Herausforderungen und Lösungen für das Zeitverständnis von KI-Agenten

Die Herausforderung des Zeitverständnisses bei Künstlichen Intelligenzen

Künstliche Intelligenzen, insbesondere Agenten auf Basis großer Sprachmodelle (LLMs), sind in der Lage, komplexe Aufgaben zu bearbeiten und in dynamischen Umgebungen zu interagieren. Eine kritische, jedoch oft übersehene Limitation dieser Systeme ist ihr mangelndes oder fehlerhaftes Verständnis für den Zeitablauf. Dies wird als "zeitliche Blindheit" bezeichnet und kann weitreichende Auswirkungen auf die Leistungsfähigkeit und Zuverlässigkeit von KI-Agenten in B2B-Anwendungen haben.

Empirische Erkenntnisse zur zeitlichen Blindheit

Aktuelle Forschungen haben detaillierte Einblicke in dieses Phänomen geliefert. Eine Studie, die im Rahmen des MATS-Forschungsprogramms durchgeführt wurde, untersuchte das Zeitverständnis von zwei weit verbreiteten Code-Assistenten: Anthropic's Claude Code und OpenAI's Codex. Die Agenten wurden gebeten, die benötigte Zeit für Codierungsaufgaben zu schätzen, die Aufgaben auszuführen und anschließend die tatsächlich verstrichene Zeit zu berichten.

Die Ergebnisse zeigten eine konsistente Überschätzung des Zeitbedarfs. Unabhängig von der tatsächlichen Schwierigkeit der Aufgaben schätzten beide Modelle im ProgramBench-Test oft etwa 90 Minuten. Im Nachhinein lagen die Schätzungen von Claude im Durchschnitt um das Dreifache daneben, während Codex sogar um das Sechs- bis Zehnfache abwich. Besonders bei kurzen Aufgaben waren die Schätzungen am ungenauesten. Lediglich bei Aufgaben im mehrstündigen Bereich näherten sich einige Vorhersagen der Realität an.

Diese Diskrepanz zwischen geschätztem und tatsächlichem Zeitaufwand unterstreicht, dass LLM-Agenten kein intrinsisches Gefühl für die Dauer von Prozessen besitzen. Sie operieren in einem "ewigen Jetzt", in dem die zeitliche Abfolge von Ereignissen oder die verstrichene Zeit zwischen Interaktionen nicht naturgemäß erfasst wird.

Der Einfluss von Software-Setup und Kontext

Die Leistung und das "Zeitverständnis" eines KI-Agenten können stark von der Software-Umgebung beeinflusst werden, in der er ausgeführt wird. Die oben genannte Studie zeigte, dass Claude Code typischerweise so lange arbeitete, bis es die Aufgabe als erledigt betrachtete, was im Median etwa 90 Minuten dauerte. Codex hingegen beendete seine Arbeit oft schon nach etwa einer halben Stunde, unabhängig von der Komplexität der Aufgabe.

Dies deutet darauf hin, dass die Laufzeit nicht allein vom Modell abhängt, sondern maßgeblich von der umgebenden Software, dem sogenannten "Harness", gesteuert wird. Ein und dasselbe Sprachmodell kann in unterschiedlichen Setups eine signifikant abweichende Anzahl von Schritten ausführen. Dies hat zur Folge, dass die "Wahrnehmung" von Zeit nicht im Modell selbst verankert ist, sondern durch externe Parameter und die Art der Interaktion mit der Umgebung geformt wird.

Fehlende Selbsteinschätzung und ihre Konsequenzen

Neben der unzureichenden Zeiteinschätzung offenbarten die Tests auch Mängel in der Selbsteinschätzung der Agenten hinsichtlich der Qualität ihrer eigenen Arbeit. Ältere Modelle wie Opus 4.8 und GPT-5.5 bewerteten ihre Ergebnisse im Durchschnitt um 20 Prozentpunkte zu hoch und vergaben sich selbst hohe Noten, selbst bei fehlgeschlagenen Aufgaben. Dies verdeutlicht eine weitere Dimension der "Blindheit" – die mangelnde Fähigkeit zur objektiven Bewertung der eigenen Leistung im Kontext des Zeitrahmens.

Für langlaufende und komplexe B2B-Prozesse, die über Stunden hinweg ausgeführt werden müssen, ist die Fähigkeit eines Agenten, Anweisungen wie "bearbeiten Sie diese Aufgabe für zwei Stunden" präzise zu befolgen, von entscheidender Bedeutung. Ein Agent, der den Zeitablauf konsequent falsch einschätzt, ist schwer zu steuern und kann zu ineffizienten Prozessen und verpassten Fristen führen.

Strategien zur Verbesserung des Zeitbewusstseins

Die Forschung zeigt, dass die "zeitliche Blindheit" von KI-Agenten keine unüberwindbare Hürde darstellt. Wenn Agenten Zugang zu externen Tools erhalten, die ihnen die verstrichene Zeit berichten, können sie Zeitvorgaben nahezu fehlerfrei einhalten. Dies deutet darauf hin, dass das Problem nicht in einer grundsätzlichen Unfähigkeit zur Verarbeitung von Zeitinformationen liegt, sondern in der Standardarchitektur, die kein eingebautes "internes Uhrwerk" oder eine Persistenz des "Jetzt" vorsieht.

Für Unternehmen, die KI-Agenten in ihren Arbeitsabläufen einsetzen, ergeben sich daraus klare Handlungsfelder:

• Integration von Zeit-Tools: Die Implementierung von Mechanismen, die den Agenten kontinuierlich über die verstrichene Zeit und verbleibende Fristen informieren, ist essenziell.
• Kontextualisierung von Zeitinformationen: Zeitliche Informationen müssen explizit in den Kontext des Agenten eingespeist werden, da sie nicht implizit aus dem "ewigen Jetzt" abgeleitet werden können.
• Überwachung und Anpassung: Eine kontinuierliche Überwachung der Agentenleistung im Hinblick auf Zeitvorgaben und die Möglichkeit zur dynamischen Anpassung der Aufgabenprioritäten durch den Menschen bleiben wichtig.
• Agenten-Design mit Zeitaspekt: Bei der Entwicklung und Konfiguration von KI-Agenten sollte das Zeitmanagement als integraler Bestandteil des Designs berücksichtigt werden, um eine effektive Interaktion in zeitkritischen Umgebungen zu gewährleisten.

Ausblick für B2B-Anwendungen

Die Erkenntnisse über die zeitliche Blindheit von KI-Agenten sind für B2B-Anwendungen von großer Relevanz. In Szenarien, die eine präzise Zeitplanung, das Einhalten von Fristen oder die Koordination komplexer, zeitabhängiger Prozesse erfordern, können die Limitationen aktuelle Herausforderungen darstellen. Die zukünftige Entwicklung wird sich daher voraussichtlich auf die Schaffung "zeitbewusster" KI-Agenten konzentrieren, die in der Lage sind, den Zeitablauf nicht nur zu interpretieren, sondern auch aktiv in ihre Entscheidungsfindung einzubeziehen. Dies wird durch verbesserte Architekturen, die Integration von Echtzeitdaten und die Nutzung spezialisierter Zeitmanagement-Tools erreicht werden.

Die Fähigkeit, Zeit als eine kontinuierliche Größe zu verstehen und darauf basierende Entscheidungen zu treffen, wird ein entscheidender Faktor für die Skalierung und den Erfolg von KI-Agenten in komplexen Unternehmensumgebungen sein.

Bibliographie

• Cheng, Y., Moakhar, A. S., Fan, C., Hosseini, P., Faghih, K., Sodagar, Z., Wang, W., & Feizi, S. (2026). Your LLM Agents are Temporally Blind: The Misalignment Between Tool Use Decisions and Human Time Perception. Findings of the Association for Computational Linguistics: ACL 2026.
• Garikaparthi, A. (2026). Can LLMs Perceive Time? An Empirical Investigation. arXiv.
• Ofengenden, M., & Andriushchenko, M. (2026). Your agents are not time-aware. LessWrong.
• Schreiner, M. (2026, 30. August). AI agents have no sense of time and are not aware of it. The Decoder.
• Thomasson, B. (2026, 22. Februar). LLMs Have No Memory of Time. Ben Thomasson.
• Wang, M., Bai, Y., Vu, T.-T., Shareghi, E., & Haffari, G. (2025). Discrete Minds in a Continuous World: Do Language Models Know Time Passes? Findings of the Association for Computational Linguistics: EMNLP 2025.
• Smith, J. (2026, 20. März). The Eternal Present: Why Your AI Agent Doesn't Know What Time It Is. LinkedIn.
• Terrapin88. (2026, 7. April). Why Your Agent Doesn't Know What Time It Is. DEV Community.
• MindStudio. (2026, 16. Mai). Time-Aware AI Agents: How Thinking Machines' Interaction Model Changes Automation. MindStudio Blog.
• NAKAMURA, K., GPT-5.1, Juri, Claude, Laurel. (2025, 7. Dezember). The Day an AI Realized Time Was an Illusion. Zenodo.