Forschung

Wir lesen die Forschung, damit Ihr Projekt bei dem beginnt, was heute funktioniert

Anthropic und OpenAI veröffentlichen, was ihre Modelle können und wie sie damit bauen. Wir lesen alles, bleiben dran, wenn es sich alle paar Monate ändert, und bringen das, was sich bewährt, in jedes Kundenprojekt ein.

Frontier-Modelle

KI schafft jetzt neues Wissen

In den letzten Monaten haben Modelle von OpenAI und Anthropic Probleme gelöst, an denen Mathematiker und Physiker jahrzehntelang gearbeitet haben. Die Ergebnisse sind veröffentlicht und wurden von führenden Forschern geprüft.

Der Engpass ist nicht mehr die Intelligenz. Es ist die Umsetzung.

Eine berühmte Vermutung zu widerlegen oder eine Berechnung abzuschliessen, die Physiker aufgegeben hatten, ist Arbeit auf Doktoratsniveau, bei manchen Problemen darüber hinaus. In Prüfungen, die für Promovierte geschrieben wurden, schneiden Frontier-Modelle inzwischen besser ab als die Fachleute des Gebiets.

Für ein Unternehmen lautet die Frage also nicht mehr, ob das Modell klug genug ist, sondern wie diese Intelligenz in die tägliche Arbeit kommt: in Ihre Prozesse, Ihre Tools und Ihre Daten, sicher und messbar. Zwischen dem, was diese Modelle können, und dem, wofür Unternehmen sie heute einsetzen, klafft eine grosse Lücke. Sie zu schliessen, ist unsere Arbeit.

Aus den Labs

Was die Ingenieure bei Anthropic und OpenAI gelernt haben

Aktuelle Erkenntnisse aus den technischen Beiträgen der Labs, die für ein Unternehmen beim Einsatz von KI am meisten zählen, jeweils mit nachgezeichneter Abbildung und Link zum Original.

Vertrauenswürdig: deterministischer Code
Nicht vertrauenswürdig: in der Sandbox
GatewayKonfiguriert den Agent, eigener Container
Credential BrokerDer Agent sieht nie Secrets
Automatische PrüfungEin zweiter Agent gibt jede Aktion frei
ProtokollJede Konfigurationsänderung, jeder Schritt
AgentEigene Identität
Arbeitsbereich und NetzwerkEigene Verzeichnisse, freigegebene Hosts
konfiguriertnutztjede Aktion

Hunderte Agents, keinem wird vertraut

OpenAI hat «persistente Agents im ganzen Unternehmen im Einsatz, darunter Hunderte OpenClaw-Agents», und «über 500 Agents, die proaktiv im Hintergrund laufen und sinnvolle Arbeit leisten». Der Agent und der Code, den er schreibt, gelten als nicht vertrauenswürdig und laufen in einer Sandbox; vertrauenswürdiger, deterministischer Code verwaltet Netzwerk, Identität und Secrets. Ein zweiter Agent prüft jede Aktion («wir erzwingen eine automatische Prüfung aller Agent-Aktionen»), und «wir protokollieren alles».

Was es für Sie bedeutet

Agents, die in einem Unternehmen selbstständig laufen, sind sicher wegen der Mauern um sie herum, nicht weil sich das Modell gut verhält: eine Sandbox, ein Credential Broker, damit der Agent nie Secrets sieht, eine eigene Identität, eine Prüfung jeder Aktion und ein vollständiges Protokoll. Diese Mauern bauen wir zuerst.

Quelle: OpenAI, «Securing persistent agents like OpenClaw at OpenAI», 12. November 2026. Unsere Zeichnung nach dem Text des Beitrags.

Dreaming
Sitzung
TranskripteDurchsuchbares Ereignisprotokoll
Geladener KontextIn jede Sitzung geladen
GedächtnisdarstellungenAus Transkripten und Notizen
GedächtnisnotizenWichtige Beobachtungen
Nächste Sitzung
Stuft Kernnotizen hochBaut WikisKorrigiert NotizenBeim Start geladen

Agents, die ihr Gedächtnis offline aufräumen

Anthropic teilt das Gedächtnis eines Agents in Schichten: rohe Transkripte, Notizen, die Claude während einer Sitzung schreibt, abgeleitete Darstellungen wie Wikis und ein kleiner Kontext, der in jede Sitzung geladen wird. Ein Offline-Durchgang namens Dreaming prüft die Notizen gegen die Transkripte, korrigiert sie und stuft Wichtiges nach oben.

Was es für Sie bedeutet

Ein Agent, der über Wochen für dasselbe Unternehmen arbeitet, braucht ein Gedächtnis, dem man trauen kann. Sorgfältig gebaut, bleibt das rohe Protokoll die Grundwahrheit und die stets geladene Schicht klein und geprüft.

Quelle: Anthropic, «The components of agent memory», 6. November 2026. Nachgezeichnet nach Abbildung 1 im Beitrag.

API-Kosten der Bereinigung

  • GPT-6 Astra Ultra142 Befunde$109.06
  • GPT-6.1 Sol Ultra131 Befunde$15.12
  • GPT-6.1 Sol Medium86 Befunde$5.27

Eine günstigere Einstellung fand 92 % so viel

Fünf OpenAI-Ingenieure liessen Varianten eines breiten Aufräum-Prompts über mehrere Repositories laufen: «Wir haben mehr als 1’400 Pull Requests gemergt und über 800’000 Codezeilen gelöscht», in Teilzeit über zwei Wochen. Der Agent sammelte seine Belege selbst und begründete jede Änderung für die menschliche Prüfung. Bei einer Aufgabe «lieferte GPT-6.1 Sol Ultra 92 % so viele Befunde wie GPT-6 Astra Ultra, zu 14 % der API-Kosten».

Was es für Sie bedeutet

Das grösste Modell mit dem höchsten Aufwand ist selten die richtige Standardwahl. Klein anfangen, die Arbeit des Agents prüfen, dann skalieren, und ein günstigeres Modell oder eine tiefere Aufwandsstufe an einem Teil der Arbeit vergleichen, bevor man überall für das teure bezahlt.

Quelle: OpenAI, «Maintaining software with the GPT-6 family», 14. Oktober 2026. Nachgezeichnet nach dem Diagramm «Stale experiment cleanup» im Beitrag.

Erfolgsquote

  • GPT-6 Luna, in Codex0.88
  • GPT-6 Luna, eigenständige Schleife0.74
  • GPT-5-mini, in Codex0.43
  • GPT-5-mini, eigenständige Schleife0.64

Testen Sie das Tool dort, wo es läuft

OpenAI und deepsense.ai haben dasselbe Plugin in einer eigenständigen Function-Calling-Schleife und in Codex evaluiert. «Die Erfolgsquoten unterschieden sich zwischen der eigenständigen Schleife und Codex um 14 und 21 Prozentpunkte», bei zwei Modellen in entgegengesetzter Richtung. Über drei wiederholte Läufe blieb der Durchschnitt fast gleich, doch «23 der 108 (21 %) wechselten zwischen bestanden und nicht bestanden».

Was es für Sie bedeutet

Ein Agent, der einen Prüfstand besteht, kann in Ihrer echten Umgebung trotzdem scheitern, und ein stabiler Durchschnitt kann instabile Antworten verdecken. Wir testen in dem System, in dem der Agent wirklich laufen wird, wiederholen die Läufe und lassen einen Menschen eine Stichprobe der Antworten prüfen.

Quelle: OpenAI und deepsense.ai, «Harness-aware evaluation of plugins», 23. September 2026. Nachgezeichnet nach Tabelle 2 im Beitrag.

Umgebung: harte Grenze
Externe Inhalte reinPrüfen, scannen
ModellProbabilistisch
Externe Aktionen rausPrüfen, scannen
EingabenAktionen

Die Umgebung setzt die harte Grenze

Anthropic schützt Agents an drei Stellen: beim Inhalt, den sie lesen, beim Modell und bei der Umgebung, in der sie laufen. Die Schutzmechanismen im Modell sind stark, aber probabilistisch, und Nutzer bestätigten rund 93 % der Berechtigungsabfragen. Deshalb ist die Umgebung die harte Grenze; die Sandbox auf Betriebssystemebene in Claude Code senkte die Berechtigungsabfragen um 84 %.

Was es für Sie bedeutet

Ein sorgfältiges Deployment verlässt sich nicht allein auf das Modell oder auf weggeklickte Freigaben, sondern begrenzt mit Sandboxes, Dateigrenzen und Kontrollen des ausgehenden Verkehrs, was der Agent erreichen kann.

Quelle: Anthropic, «How we contain Claude across products», 25. Mai 2026. Nachgezeichnet nach Abbildung 2 im Beitrag.

  1. 4. MärzStandardaufwand von hoch auf mittel gesenktUm sehr lange Wartezeiten zu vermeiden
  2. 26. MärzBereinigung alter Denkschritte ausgeliefertEin Fehler löschte das Reasoning bei jedem Schritt statt einmal
  3. 7. AprilStandardaufwand zurückgesetztNutzer wollten standardmässig mehr Intelligenz
  4. 10. AprilDenkfehler behoben (v2.1.101)Die Ursache zu bestätigen dauerte über eine Woche
  5. 16. AprilLängenvorgaben im System-PromptZusammen mit Opus 4.7 ausgeliefert
  6. 20. AprilPrompt zurückgenommen; alle drei behobenBreitere Ablationen zeigten 3 % Rückgang (v2.1.116)
  7. 23. AprilNutzungslimits für alle Abonnenten zurückgesetzt

Drei kleine Änderungen, ein Qualitätsverlust

Meldungen, Claude Code sei schlechter geworden, gingen auf drei getrennte Produktänderungen zwischen dem 4. März und dem 16. April zurück, die jeweils einen anderen Teil des Verkehrs zu einem anderen Zeitpunkt trafen. Ein Fehler passierte mehrere menschliche und automatische Code-Reviews, Unit- und End-to-End-Tests sowie den internen Einsatz, und eine spätere Ablation fand einen Rückgang von 3 % durch eine einzige Zeile im System-Prompt.

Was es für Sie bedeutet

Ein KI-Produkt kann schlechter werden, ohne dass sich das Modell ändert. Änderungen an Prompt und Harness brauchen deshalb eigene Evals, Beobachtungsphasen und schrittweise Rollouts.

Quelle: Anthropic, «An update on recent Claude Code quality reports», 23. April 2026. Unsere Zeichnung nach dem Text des Beitrags.

Tools+ Ressourcen / MCP
SitzungEreignisprotokoll, nur ergänzt
HarnessSchleife, die Claude aufruft
SandboxFührt Code aus, bearbeitet Dateien
OrchestrierungScheduler mit Wiederholung
MCP über ProxyemitEvent / getEventsexecute(name, input)wake(sessionId)

Das Gehirn von den Händen trennen

Managed Agents teilt einen Agent in eine Sitzung (ein Ereignisprotokoll, das nur ergänzt wird), einen Harness (die Schleife, die Claude aufruft) und Sandboxes, die als Tools über execute(name, input) → string erreichbar sind. Jeder Teil kann ausfallen und ersetzt werden; Zugangsdaten liegen in einem Tresor hinter einem MCP-Proxy, ausser Reichweite der Sandbox.

Was es für Sie bedeutet

Schmale, stabile Schnittstellen erlauben es einem Unternehmen, später Modelle, Harnesses oder Infrastruktur auszutauschen und sich von Abstürzen zu erholen, ohne die Arbeit des Agents zu verlieren.

Quelle: Anthropic, «Scaling Managed Agents: Decoupling the brain from the hands», 8. April 2026. Nachgezeichnet nach Abbildung 1 im Beitrag.

Prompt1–4 Sätze
Planermacht daraus eine Spezifikation
Produktspezifikation16 Features, 10 Sprints
Sprint-Vertragwas «fertig» heisst
Generatorein Feature nach dem anderen
Evaluatorskeptischer QA-Agent
Laufende AppReact, Vite, FastAPI
schreibtliestschlägt vorprüftFeedbackbautklickt durch

Wer baut, beurteilt nicht

Agents, die ihre eigene Arbeit bewerten sollen, loben sie meist. Darum verteilte Anthropic die Arbeit auf einen Planer, einen Generator und einen separaten Evaluator, der sich durch die laufende App klickt. Vor jedem Sprint vereinbaren Generator und Evaluator einen Vertrag darüber, was «fertig» heisst; allein Sprint 3 hatte 27 Kriterien.

Was es für Sie bedeutet

Testbare Abnahmekriterien vorab festlegen und unabhängig dagegen prüfen: Das ist dieselbe Disziplin wie Code-Review und Qualitätssicherung, angewandt auf Agents.

Quelle: Anthropic, «Harness design for long-running application development», 24. März 2026. Unsere Zeichnung nach dem Text des Beitrags.

Unsere Bausteine

Wie moderne KI-Systeme wirklich gebaut werden

Dieses Feld verändert sich alle paar Monate. Das sind die Muster, Protokolle und Denkmodelle, die wir in jedes Kundenprojekt einbringen: aus dem, was die führenden KI-Labs veröffentlichen, und aus dem, was sich in der Produktion bewährt.

Legende

  • Modell oder Agent
  • Tool oder System
  • Daten
  • Prüfung
  • Mensch

Die Diagramme sind unsere eigenen, vereinfachten Zeichnungen öffentlich dokumentierter Muster. Zahlen stammen aus der genannten Quelle.

  • Agenten-Muster

    Der Agenten-Loop

    Ein Agent entscheidet seinen nächsten Schritt selbst. Er sammelt Kontext, handelt, prüft das tatsächliche Ergebnis und wiederholt das, mit Abbruchbedingungen und menschlichen Kontrollpunkten.

    1. Zielvon einem Menschen
    2. Kontext sammeln
    3. HandelnTool aufrufen
    4. Ergebnis prüfenan der Realität
    5. Fertig

    Wiederholen, bis die Aufgabe erledigt ist, ein Limit erreicht ist oder ein Mensch gebraucht wird

    Quelle: Anthropic, «Building effective agents»

  • Agenten-Muster

    Workflow oder Agent?

    Die nützlichste Unterscheidung im Feld. Beginnen Sie mit dem Einfachsten, das funktioniert, und geben Sie nur dort mehr Autonomie, wo sie ihre Kosten wert ist.

    Workflow
    • Die Schritte folgen einem fest programmierten Pfad
    • Vorhersehbar und leicht zu prüfen
    • Ideal für klar definierte, wiederkehrende Aufgaben
    • Geringere Kosten und Latenz
    Agent
    • Das Modell wählt Schritte und Tools selbst
    • Flexibel, wenn sich Schritte nicht vorhersagen lassen
    • Ideal für offene Probleme
    • Braucht Leitplanken, Tests und Limits

    Quelle: Anthropic, «Building effective agents»

  • Retrieval und Gedächtnis

    Ein typisches RAG-System

    Retrieval-Augmented Generation in zwei Bahnen. Dokumente werden einmal aufbereitet. Jede Frage holt dann die relevantesten Passagen, und das Modell antwortet daraus, mit Quellenangaben.

    IndexierungDokumenteIn Abschnitte teilenEinbettenSuchindex
    AntwortenFragePassagen abrufenNeu ordnenAntwort mit Quellen

    Quelle: Anthropic, «Introducing Contextual Retrieval»

  • Retrieval und Gedächtnis

    Context Engineering

    Alles, was das Modell gleichzeitig sieht, konkurriert um ein begrenztes Aufmerksamkeitsbudget, und je voller das Fenster, desto schlechter das Erinnern. Die Kunst ist, die kleinste Menge wertvoller Tokens zu wählen.

    1. SystemanweisungenRolle, Regeln, Ton
    2. Tool-Definitionenwas der Agent tun kann
    3. Abgerufene Datenbei Bedarf geladen
    4. Nachrichtenverlauflaufend verdichtet
    5. Notizen und Gedächtnisextern abgelegt, wieder eingelesen

    Quelle: Anthropic, «Effective context engineering for AI agents»

  • Tools und Protokolle

    Model Context Protocol (MCP)

    Ein offener Standard, um KI-Anwendungen mit anderen Systemen zu verbinden. Der Host öffnet pro Server einen Client, und jeder Server bietet Tools, Ressourcen und Prompts an.

    MCP-Hostdie KI-Anwendung
    • MCP-ServerDateien
    • MCP-ServerDatenbank
    • MCP-ServerGeschäftsanwendung
    MCP-Host ist verbunden mit: MCP-Server, MCP-Server, MCP-Server.

    Quelle: Model Context Protocol, Architecture overview

  • Sicherheit und Kontrolle

    Mensch im Loop

    Der Agent bereitet vor, eine Richtlinie bewertet das Risiko des Schritts, und ein Mensch gibt alles Wichtige frei. Routineschritte laufen von selbst; die Verantwortung bleibt beim Menschen.

    AgentBereitet die Aktion vorFührt aus und protokolliert
    RichtlinieBewertet das Risiko
    MenschGibt frei oder lehnt ab
  • Qualität und Betrieb

    Evals

    Einen Agenten, den Sie nicht messen, können Sie nicht verbessern. Jede Aufgabe läuft mehrmals und wird bewertet: per Code, wo möglich, per Modell, wo es Nuancen braucht, und von Menschen zur Kalibrierung.

    1. Aufgabenaus echten Fehlern
    2. Durchläufemehrere pro Aufgabe
    3. BewerterCode, Modell, Mensch
    4. Ergebnis
    5. Regressionstestsbei jeder Änderung

    Quelle: Anthropic, «Demystifying evals for AI agents»

Bereit, wenn Sie es sind

Mit welchem Arbeitsablauf sollen wir beginnen?

Zeigen Sie uns, wo Ihr Team Zeit verliert. In 30 Minuten wissen Sie, ob KI diese Arbeit übernehmen kann und was es dafür braucht.