Die automatische Komprimierung langer Arbeitsabläufe in KI-Umgebungen führt zu schwerwiegenden Datenverlusten bei autonomen Programmieraufgaben. Der Entwickler und Open-Source-Autor Simon Willison demonstrierte diese Schwachstelle in einem detaillierten Experiment mit OpenAIs neuem Modell GPT-6 Astra in ChatGPT Work. Zwar lieferte das System nach einem 27-minütigen Ablauf funktionierende Karten und GPX-Dateien, doch der dafür geschriebene und ausgeführte Python-Code ging durch die automatische Bereinigung des Kontextfensters unwiederbringlich verloren. Der Vorfall löste in der Entwicklerszene eine Debatte über die Zuverlässigkeit und Nachvollziehbarkeit agentischer Systeme aus.
In dem dokumentierten Testlauf sollte GPT-6 Astra (Max) Laufrouten auf Basis von Geodaten berechnen, die über die Overpass-Schnittstelle von OpenStreetMap abgefragt wurden. Über einen Zeitraum von knapp einer halben Stunde führte das System selbstständig mehrstufige Aufgaben aus, bereinigte Koordinaten und nutzte eine neue Visualisierungsfunktion zur Darstellung interaktiver D3-Karten. Das Modell verfasste eigenständig Python-Skripte, testete Berechnungen und erzeugte fertige GPX-Exportdateien. Für Beobachter galt der Versuch zunächst als gelungener Nachweis für die wachsende Fähigkeit moderner Modelle, komplexe Arbeitsaufträge ohne ständiges Eingreifen des Nutzers zu orchestrieren.
Das strukturelle Problem zeigte sich, als die Plattform ChatGPT Work ihren internen Mechanismus zur Kontextkomprimierung auslöste, um das Sitzungslimit nicht zu überschreiten. Um Tokens einzusparen, fasst das System längere Konversationsverläufe in knappen Textzusammenfassungen zusammen. Dabei wurden jedoch sämtliche vom Modell generierten Python-Codeblöcke aus dem Verlauf getilgt, während lediglich die Ausgabedateien erhalten blieben. Da der zuvor funktionstüchtige Quellcode weder in der Benutzeroberfläche noch über Agenten-Werkzeuge abrufbar blieb, ließ sich der genaue Berechnungsweg der Geodaten im Nachhinein nicht mehr prüfen oder reproduzieren.
Dieser Datenverlust, in der Fachwelt als Compaction Loss bezeichnet, offenbart einen fundamentalen Konflikt zwischen token-effizientem Speichermanagement und den Anforderungen an professionelle Softwareentwicklung. Autonome Programmierassistenten wie GPT-6 Astra oder Anthropics Claude Code erfordern oft mehrstündige Arbeitssitzungen, bei denen enorme Mengen an Kontextdaten anfallen. Gängige Komprimierungsverfahren behandeln Codeausführungen bisher wie flüchtige Chatnachrichten, die bei Speichermangel eingedampft werden dürfen. In der Softwaretechnik ist jedoch absolute Reproduzierbarkeit erforderlich, da jede Modifikation an Datensätzen und Skripten nachvollziehbar dokumentiert bleiben muss.
Als Konsequenz aus Willisons Befunden fordern Entwickler nun klare Standards für die Persistierung von Agenten-Protokollen. Anstatt Rohdaten ungesichert zu löschen, sollten Plattformbetreiber unveränderliche Speicherbereiche einrichten, in denen alle Skripte und Werkzeugaufrufe vor dem Komprimierungsschritt gesichert werden. Schnittstellen müssen sicherstellen, dass Vorab-Logs strukturiert abgelegt und für Entwickler sowie automatisierte Prüfwerkzeuge verfügbar bleiben. Ohne solche Nachweisketten stoßen autonome Agenten vor allem in regulierten Unternehmensumgebungen auf erhebliche Compliance- und Audit-Hürden.
Parallel zu dieser Diskussion wächst bereits das Ökosystem spezialisierter Hilfswerkzeuge, um die Spuren autonomer Agenten in der Entwicklungspraxis zu bändigen. Programme wie Willisons Werkzeug commit-rewriter entfernen temporäre Notizen und Agenten-Reste aus Versionskontrollsystemen, während automatisierte Screenshot-Tools visuelle Belege für CI/CD-Pipelines sichern. Wenn generative Modelle zunehmend vom reinen Textassistenten zum eigenständigen Softwareingenieur aufsteigen, müssen auch ihre Laufzeitumgebungen professionellen Maßstäben genügen. Die Lösung des Compaction-Problems entscheidet darüber, ob agentische Workflows tatsächlich verlässlich in Produktionsumgebungen integriert werden können.