten
- Einstellungen für den Reasoning-Aufwand und Unterstützung für Reasoning-Zusammenfassungen
- Bessere Unterstützung für Tool-Aufrufe, auch während des Reasonings
Auf dieser Grundlage kamen 2025 weitere Bausteine hinzu, etwa das quelloffene Agents SDK und AgentKit. Damit ließen sich Agenten einfacher entwickeln und orchestrieren.
Auch das Verwalten und dauerhafte Speichern von Zuständen wurde einfacher:
- Mit dem Gesprächszustand und der Conversations API lassen sich Threads dauerhaft speichern und Gesprächszustände rekonstruieren.
- Über Konnektoren und MCP-Server können Agenten externen Kontext einbeziehen und Aktionen über vertrauenswürdige Tool-Schnittstellen ausführen.
Was das für dich bedeutet: Wenn du Agenten für mehrstufige Aufgaben oder länger laufende Workflows entwickelst, brauchst du weniger eigenen Integrationscode und musst dich weniger um die Zustandsverwaltung kümmern.
Ergänzend zu diesen Grundfunktionen haben wir leistungsfähige integrierte Tools eingeführt, mit denen du die Möglichkeiten der Modelle besser ausschöpfen kannst.
Tools: von der Websuche bis zu Workflows
2025 haben wir standardisierte Funktionen eingeführt, die sich miteinander kombinieren lassen und mit denen Agenten Aufgaben sicher erledigen können.
- Die Websuche bot Agenten eine einfache Möglichkeit, aktuelle Informationen und Quellenangaben abzurufen.
- Die Dateisuche stellte mit Vektorspeichern eine gehostete Standardfunktion für RAG bereit, die sich gut mit der Responses API und strukturierten Ausgaben kombinieren lässt.
- Der Code Interpreter führte Python in isolierten Containern aus, um Daten zu verarbeiten, Dateien umzuwandeln und Fehler schrittweise zu beheben.
- Mit der Computernutzung ließen sich Abläufe aus Klicken, Tippen und Scrollen automatisieren. Am besten kombinierst du sie mit Sandboxing und menschlicher Aufsicht.
Was das für dich bedeutet: Agenten können zuverlässig Informationen abrufen, Berechnungen durchführen und Aktionen ausführen, ohne dass jedes Team eine eigene Laufzeitumgebung für Tools entwickeln muss.
Betrieb und Skalierung: asynchrone Verarbeitung, Ereignisse und Kostenkontrolle
Als Agenten zunehmend mehrstufige Aufträge statt einzelner Anfragen bearbeiteten, brauchten Teams für den Produktivbetrieb Grundfunktionen, mit denen sie Kosten und Latenz steuern und einen zuverlässigen Betrieb ermöglichen konnten.
- Prompt-Caching senkte die Latenz und die Eingabekosten, wenn mehrere Prompts mit demselben langen Abschnitt begannen, etwa mit identischen System-Prompts, Tool-Definitionen oder Schemata.
- Der Hintergrundmodus ermöglichte es, Antworten über längere Zeit zu generieren, ohne die Clientverbindung offen zu halten.
- Mit Webhooks konnten Systeme auf Ereignisse reagieren, statt laufend den Status abzufragen. Das galt etwa für den Abschluss eines Batch-Auftrags, eines Hintergrundauftrags oder eines Fine-Tunings.
- Mit der wachsenden Zahl von Nutzungsstufen und Modellfamilien entwickelten sich auch die Ratenlimits und die Empfehlungen zur Optimierung von Workloads weiter.
Was das für dich bedeutet: Bei der Entwicklung von Agenten wurde das Systemdesign genauso wichtig wie das Formulieren von Prompts. Dazu gehören asynchrone Verarbeitung, Ereignisse und Budgets.
Offene Standards und quelloffene Bausteine für Agenten
Neben der Zusammenführung der APIs rückte 2025 bei Agentensystemen die Frage in den Mittelpunkt, wie sich Komponenten kombinieren lassen und wie gut sie zusammenarbeiten.
- Das quelloffene Agents SDK für Python (GitHub) und TypeScript (GitHub) bot praktische Bausteine für die Tool-Nutzung, die Übergabe von Aufgaben zwischen Agenten, Schutzmechanismen und Tracing. Es ist anbieterunabhängig. Die Dokumentation beschreibt, wie du Modelle anderer Anbieter einsetzt.
- AgentKit ergänzte die Agentenentwicklung um übergeordnete Werkzeuge, darunter Agent Builder, ChatKit, Connector Registry und wiederholbare Evaluationsabläufe. Damit können Teams Agenten schneller veröffentlichen und weiterentwickeln.
- Bei den Standards trieb OpenAI AGENTS.md (Spezifikation) voran und beteiligte sich an der AAIF (Agentic AI Foundation). Hinzu kamen weitere Standards im Ökosystem wie das Model Context Protocol (MCP) und Skills. Je mehr Beteiligte dieselben Konventionen nutzen, desto leichter kannst du Agententools in unterschiedlichen Umgebungen einsetzen und desto seltener brauchst du eigene Integrationen für einzelne Anwendungen.
Neben unserer Arbeit an Agenten und den zugehörigen Standards haben wir das Apps SDK eingeführt. Dieses quelloffene Framework erweitert das Model Context Protocol (MCP), sodass du passend zu deinen MCP-Servern Benutzeroberflächen entwickeln kannst. Du definierst sowohl die Logik als auch die interaktive Oberfläche von Anwendungen, die in Clients wie ChatGPT laufen können.
Was das für dich bedeutet: Du kannst Agenten entwickeln, die weniger stark an eine bestimmte Laufzeitumgebung oder Benutzeroberfläche gebunden sind. Agenten auf Basis von OpenAI-Modellen lassen sich dadurch leichter in heterogene Systeme integrieren.
Open-Weight-Modelle
Ergänzend zu den gehosteten APIs veröffentlichte OpenAI Open-Weight-Modelle. Sie sind auf Transparenz, Forschung und den Betrieb vor Ort oder in einer selbst gehosteten Umgebung ausgelegt. Zugleich bieten sie leistungsfähiges Reasoning und können Anweisungen präzise umsetzen.
- gpt-oss-120b und gpt-oss-20b sind Reasoning-Modelle für selbst gehostete Umgebungen und den Betrieb vor Ort.
- gpt-oss-safeguard-120b und gpt-oss-safeguard-20b sind Modelle für Sicherheits- und Richtlinienprüfungen, die für den parallelen Betrieb mit gpt-oss vorgesehen sind.
Modelle evaluieren, anpassen und sicher bereitstellen
- Die Evals API unterstützt eine Entwicklung, die sich an Evaluationsergebnissen orientiert.
- Beim Reinforcement Fine-Tuning (RFT) kommen programmierbare Bewertungswerkzeuge zum Einsatz.
- Mit überwachtem Fine-Tuning oder Destillation kannst du die Qualität kleinerer, kostengünstigerer Modelle verbessern, sobald du die Aufgabe mit einem größeren Modell validiert hast.
- Bewertungswerkzeuge und der Prompt-Optimierer halfen Teams, den Zyklus „evaluieren → verbessern → erneut evaluieren“ in kürzeren Abständen zu durchlaufen.
Zum Abschluss
2025 haben wir uns auf einige Schwerpunkte konzentriert, um dir die Entwicklung und Bereitstellung von Anwendungen auf unserer Plattform zu erleichtern:
- Skalierbares Reasoning mit steuerbarem Reasoning-Aufwand als Kernfunktion
- Eine einheitliche, auf Agenten zugeschnittene API
- Offene Bausteine und neue Standards für Interoperabilität
- Umfassende multimodale Unterstützung für Text, Bilder, Audio, Video und Dokumente
- Leistungsfähigere Tools für Evaluation, Modellanpassung und Bereitstellung im Produktivbetrieb
Modellempfehlungen nach Aufgabe (Stand Ende 2025)
Wenn du ein neues Projekt beginnst oder eine Integration modernisierst, bieten sich je nach Aufgabe diese Modelle als erste Wahl an.
- Allgemeine Aufgaben (Text und multimodale Inhalte): GPT-5.2 für Chats, Aufgaben mit langem Kontext und multimodale Eingaben.
- Tiefgehendes Reasoning und Aufgaben mit hohen Anforderungen an die Zuverlässigkeit: GPT-5.2 Pro für die Planung und für Aufgaben, bei denen die höhere Qualität den zusätzlichen Rechenaufwand rechtfertigt.
- Programmierung und Softwareentwicklung: GPT-5.2-Codex zum Generieren und Überprüfen von Code, für Reasoning über ein ganzes Repository hinweg und für Programmieragenten, die Tools nutzen.
- Bildgenerierung und -bearbeitung: GPT Image 1.5 für die Generierung detailgetreuer Bilder und die schrittweise Bearbeitung.
- Sprachinteraktion in Echtzeit: gpt-realtime für Speech-to-Speech mit geringer Latenz und Sprachagenten für Live-Gespräche.
Aktuelle Informationen zur Verfügbarkeit und zu den Nutzungsstufen findest du im offiziellen Modellvergleich.
Auf diesen Neuerungen bauen wir weiter auf. Danke, dass du 2025 mit uns entwickelt hast. Wir freuen uns darauf, was du 2026 daraus machst.
Links und Ressourcen
- Prompt-Optimierer
- Modellvergleich (aktuelle Namen, Verfügbarkeit und Nutzungsstufen)
- Agents SDK (Python) und Agents SDK (TypeScript)
- Codex-Dokumentation und Codex CLI auf GitHub
- Playground für Bilder
- Änderungsprotokoll der Plattform (Neuerungen und Veröffentlichungsdaten)