AIREITERDie Agents API von OpenAI ist jetzt als Public Beta verfügbar. Sie ist allerdings weder ein günstiger Ersatz für einzelne Modellaufrufe noch eine fertige Automatisierungsplattform. OpenAI kümmert sich um das Agent-Harness; Entwickler legen fest, wo der Code ausgeführt wird, welche Tools zum Einsatz kommen und welche operativen Grenzen gelten.
Die Kurzfassung: Was startet hier – und für wen ist das relevant?
OpenAI hat die Agents API am 10. September 2026 als Public Beta für Entwickler angekündigt. Die offizielle Ankündigung beschreibt einen verwalteten Ansatz, um Cloud-Agenten mit dem Codex-Harness, Modellen, Tools und einer ausgewählten Sandbox auszuführen.
Interessant ist die Agents API vor allem für Teams, die bereits langlebige Agenten mit Tool-Nutzung entwickeln. Für klar abgegrenzte Aufgaben kann dagegen ein normaler Aufruf der Responses API mit einer kleinen Anwendungsschleife die einfachere Lösung sein.
| Frage | Antwort |
|---|---|
| Ist die API verfügbar? | Ja, als Public Beta und nicht als allgemein verfügbare Version |
| Gibt es eine separate Plattformgebühr für die Agents API? | Laut OpenAI nein; Modell- und Tool-Nutzung kosten weiterhin Geld |
| Führt OpenAI sämtlichen Anwendungscode aus? | Nein. Du entscheidest dich für eine von OpenAI gehostete, eine Partner- oder eine selbst gehostete Umgebung |
| Was verwaltet OpenAI? | Das Agent-Harness einschließlich Orchestrierung und Sitzungsverwaltung über lange Abläufe hinweg |
| Ist die API produktionsreif? | Für kontrollierte Piloten geeignet; der Beta-Status erfordert einen Rückfallplan |
Die Architektur auf eine Entscheidung reduziert
Die Agents API trennt die Reasoning-Schleife von dem Ort, an dem die eigentliche Arbeit ausgeführt wird. Das Harness kann Sitzungen, Kontext, Tool-Auswahl und Delegation verwalten, während eine Sandbox Code ausführt, Dateien verarbeitet oder Artefakte erzeugt.
Für diese Abgrenzung ist die Architekturdokumentation von OpenAI maßgeblich. In der Berichterstattung zum Start werden diese Partnerumgebungen genannt: Blaxel, Cloudflare, Daytona, DigitalOcean, E2B, Modal, Oracle, Runloop und Vercel. Preise und regionale Funktionen sind nicht direkt vergleichbar.
| Ausführungsoption | Geeignet für | Wichtigster Kompromiss |
|---|---|---|
| Von OpenAI gehostete Sandbox | Schnelle Prototypen und verwaltete Ausführung | Weniger Kontrolle über die Infrastruktur |
| Partner-Sandbox | Bestehende Provider-Beziehung oder vorgegebene Bereitstellungsform | Preise und Verhalten unterscheiden sich je nach Anbieter |
| Selbst gehostete Umgebung | Bestehende Anforderungen an Sicherheit, Netzwerk oder Infrastruktur | Mehr Verantwortung für Zuverlässigkeit und Betrieb |
Eine selbst gehostete Umgebung ist die richtige Wahl, wenn Netzwerkregeln, Secrets, Datenresidenz oder die Kontrolle über das Dateisystem nicht verhandelbar sind. Für verwaltete Ausführung spricht dagegen ein schnellerer Start – vorausgesetzt, Paket, Timeouts, Persistenz und Artefaktverhalten des Anbieters bestehen deine Tests.
Governance-Entscheidungen zu Secrets, Dateien, Netzwerkzugriff und persistentem Zustand bleiben trotzdem bei deinem Team.
Was die Beta tatsächlich mitbringt
Die Übersicht zur Agents API und die zugehörige Dokumentation beschreiben mehrere Funktionen für Aufgaben, die über einen einzelnen Modellaufruf hinausgehen.
Lange Sitzungen und Kontextkomprimierung
Die automatische Kontextkomprimierung hilft dabei, das Wachstum des Kontexts in längeren Abläufen zu begrenzen. Eine allgemeingültige Kompressionsrate oder maximale Laufzeit verspricht OpenAI jedoch nicht. Deshalb solltest du die Funktion mit repräsentativen Workloads messen.
Tool-Suche und parallele Aufrufe
Mit der Tool-Suche lässt sich die Menge an Tool-Informationen reduzieren, die bei jedem Modellaufruf im Kontext landet. Programmatische parallele Tool-Aufrufe können die Gesamtlaufzeit verkürzen, wenn die Aufrufe unabhängig voneinander sind. Abhängige Abläufe werden dadurch aber nicht parallelisierbar: Wenn Tool C erst nach dem Ergebnis B aufgerufen werden kann, bleibt diese Abhängigkeit bestehen.
Delegation an mehrere Agenten
Ein primärer Agent kann Teilaufgaben an weitere Agenten delegieren, auch parallel. Das eignet sich etwa für klar begrenzte Recherche-, Klassifizierungs- oder Artefaktaufgaben. Gleichzeitig vervielfacht sich die Zahl möglicher Fehler- und Abrechnungspfade. Eine Obergrenze für Subagenten und maximale Anzahl an Durchläufen sollte daher bereits Teil des Anwendungsdesigns sein.
Ausführungsumgebungen
Die Dokumentation behandelt von OpenAI gehostete Sandboxes und selbst gehostete Sandboxes. Vor der Entscheidung solltest du Paketinstallation, Persistenz des Dateisystems, Netzwerkregeln, Zugangsdaten, Timeouts und die Verarbeitung von Artefakten mit genau dem vorgesehenen Anbieter testen.
Kostenmodell: Keine Plattformgebühr heißt nicht kostenlos
OpenAI zufolge erhebt die Agents API während der Beta keine separate Gebühr. Auf der Rechnung können trotzdem Modell-Tokens, integrierte oder externe Tools sowie die Infrastruktur der Sandbox landen.
| Kostenebene | Einplanen solltest du |
|---|---|
| Modellaufrufe | Ein- und Ausgabetokens über alle Durchläufe und Subagenten hinweg |
| Integrierte Tools | Je nach Tool anfallende Nutzungsgebühren |
| Sandbox | Compute, Speicher, Netzwerk oder Gebühren des jeweiligen Anbieters |
| Anwendungsbetrieb | Logs, Warteschlangen, Datenbanken, Monitoring und Wiederholungen |
Eine unabhängige Kostenanalyse von A8gent zeigt, warum Schätzungen für einzelne Aufrufe in die Irre führen können. Für den angegebenen Workload von 1.000 Triage-Läufen pro Monat, 3.000 Eingabetokens und 400 Ausgabetokens pro Lauf wurden monatlich etwa $0.31 für Modell-Tokens mit gpt-5-nano und etwa $27 mit gpt-5.6-sol veranschlagt – jeweils vor Hosting-Kosten. Diese Werte stammen aus der zeitgebundenen Berechnung des Artikels und sind kein Preisangebot für die Agents API.
Mehrstufige Workflows sind teurer als Schätzungen für einzelne Aufrufe, weil spätere Durchläufe den angesammelten Kontext mitführen. Für die Budgetplanung solltest du deshalb deine eigenen Nutzungsdaten heranziehen.
Ein vorsichtiger Pilot sollte die maximale Zahl an Durchläufen festlegen, parallele Arbeit begrenzen, den Token-Verbrauch pro abgeschlossenem Geschäftsergebnis erfassen und ein Ausgabenlimit pro Lauf erzwingen. Das Beispiel für einen Ausgaben-Controller pro Lauf im OpenAI Cookbook kennzeichnet seine Preise ausdrücklich als fiktiv. Das zugrunde liegende Reservierungsprinzip ist dennoch nützlich: Vor jeder Anfrage wird ein Worst-Case-Betrag reserviert und anschließend mit der tatsächlichen Nutzung verrechnet.
Diese Fragen solltest du vor dem Einsatz in Produktion klären
Da sich Beta-APIs, Integrationen und Limits ändern können, solltest du einen Fallback bereithalten, der neue Läufe stoppen kann, ohne die maßgeblichen Quelldaten zu beschädigen.
Der frühe Nutzer @yandt888 äußerte Bedenken zur Datenresidenz in den USA und zum Zusammenspiel von selbst gehosteter Ausführung mit Anforderungen an Zero Data Retention. Das ist die von einem Nutzer geschilderte Sorge und keine Aussage zur OpenAI-Richtlinie. Bevor du regulierte Daten übermittelst, solltest du die aktuell für dein Konto geltenden vertraglichen und regionalen Bedingungen prüfen.
Vor der Einführung solltest du klären:
- Ob ein fehlgeschlagener Lauf fortgesetzt werden kann, ohne eine externe Aktion doppelt auszuführen.
- Wo Sitzungsdaten, Dateien und Artefakte gespeichert werden und was bei einem Ausfall des Anbieters passiert.
- Ob dein Team Entscheidungen von Subagenten zurückverfolgen, Eingaben reproduzieren und bei einer Änderung des Beta-Vertrags migrieren kann.
Behandle Demos als Demos: Schütze nicht umkehrbare Aktionen mit Freigaben, gestalte Tools nach Möglichkeit idempotent und teste Prompt-Injection sowie Teilfehler mit echten Integrationen.
Eine sinnvolle Grenze für den Einstieg
Die Agents API ist ein guter Ausgangspunkt, wenn die eigentliche Herausforderung darin besteht, anspruchsvolle Arbeit über mehrere Tools, Sitzungen oder spezialisierte Agenten hinweg zu koordinieren. Starte mit einer begrenzten Aufgabe – etwa Dokumenten-Triage, interner Recherche oder Artefakterstellung – und vergleiche den Ansatz anschließend mit der einfacheren Schleife, die du sonst selbst betreiben müsstest.
| Wenn deine Priorität … ist | Starte mit … |
|---|---|
| Schneller Zugriff auf verwaltete Orchestrierung | Einem Pilotprojekt mit der Agents API |
| Maximale Kontrolle über den Workflow-Zustand | Deiner eigenen Orchestrierungsschicht |
| Strikte Unabhängigkeit vom Anbieter | Einem modellagnostischen Framework oder Gateway |
| Freigaben und Auditierbarkeit mit hohen Anforderungen | Einer Workflow-Engine rund um den Agenten |
| Günstige, planbare Aufrufe für einzelne Durchläufe | Direkten Anfragen an die Model API |
Für einen Pilotversuch solltest du eine Erfolgskennzahl, maximale Kosten pro Aufgabe, maximale Laufzeit und einen Punkt für menschliche Freigabe definieren. Wenn das verwaltete Harness den Entwicklungsaufwand nicht spürbar senkt oder die Wiederherstellung nach Fehlern nicht verbessert, solltest du es nicht zu einer neuen Abhängigkeit von einer Beta machen.
FAQ zur OpenAI Agents API
Ist die OpenAI Agents API allgemein verfügbar?
Nein. OpenAI hat sie am 10. September 2026 als Public Beta angekündigt. In den Materialien zum Start wurde keine allgemeine Verfügbarkeit angekündigt.
Kann ich meine eigene Sandbox verwenden?
Ja. OpenAI dokumentiert selbst gehostete Umgebungen neben von OpenAI gehosteten und von Partnern bereitgestellten Umgebungen als Option. Sicherheit, Netzwerk, Persistenz und Betrieb liegen dann in größerem Umfang bei deinem Team.
Unterstützt die API Multi-Agent-Workflows?
Ja. Die API unterstützt die Delegation an Subagenten und parallele Arbeit. Lege dafür klare Grenzen fest, denn jeder zusätzliche Agent kann Latenz, Token-Verbrauch und mögliche Fehlerquellen erhöhen.