AntwortenVeröffentlicht19 Quellen
InAgent erreicht 90,2 Prozent bei OSWorld: Warum das Agenten-Harness entscheidend wird
Intelligence Indeed meldete für seinen als Z Agent beziehungsweise InAgent bezeichneten Computer Agenten 90,2 Prozent Erfolg auf der 361 Aufgaben Konfiguration von OSWorld – der erste berichtete Wert über 90 Prozent. OSWorld prüft KI Agenten in echten Desktop Umgebungen anhand des resultierenden Systemzustands, nich...
Veröffentlicht vonBearbeitet mit GPT-5.6 TerraBilder erstellt mit GPT Image 2
Forschungsantwort
Wichtige Erkenntnisse
- Intelligence Indeed meldete für seinen als Z Agent beziehungsweise InAgent bezeichneten Computer Agenten 90,2 Prozent Erfolg auf der 361 Aufgaben Konfiguration von OSWorld – der erste berichtete Wert über 90 Prozent.
- OSWorld prüft KI Agenten in echten Desktop Umgebungen anhand des resultierenden Systemzustands, nicht bloß anhand von Textantworten oder Bildschirmbildern.
- Auch bei 90,2 Prozent blieben rechnerisch 9,8 Prozent vergleichbarer Aufgaben unerledigt.
KI-Prompt
openai.comCreate a landscape editorial hero image for this Studio Global article: How did Chinese company Intelligence Indeed’s InAgent become the first computer-use agent to exceed 90% on the OSWorld benchmark—achieving 9. Article summary: The reported result is best understood as a system-level achievement, not evidence that InAgent has a uniquely superior foundation model. InAgent reportedly combined model reasoning with an execution “harness” that plans. Topic tags: general, academic, general web, user generated. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, char
Intelligence Indeed berichtete im August 2026, sein Computer-Agent habe bei OSWorld eine Erfolgsquote von 90,2 % erreicht. Das Produkt heißt in der Unternehmensmitteilung Z-Agent, in anderen Berichten InAgent. Nach Angaben des Unternehmens war es der erste gemeldete Teilnehmer über der Marke von 90 % und zugleich Spitzenreiter einer Unterrangliste für Agenten-Frameworks. 18
22
Die eigentliche Erkenntnis ist nicht, dass ein einzelnes Modell die Desktop-Automatisierung nun gelöst hätte. Entscheidend ist zunehmend das Harness: die Laufzeitsoftware um das Modell herum. Sie setzt Pläne in kontrollierte Aktionen um, prüft Ergebnisse und fängt die vielen Fehlerfälle realer Arbeitsabläufe ab.
Was InAgent nach den Berichten erreicht haben soll
Für die OSWorld-Auswertung werden InAgent folgende Werte zugeschrieben:
- 90,2 % Erfolg über alle Aufgaben
- 84,7 % bei anwendungsübergreifenden Aufgaben
- 92,3 % bei GIMP-Aufgaben
- 100 % bei Aufgaben auf Betriebssystemebene
22
Das sind berichtete, nicht unabhängig geprüfte Ergebnisse. In den vorliegenden Quellen findet sich kein öffentlicher technischer Bericht, der Grundmodell, Werkzeuge für Aktionen, Prompts, Evaluierungseinstellungen und Harness-Komponenten so aufschlüsselt, dass sich der Anteil jedes Bausteins an der Punktzahl bestimmen ließe. Das ist wichtig: Ein Benchmarkwert misst eine Konfiguration aus Modell und System – nicht die Intelligenz eines Modells isoliert.
Auch eine historische Spitzenposition ist nicht mit einer dauerhaften Führungsposition gleichzusetzen. Ein Leaderboard-Schnappschuss vom September 2026 führt etwa Qwen3.8 Max mit 86,1 % bei OSWorld-Verified. Das verdeutlicht, dass Ranglisten und Evaluierungskonfigurationen sich verändern können. 3
Warum OSWorld ein aussagekräftiger Test ist
OSWorld wurde entwickelt, um Agenten in echten Computerumgebungen zu testen – nicht beim Beantworten von Fragen zu Screenshots oder auf simulierten Webseiten. Der ursprüngliche Benchmark umfasst 369 realitätsnahe Aufgaben in Programmen wie Chromium, LibreOffice, GIMP, Thunderbird, VLC und Visual Studio Code sowie Betriebssystem- und anwendungsübergreifende Arbeiten. Bewertet wird anhand von Prüfungen des erreichten Zustands in vorbereiteten Umgebungen. 2
14
Die häufig verwendete Konfiguration mit 361 Aufgaben lässt acht Google-Drive-Aufgaben aus, die manuelle Einrichtung erfordern können. 14
Damit verlangt OSWorld mehr als das Vorhersagen des nächsten Mausklicks. Ein erfolgreicher Agent muss sich durch Oberflächen bewegen, Fortschritt über mehrere Schritte hinweg bewahren, Dateien und Programmzustände bearbeiten – und den Rechner am Ende in den erwarteten Zustand bringen.
Der historische Vergleich macht den Wert von 90,2 % auffällig: In der ursprünglichen Referenz von OSWorld erledigten Menschen mehr als 72,36 % der Aufgaben; das beste Modell kam auf 12,24 %. 14 Als allgemeines Maß für berufliche Kompetenz taugt dieser Vergleich jedoch nicht. Benchmarkwerte hängen unter anderem von Aufgabenwahl, Umgebung, Aktionsbudget, Werkzeugen und dem Agenten-Harness ab.
Vom Prompt zum Harness
Ein Prompt sagt dem Modell, was es tun soll. Context Engineering bestimmt, welche Informationen es erhält. Harness Engineering gestaltet dagegen das Laufzeitsystem: wie der Agent beobachtet, handelt, Zustand speichert, den Abschluss prüft und sich von Fehlern erholt.
Eine Übersicht zur Konstruktion von Agentensystemen beschreibt das Execution Harness als Infrastruktur, die Wahrnehmung und Handlungen eines Agenten prägt und Fehlererkennung sowie Fehlerbehebung ermöglicht. Dazu gehören etwa die Gestaltung von Beobachtungen und Aktionsräumen, abgeschirmte Ausführung, Kontextverwaltung und Prüfschleifen. 28
Für einen Computer-Agenten muss ein gutes Harness typischerweise sechs Aufgaben erfüllen:
- Arbeitsabläufe in prüfbare Teilziele zerlegen. Statt nur „Bestellung aktualisieren“ vorzugeben, kann das System das Auffinden des Datensatzes, die Feldprüfung, die Änderung, das Anhängen eines Nachweises und die Kontrolle des Speicherns verlangen.
- Aktionen an die passende Schnittstelle leiten. Wenn verfügbar und erlaubt, sind API, Kommando oder strukturiertes Werkzeug oft verlässlicher als ein Mausklick. Die grafische Oberfläche bleibt für Schritte ohne maschinenlesbare Schnittstelle wichtig.
- Dauerhaften Zustand verwalten. Der Agent braucht eine belastbare Aufzeichnung abgeschlossener Schritte, des Zustands der Anwendung, ausgewählter Objekte und Dateien – ebenso wie die Information, ob ein Wiederholungsversuch sicher ist.
- Ergebnisse im führenden System prüfen. Die Behauptung eines Modells, es sei erfolgreich gewesen, ist kein Nachweis. Ein Harness kann API-Antworten, Datenbankwerte, gespeicherte Dateien oder Programmzustände kontrollieren.
- Sicher mit Fehlern umgehen. Dafür braucht es Regeln für veraltete Seiten, fehlgeschlagene Klicks, Pop-ups, Zeitüberschreitungen, Teilübermittlungen und unterbrochene Anmeldungen.
- Berechtigungen und Nachvollziehbarkeit durchsetzen. Protokolle, Aktionstraces, Freigabeschranken und eingeschränkte Zugangsdaten machen folgenreiche Arbeit überprüfbarer und sicherer.
Dass diese Ebene die Leistung deutlich beeinflussen kann, wird auch empirisch gestützt. Eine Studie berichtet, dass zehn Iterationen des Agentic Harness Engineering die pass@1-Rate auf Terminal-Bench 2 von 69,7 % auf 77,0 % hoben – über der dort genannten Referenz von 71,9 % für ein von Menschen entworfenes Harness. Das ist ein anderer Benchmark und bestätigt daher nicht InAgents OSWorld-Wert. Es stützt aber die allgemeinere Aussage, dass das Laufzeitdesign große Fortschritte bringen kann, ohne lediglich das Modell auszutauschen. 29
Warum die Mischung aus API und GUI für Unternehmen interessant ist
Der berichtete strategische Ansatz von InAgent ist hybrid: verlässliche programmgesteuerte Schnittstellen nutzen, wo es sie gibt, und zugleich menschenähnliche Steuerung über grafische Oberflächen für Anwendungen ohne geeignete API beibehalten. 22
Das adressiert ein praktisches Problem in Unternehmen. Viele Abläufe verbinden moderne Dienste mit nutzbaren APIs und ältere Desktopsoftware, Lieferantenportale oder interne Systeme, bei denen der Bildschirm weiterhin der einzige realistische Zugang ist.
Im Prinzip kann der Agent für jeden Schritt den robusteren Weg wählen:
- API oder Kommando für strukturierte Abfragen und Änderungen;
- GUI-Steuerung für alte oder geschlossene Oberflächen;
- möglichst eine deterministische Prüfung im führenden System.
Forschung zu OSWorld-MCP kommt ebenfalls zu dem Ergebnis, dass Werkzeugaufrufe die Erfolgsquote bei Computeraufgaben in manchen Szenarien erhöhen können. In den berichteten Tests stieg OpenAI o3 bei 15 Schritten von 8,3 % auf 17,6 %, Claude 4 Sonnet bei 50 Schritten von 38,9 % auf 45,0 %. 24
Die Einschränkung: GUI-Automatisierung bleibt anfällig für geänderte Oberflächen, Verzögerungen, Pop-ups, mehrdeutige Ziele, Zugriffsbeschränkungen, Mehrfaktor-Authentifizierung und irreversible Aktionen. Hybride Ausführung kann Risiken senken, aber nicht beseitigen.
Was 90,2 Prozent für den Praxiseinsatz bedeuten
Eine Erfolgsquote von 90,2 % bedeutet zugleich, dass 9,8 % der Benchmarkaufgaben nicht erfolgreich abgeschlossen wurden. Bei hypothetischen 10.000 vergleichbaren Vorgängen wären das rund 980 Ausnahmen – noch bevor Fehler berücksichtigt werden, die äußerlich erfolgreich aussehen, aber zu einem falschen Geschäftsergebnis führen.
Das macht den Wert nicht unwichtig. Er deutet darauf hin, dass Computer-Agenten für klar abgegrenzte, wiederholbare Abläufe mit starken Kontrollen zunehmend nützlich werden könnten. Er ist aber keine Rechtfertigung für unbeaufsichtigte Automatisierung von Zahlungen, Rechtsmeldungen, sicherheitskritischen Vorgängen oder kundenwirksamen Änderungen.
Für den Produktiveinsatz sollten Teams mehr bewerten als eine auffällige Erfolgsquote:
- Abschlussrate und fachliche Korrektheit auf eigenen Prozessen;
- Fehlermuster und Wiederherstellbarkeit;
- Kosten, Latenz und Zahl der Aktionen;
- Berechtigungsgrenzen und Freigabepunkte;
- Nachweise, dass jede abgeschlossene Aktion den vorgesehenen Systemzustand tatsächlich verändert hat;
- Umfang und Bearbeitung der Ausnahme-Warteschlange.
Der neuere und schwierigere Benchmark OSWorld 2.0 unterstreicht die Vorsicht. Er umfasst 108 langlaufende Arbeitsabläufe; das beste berichtete Ergebnis für vollständigen Abschluss lag unter der primären Metrik mit 500 Schritten bei 20,6 %. Das ist ein Hinweis darauf, dass Agenten bei längeren, realistischeren Aufgaben noch weit von allgemein professioneller Computernutzung entfernt sind. 17
Der eigentliche Meilenstein heißt Ausführungs-Engineering
InAgents gemeldete 90,2 % lassen sich am sinnvollsten als Meilenstein des Agentensystem-Engineerings lesen. Bessere Prompts und reichhaltiger Kontext bleiben wichtig. Zuverlässige Automatisierung entsteht aber immer stärker durch die Technik rund um das Modell: Zerlegung von Aufgaben, Werkzeugauswahl, persistenter Zustand, überprüfbarer Abschluss, begrenzte Befugnisse und Wege zur Fehlerbehebung.
Für Unternehmen lautet die entscheidende Frage daher nicht allein, welches Modell einen Benchmark anführt. Entscheidend ist, ob ein Agent einen konkreten Ablauf mit messbarer Korrektheit, kontrollierten Nebenwirkungen und einer sicheren Übergabe an Menschen ausführen kann, wenn er nicht weiterkommt. Ein hoher OSWorld-Wert kann bei dieser Einschätzung helfen – beweisen kann er sie allein nicht.
Studio Global AI
Setzen Sie Ihre Recherche fort
Diese Seite enthält eine quellengestützte Antwort, die Sie in Studio Global fortsetzen können.
Die Leute fragen auch
Wie lautet die kurze Antwort auf „InAgent erreicht 90,2 Prozent bei OSWorld: Warum das Agenten-Harness entscheidend wird“?
Intelligence Indeed meldete für seinen als Z Agent beziehungsweise InAgent bezeichneten Computer Agenten 90,2 Prozent Erfolg auf der 361 Aufgaben Konfiguration von OSWorld – der erste berichtete Wert über 90 Prozent.
Was sind die wichtigsten Punkte, die zuerst validiert werden müssen?
Intelligence Indeed meldete für seinen als Z Agent beziehungsweise InAgent bezeichneten Computer Agenten 90,2 Prozent Erfolg auf der 361 Aufgaben Konfiguration von OSWorld – der erste berichtete Wert über 90 Prozent. OSWorld prüft KI Agenten in echten Desktop Umgebungen anhand des resultierenden Systemzustands, nicht bloß anhand von Textantworten oder Bildschirmbildern.
Was soll ich als nächstes in der Praxis tun?
Auch bei 90,2 Prozent blieben rechnerisch 9,8 Prozent vergleichbarer Aufgaben unerledigt.
Quellen
globenewswire.comIntelligence Indeed's Z-Agent Becomes OSWorld's First 90%+
benchlm.aiOSWorld-Verified Leaderboard & Scores — August 2026
arxiv.orgOSWorld-Human: Benchmarking the Efficiency of Computer-Use ...
osworld-v1.xlang.aiOSWorld: Benchmarking Multimodal Agents for Open-Ended ...