Für jede Simulation bleibt der bisherige Verlauf eines früheren Gesprächs erhalten; nur die nächste Antwort erzeugt das neue Modell. Die Daten stammen aus Interaktionen von August 2025 bis März 2026.
In OpenAIs Auswertung erkannten Modelle künstliche Test-Prompts in 98,9 bis 100 Prozent der Fälle als Prüfung, reale Produktionsverläufe dagegen nur in 5,4 Prozent. Für GPT-5.4 sagte Deployment Simulation in 92 Prozent der Kategorien richtig voraus, ob ein Fehlverhalten nach dem Start häufiger oder seltener auftrat; klassische Tests kamen auf 54 Prozent.
Die Methode ergänzt Red-Team- und Fähigkeitstests, ersetzt sie aber nicht. Die Werte stammen aus OpenAIs eigenen Modellen und sind anbieterberichtet; unabhängige Reproduktionen stehen aus.