OpenAIs Dark Factory: Wenn KI komplett allein Code schreibt

Irgendwo in den Serverräumen hinter OpenAIs Firewall läuft seit August 2025 ein Experiment, das die Softwareentwicklung grundlegend verändert. Kein menschlicher Entwickler hat dort Code geschrieben. Kein menschlicher Reviewer hat einen einzigen Commit geprüft, bevor er auf dem Haupt-Branch landete. Stattdessen: eine Million Zeilen Code, fünfzehnhundert Pull Requests, und ein Team von Agenten, das täglich rund eine Milliarde Tokens verarbeitet. Die Industrie nennt es das Dark-Factory-Paradigma. Ryan Lopopolo von OpenAI hat jetzt öffentlich gemacht, wie es wirklich funktioniert.

Die Dark Factory: Was OpenAI wirklich baut

Der Begriff "Dark Factory" stammt aus der Fertigungsindustrie: vollautomatisierte Produktionshallen, in denen das Licht ausgeknipst bleibt, weil keine Menschen mehr anwesend sind. Was in der Automobilindustrie schon Realität ist, übersetzt OpenAI nun in die Softwareentwicklung – mit bemerkenswert ähnlicher Logik.

Ryan Lopopolo, der bei OpenAIs neu gegründetem Frontier-Team für neue Produktentwicklung zuständig ist, hat in einem ausführlichen Essay dargelegt, was sein Team in den vergangenen fünf Monaten aufgebaut hat. Die Prämisse war radikal simpel: Kein Mensch im Team durfte eine einzige Zeile Code schreiben. Nicht mal als Notlösung, nicht mal "kurz, weil's schneller geht." Die Einschränkung war absolute Pflicht.

Das Ergebnis: Ein internes Software-Produkt mit täglich aktiven Nutzern, externen Alpha-Testern, CI-Pipeline, Deployment-Infrastruktur und Observability-Stack – vollständig gebaut von Codex, dem KI-Coding-Agenten von OpenAI, der auf GPT-5 läuft. Die Codebasis umfasst heute über eine Million Zeilen Code. Rund 1.500 Pull Requests wurden geöffnet und gemergt. Das Startteam bestand anfangs aus nur drei Ingenieuren, später sieben – die im Schnitt 3,5 PRs pro Person pro Tag verantworteten. Nicht schrieben. Verantworteten.

Der entscheidende Unterschied steckt in dieser Formulierung. Die Ingenieure haben aufgehört, Software zu schreiben. Ihre Aufgabe ist es jetzt, Umgebungen zu gestalten, Absichten zu spezifizieren und Rückkopplungsschleifen zu bauen, die es dem Codex-Agenten ermöglichen, zuverlässig zu arbeiten. Humans steer. Agents execute – so fasst Lopopolo das Paradigma zusammen.

Der Tokenverbrauch, den dieses System erzeugt, liegt bei rund einer Milliarde Tokens täglich. Umgerechnet auf aktuelle Marktpreise mit caching-Annahmen: etwa 2.000 bis 3.000 US-Dollar pro Tag. Lopopolo nennt das nicht verschwenderisch, sondern zwingend: Es sei "fast grob fahrlässig", als Engineering-Team nicht mindestens eine Milliarde Tokens täglich zu verbrauchen, wenn man wirklich Geschwindigkeit wolle.

Wie autonomes Coding technisch funktioniert

Was auf dem Papier nach einem einfachen "Gib der KI eine Aufgabe"-Loop klingt, ist in der Praxis ein hochkomplexes System aus Scaffolding, Observability und Multi-Agenten-Koordination. Lopopolo beschreibt drei kritische Erkenntnisse aus dem fünfmonatigen Experiment.

Erstens: Wenn der Agent scheitert, liegt das Problem nie am Agenten selbst. Das frühe Codex war langsam und fehleranfällig – aber nicht, weil das Modell schlecht war, sondern weil die Umgebung unterspecifiziert war. Der Agent hatte nicht die Tools, Abstraktionen und internen Strukturen, die er brauchte, um sinnvolle Fortschritte zu erzielen. Die Lösung war nie "versuch es nochmal" oder "formuliere den Prompt anders." Die Lösung war immer: Was fehlt dem Agenten an Kontext, Fähigkeiten oder Struktur? Und wie bauen wir das nach, sodass es für den Agenten sowohl lesbar als auch durchsetzbar wird?

Zweitens: Build-Zeit ist der kritischste Engpass. Das Team setzte sich ein hartes Limit: Ein Minute maximale Zeit für den inneren Build-Loop. Immer wenn der Build länger dauerte, wurde das Build-System neu gebaut – nicht das Modell gewechselt, nicht der Prompt optimiert. Die Infrastruktur selbst wurde zur primären Engineering-Aufgabe. Denn ein Agent, der zehn Minuten auf Feedback wartet, ist zehnmal teurer als einer, der eine Minute wartet.

Drittens: Code Review muss agent-to-agent werden. Zunächst reviewten menschliche Ingenieure die PRs. Dann wurde klar: Die Code-Produktion skaliert schneller als menschliche Review-Kapazität es jemals könnte. Also wurde auch das Review-System automatisiert. Codex reviewt heute seine eigenen Änderungen lokal, fordert spezifische Agent-Reviews an – sowohl lokal als auch in der Cloud – und iteriert in einer Schleife, bis alle Agenten-Reviewer zufrieden sind. Menschliche Reviews sind optional geworden. Der gesamte PR-Lifecycle läuft autonom.

Um das zu ermöglichen, wurde die Applikation direkt für den Agenten lesbar gemacht. Logs, Metriken und Traces laufen über einen lokalen Observability-Stack, der für jeden Git-Worktree ephemer aufgebaut wird. Jeder Codex-Agent bekommt eine vollständig isolierte Instanz der Applikation – inklusive Chrome DevTools Protocol für UI-Interaktion, DOM-Snapshots und Screenshots. Der Agent kann Bugs reproduzieren, Fixes validieren und über UI-Verhalten urteilen, ohne einen einzigen Menschen zu involvieren.

Das Herzstück des Systems ist Symphony: ein Elixir-basierter Orchestrierungslayer, den OpenAI inzwischen als Open-Source-Referenzimplementierung veröffentlicht hat. Symphony überwacht ein Linear-Task-Board auf offene Aufgaben, spawnt Codex-Agenten für deren Umsetzung und koordiniert die Ergebnisse. Die Agenten liefern "Proof of Work" ab: CI-Status, PR-Review-Feedback, Komplexitätsanalyse und Walkthrough-Videos. Wenn die Qualitätsschwelle erreicht ist, landet der PR automatisch auf dem Haupt-Branch. Ingenieure managen das System – sie supervisen keine einzelnen Coding-Sessions mehr.

MirrorCode und die Evidenz: KI erledigt wochenlange Aufgaben

Das OpenAI-Experiment ist spektakulär, aber es ist nicht das einzige Indiz dafür, dass die KI-Softwareentwicklung in neues Terrain vorstösst. Epoch AI – eine der führenden unabhängigen Forschungsorganisationen zur Messung von KI-Fähigkeiten – hat mit MirrorCode einen Benchmark entwickelt, der gezielt untersucht, ob KI-Systeme in der Lage sind, ausgedehnte Coding-Aufgaben autonom über längere Zeiträume zu bearbeiten.

Klassische Coding-Benchmarks wie HumanEval oder SWE-bench messen isolierte Problemlösungen: Ein Bug wird beschrieben, der Agent schreibt einen Fix, Ergebnis wird geprüft. Das ist nützlich, aber fundamental anders als echte Softwareentwicklung, bei der ein Engineer über Stunden oder Tage in einer Codebasis navigiert, Kontextinformationen akkumuliert und Designentscheidungen iterativ verfeinert.

MirrorCode adressiert genau diesen Zeitraum. Die ersten Ergebnisse zeigen, dass aktuelle Frontier-Modelle tatsächlich in der Lage sind, wochenlange Engineering-Tasks autonom zu bearbeiten – mit verifizierbaren Outputs, die menschlicher Qualitätskontrolle standhalten. Das ist keine theoretische Extrapolation mehr, sondern gemessene Realität.

Die Zahlen aus OpenAIs eigenem Experiment bestätigen diese Befunde aus der Praxis: In fünf Monaten baute ein kleines Team ein produktionsreifes System, das von Hunderten Nutzern täglich genutzt wird – mit einem Throughput, der jeden menschlichen Engineering-Sprint in der Geschichte übersteigt. Bei gleichzeitig steigender Teamgrösse (von drei auf sieben Ingenieure) ist der Throughput nicht linear gestiegen, sondern hat sich überproportional erhöht. Das spricht dafür, dass der eigentliche Engpass nie die Modellleistung war, sondern die menschliche Orchestrierungskapazität.

Für die KI Softwareentwicklung bedeutet das: Wir befinden uns an einem Wendepunkt. Die technologischen Grundlagen für vollautonome Coding-Factories sind vorhanden. Was fehlt, ist nicht Intelligenz – sondern ausgereifte Harness-Infrastruktur und das institutionelle Wissen, wie man Agenten-Systeme korrekt speckt.

Auswirkungen auf Entwickler: Verdrängung oder Aufwertung?

Die offensichtlichste Frage, die sich bei diesem Paradigma stellt, ist auch die unbequemste: Braucht man in zehn Jahren noch menschliche Softwareentwickler?

Die ehrliche Antwort ist: kommt drauf an, welche. Lopopolo ist explizit darin, was Menschen weiterhin unverzichtbar macht – und was nicht. Das Schreiben von Boilerplate-Code, das Implementieren klar spezifizierter Features, das Erstellen von Tests für definierte Anforderungen: All das kann und wird KI übernehmen. Nicht als Hilfsmittel – als Erstausführer.

Was Menschen behalten, ist die Systemebene. Wer entscheidet, welches Problem gelöst werden muss? Wer beurteilt, ob das fertige System das Richtige tut – nicht nur ob es das Specifizierte korrekt implementiert? Wer erkennt, wenn ein Feature zwar technisch funktioniert, aber das Nutzererlebnis subtil zerstört? Und wer baut die Harness-Infrastruktur selbst, die diese Agenten erst arbeitsfähig macht?

Daten aus einer Studie von über 10.000 Entwicklern in mehr als 1.200 Teams zeigen die Dynamik bereits heute: Teams mit hoher KI-Adoption schliessen 21 Prozent mehr Tasks ab und mergen 98 Prozent mehr Pull Requests. Gleichzeitig steigt die Zeit für Code Reviews um 91 Prozent. Das ist kein Widerspruch – es ist eine Systemkritik. KI-generierter Code braucht mehr Review-Aufwand pro PR, weil die Überprüfung komplexer wird. Bis auch der Review-Prozess vollständig automatisiert ist, entsteht ein neuer menschlicher Engpass an genau dieser Stelle.

Lopopoulos Team hat dieses Problem gelöst, indem sie den Review-Loop vollständig in die Agent-to-Agent-Schicht verlagert haben. Für Teams, die diesen Schritt noch nicht gemacht haben, ist der Review-Bottleneck die direkte Konsequenz von KI Softwareentwicklung – und ein Warnsignal, das vielen DACH-Unternehmen gerade schmerzlich bewusst wird.

Was sich verändert, ist das Anforderungsprofil: Wer zukünftig als Software-Engineer relevant bleibt, denkt in Systemen, nicht in Zeilen. Wer Agenten spezifizieren, Kontextumgebungen bauen und Qualitätssignale in maschinenlesbare Feedback-Loops übersetzen kann, wird produktiver sein als je zuvor. Wer das nicht kann, wird verdrängt – nicht von der KI direkt, sondern von Kollegen und Teams, die das besser verstanden haben.

Was das für die DACH-Tech-Branche bedeutet

Die Schweizer, österreichische und deutsche Tech-Branche hat eine bekannte Stärke: solide Ingenieurskultur, hohe Qualitätsansprüche, und eine tiefe Skepsis gegenüber "Move fast and break things"-Ansätzen. Diese Tugenden sind in einer Welt von KI Code Generierung sowohl Schutz als auch Risiko.

Schutz, weil die Qualitätssicherung, die in DACH-Unternehmen institutionell verankert ist, direkt zu dem wird, was gut funktionierende Harness-Engineering-Systeme voraussetzen. Gute Spezifikationen schreiben. Qualitätsindikatoren definieren. Feedback-Systeme bauen. Das ist kein Widerspruch zu strengen Engineering-Standards – das ist ihre logische Fortsetzung in einer agentischen Welt.

Risiko, weil die Geschwindigkeit, mit der sich diese Paradigmen etablieren, für konservative Unternehmenskulturen bedrohlich ist. OpenAI hat in fünf Monaten ein produktionsreifes Produkt gebaut, für das ein klassisches Team Monate oder Jahre gebraucht hätte. Die Unternehmen, die jetzt zuschauen und warten, bis die Technologie "ausgereifter" ist, verpassen den Lernvorsprung, der in diesem Bereich entscheidend ist.

Konkret bedeutet das für DACH-Unternehmen: Harness-Engineering ist die neue Core-Kompetenz, die aufgebaut werden muss. Nicht das Trainieren von Modellen – das bleibt Sache von OpenAI, Anthropic und Google. Aber das Bauen der Umgebungen, in denen diese Modelle zuverlässig arbeiten können: das ist die engineering challenge der nächsten Jahre. Wer heute beginnt, seine Codebases agenten-lesbar zu machen, AGENTS.md-Files zu schreiben, Build-Loops zu optimieren und Observability direkt in den Agenten-Workflow zu integrieren, wird in zwei Jahren einen strukturellen Vorteil haben, der schwer aufzuholen ist.

OpenAIs Frontier-Team und seine KI-Plattform richten sich inzwischen explizit an Enterprise-Kunden – mit Partnern wie HP, Intuit, Oracle, State Farm und Uber bereits im ersten Rollout. Der Zug Richtung AI Software Factory fährt ab. Die DACH-Branche hat noch eine kurze Gelegenheit, nicht nur mitzufahren, sondern die eigene Infrastruktur rechtzeitig dafür aufzurüsten.

Die dunkelste Variante der Dark Factory – keine menschliche Kontrolle, kein Review, keine Oversight – wird in den meisten produktionskritischen Umgebungen noch lange keine Option sein. Aber das Paradigma, das OpenAI hier demonstriert, setzt trotzdem den Standard: Wer in KI Softwareentwicklung investiert, muss jetzt nicht mehr fragen, ob KI Code schreiben kann. Die Frage ist nur noch, wie gut die Umgebung ist, die man ihr baut.