// Modelle & Forschung 15.10.2026 · 23:24 Uhr 8 Min. Lesezeit

Jack Clark setzt Prognose für selbstverbessernde KI auf 2027

Mindverse News

KI-gestützt erstellt 3 Quellen Originalmeldung: therundown.ai Arbeitsweise

KI-generierte Illustration: Jack Clark setzt Prognose für selbstverbessernde KI auf 2027 — KI-generierte Illustration

Das Wichtigste in Kürze

Anthropic-Mitgründer Jack Clark verschiebt seine persönliche Prognose für automatisierte KI-Forschung, die einen stärkeren Nachfolger hervorbringen könnte, von 2028 auf 2027. Neue Wahrscheinlichkeitswerte nennt er laut Bericht nicht. [1]
Als Anlass nennt Clark unter anderem TasteVal: In diesem Test entwerfen Modelle Experimente zu acht festgelegten Forschungsproblemen; ein separater Coding-Agent setzt sie um. [1]
P-Zero Research berichtet für Opus 5.5 von deutlich niedrigeren Kosten je Benchmark-Durchlauf als bei der menschlichen Vergleichsgruppe. Die Autoren benennen jedoch Einschränkungen bei Aufgaben und Vergleichsbasis. [1]
Anthropic beschreibt zugleich Fortschritte beim Programmieren und bei experimentellen Forschungsaufgaben. Die Daten stammen vom Unternehmen selbst und belegen nicht, dass KI-Systeme bereits den gesamten Forschungsprozess autonom steuern. [1][3]
Für Unternehmen liegt die praktische Frage deshalb nicht nur in der Leistungsfähigkeit von Agenten, sondern auch darin, wie Ziele gewählt, Ergebnisse geprüft und zusätzliche Ausgaben validiert werden. [1][3]

// Inhalt · 9 Abschnitte

Eine frühere Prognose, aber keine neue Wahrscheinlichkeit
Was mit rekursiver Selbstverbesserung gemeint ist
TasteVal testet Forschungsurteil in einem begrenzten Rahmen
Warum ein Kostenvorsprung noch keine Forschungsautonomie belegt
Anthropics interne Daten zeigen Fortschritte – mit anderen Messgrößen
Der Engpass verlagert sich auf Auswahl und Kontrolle
OpenAIs Zielmarke ist ein Branchenindikator, keine Bestätigung
Was Unternehmen aus der Prognose ableiten können
Die zentrale Unsicherheit bleibt das Forschungsurteil
Quellen

Eine frühere Prognose, aber keine neue Wahrscheinlichkeit

Jack Clark, Mitgründer von Anthropic, setzt den Zeitpunkt, zu dem KI-Systeme ihre eigene Weiterentwicklung vollständig vorantreiben könnten, nun auf 2027 statt 2028. Als einen Grund für die Neubewertung nennt er TasteVal, einen neuen Test, der die Fähigkeit von Modellen untersucht, bei Forschungsaufgaben sinnvolle Experimente auszuwählen und Ergebnisse zu interpretieren. Clark erläuterte die veränderte Einschätzung in einem Beitrag vom 12. Oktober. [1]

Die Verschiebung sollte nicht als präzise Terminangabe oder als bestätigte technische Prognose gelesen werden. Clark hatte im Mai die Wahrscheinlichkeit für automatisierte KI-Forschung, die einen Nachfolger trainieren kann, mit 30 Prozent für 2027 und rund 60 Prozent bis Ende 2028 beziffert. Laut dem Bericht nannte er bei der jüngsten Anpassung keine aktualisierten Wahrscheinlichkeiten. Es handelt sich damit um seine persönliche Einschätzung, nicht um einen Konsens der Branche oder einen unabhängig überprüften Zeitplan. [1][4]

Clarks früherer Zeithorizont enthielt bereits eine Wahrscheinlichkeit für 2027; die aktuelle Änderung verschiebt die Gesamtprognose, liefert aber keine neue quantitative Einschätzung. [1][4]
Die neue Benchmark ist ein Anlass für die Neubewertung, aber kein Nachweis dafür, dass ein System bereits seinen eigenen Nachfolger entwickeln kann. [1]

Was mit rekursiver Selbstverbesserung gemeint ist

Rekursive Selbstverbesserung bezeichnet hier mehr als den Einsatz eines KI-Agenten beim Schreiben von Code. Gemeint ist ein Kreislauf, in dem ein System die Forschung und Entwicklung übernimmt, die nötig ist, um einen leistungsfähigeren Nachfolger zu trainieren; dieser Nachfolger könnte anschließend zur nächsten Entwicklungsrunde beitragen. [1]

Anthropic beschreibt eine solche vollständige Automatisierung ebenfalls als mögliches Zukunftsszenario, betont aber, dass das Unternehmen noch nicht an diesem Punkt sei und eine rekursive Selbstverbesserung nicht zwangsläufig eintreten müsse. In seiner Darstellung können heutige Systeme bereits Teile der technischen Arbeit übernehmen, während das Festlegen wichtiger Ziele und die Bewertung von Ergebnissen weiterhin anspruchsvolle menschliche Aufgaben bleiben. [3]

Die Unterscheidung ist für die Einordnung von Clarks Prognose zentral: Ein System kann Code schreiben, Experimente ausführen oder Teilfragen einer Untersuchung bearbeiten, ohne selbstständig zu entscheiden, welche Forschungsfrage den nächsten Fortschritt verspricht. Erst wenn auch diese übergeordneten Entscheidungen ausreichend zuverlässig automatisiert werden, nähert sich der Prozess dem beschriebenen vollständigen Kreislauf. [1][3]

TasteVal testet Forschungsurteil in einem begrenzten Rahmen

TasteVal stammt von P-Zero Research und umfasst laut der Beschreibung acht festgelegte KI-Forschungsprobleme. Die getesteten Modelle sollen Experimente entwerfen und deren Ergebnisse interpretieren. Die technische Umsetzung übernimmt ein separater, festgelegter Coding-Agent. Bewertet wird damit nicht allein, ob ein Modell Code erzeugen kann, sondern auch, welche experimentellen Schritte es innerhalb einer vorgegebenen Aufgabe auswählt. [1]

Als menschliche Vergleichsbasis dient je Aufgabe der beste Versuch aus einer Gruppe von 24 Fachleuten, die zuletzt unter anderem mit OpenAI oder Google DeepMind verbunden waren. P-Zero berichtet, dass Anthropics Opus 5.5 auf dem eigenen Maß für experimentelle Recheneffizienz vorne lag. Im ausgewiesenen Kostenvergleich veranschlagt die Studie 282 US-Dollar pro Opus-5.5-Durchlauf und 9.123 US-Dollar pro menschlichem Durchlauf. [1]

Die Kostenrechnung berücksichtigt laut Artikel API-Gebühren für das Modell, GPU-Zeit zu einem angesetzten Preis von 2,50 US-Dollar pro Stunde und menschliche Arbeit zu 119 US-Dollar pro Stunde. Die Autoren setzen die Modellkosten damit auf ungefähr ein Dreißigstel des durchschnittlichen Aufwands pro Benchmark-Versuch. Diese Zahl beschreibt jedoch einen Vergleich innerhalb des Tests; sie ist keine allgemeine Aussage darüber, dass KI-Forschung außerhalb dieses Aufgabensets dreißigmal günstiger wäre. [1]

Warum ein Kostenvorsprung noch keine Forschungsautonomie belegt

Die Autoren weisen selbst auf Grenzen des Vergleichs hin: Die Ergebnisse der Aufgaben seien leicht zu überprüfen, und die menschliche Vergleichsbasis schließe Spitzenforscher aus. Zudem verweigerte Opus 5.5 eine der Aufgaben; dieser Fall wurde als fehlender Messwert behandelt. Eine Auswertung der übrigen sieben Aufgaben habe laut den Autoren ein ähnliches Ergebnis ergeben. [1]

Auch das Aufgabendesign setzt einen Rahmen: Das Modell erhält ein Forschungsproblem und muss darin Experimente planen und Ergebnisse deuten. Der Test untersucht damit eine relevante Teilfähigkeit, aber nicht den gesamten Prozess, von der Auswahl eines bedeutsamen Forschungsziels bis zur belastbaren Bestätigung eines Ergebnisses. Dass ein Modell innerhalb einer vorgegebenen Fragestellung kostengünstig arbeitet, beantwortet nicht automatisch, ob es die richtige Fragestellung selbstständig findet. [1]

Für die Interpretation ist außerdem wichtig, die Urheberschaft der Ergebnisse klar zu halten. P-Zero berichtet die Benchmark-Leistung und die Kostenschätzung; der Artikel liefert keine unabhängige Replikation dieser Werte. TasteVal ist daher ein Hinweis auf experimentelles Urteilsvermögen unter bestimmten Testbedingungen, kein allgemeiner Nachweis autonomer KI-Forschung. [1]

Anthropics interne Daten zeigen Fortschritte – mit anderen Messgrößen

Weitere Hinweise auf eine zunehmende Rolle von KI in der Entwicklung liefert Anthropic selbst. Das Unternehmen berichtete in einem Engineering-Beitrag, dass die Zahl täglich zusammengeführter Codeänderungen von rund 2.500 im Mai auf mehr als 30.000 im September gestiegen sei. Anthropic beschrieb zugleich Quellcodeverwaltung, Builds und Continuous Integration als neue Engpässe, nachdem das Programmieren aus Sicht des Unternehmens an Bedeutung als begrenzender Faktor verloren habe. [1]

Eine separate Darstellung des Anthropic Institute nennt andere Kennzahlen: Im zweiten Quartal 2026 habe ein typischer Ingenieur achtmal so viel Code pro Tag zusammengeführt wie 2024; im Mai 2026 seien mehr als 80 Prozent des in Anthropics Codebasis übernommenen Codes von Claude verfasst worden. Anthropic warnt dabei, dass Zeilenzahlen Menge und nicht Qualität messen und den tatsächlichen Produktivitätszuwachs überschätzen können. Die Angaben sind unternehmenseigene Messungen und keine unabhängige Produktivitätsprüfung. [3]

Auch bei klar definierten Optimierungsaufgaben berichtet Anthropic von starken Ergebnissen. In einem internen Test soll Claude Mythos Preview im April 2026 den Code für das Training eines kleinen KI-Modells im Mittel auf etwa die 52-fache Geschwindigkeit der Ausgangsversion optimiert haben; Claude Opus 4 hatte im Mai 2025 etwa den dreifachen Wert erreicht. Anthropic vergleicht dies mit vier bis acht Stunden Arbeit, die ein erfahrener menschlicher Forscher für eine vierfache Beschleunigung benötige. Diese Resultate betreffen ein konkretes Optimierungsverfahren mit vorab gesetztem Ziel und belegen nicht unmittelbar die Fähigkeit, Forschungsziele selbst zu bestimmen. [3]

Der Engpass verlagert sich auf Auswahl und Kontrolle

Anthropics Darstellung legt eine mögliche Arbeitsteilung nahe: KI-Systeme übernehmen zunehmend die Ausführung klar umrissener Aufgaben, während Menschen Ziele formulieren, Ergebnisse beurteilen und die nächste Richtung festlegen. Das Unternehmen berichtet zwar auch über Fortschritte bei der Wahl nächster Schritte in offenen Untersuchungen. In einer Auswertung realer Claude-Code-Sitzungen habe Mythos Preview im April 2026 bei ausgewählten Entscheidungsmomenten häufiger als ein menschlicher Forscher den besseren nächsten Schritt vorgeschlagen als Opus 4.5 im November 2025. Anthropic betont jedoch, dass die untersuchten Situationen gezielt aus Fällen ausgewählt wurden, in denen die menschliche Entscheidung verbesserungsfähig war; ein direkter Gleichstandstest zwischen Mensch und Modell sei das nicht. [3]

Ein weiteres von Anthropic beschriebenes Experiment verband mehrere KI-Agenten mit einer offenen Aufgabe aus der KI-Sicherheitsforschung. Nach Angaben des Unternehmens holten die Agenten 97 Prozent einer festgelegten Leistungslücke auf; zwei menschliche Forscher hätten in etwa einer Woche rund 23 Prozent erreicht. Die Agenten arbeiteten dafür insgesamt mehr als 800 Stunden und verursachten ungefähr 18.000 US-Dollar an Rechenkosten. Anthropic schränkt ein, dass das Ergebnis nicht sauber auf Modelle im Produktionsmaßstab übertragbar war und Menschen sowohl das Problem als auch das Bewertungsschema festgelegt hatten. [3]

Für Unternehmen folgt daraus keine gesicherte Prognose eines bald vollständig autonomen Forschungsbetriebs. Als Analyse lässt sich aber festhalten: Wenn Agenten mehr Aufgaben parallel ausführen, können Engpässe bei Prüfung, Integration und Priorisierung an Gewicht gewinnen. Die von Anthropic genannten Probleme mit Builds und Continuous Integration illustrieren diese Verschiebung im Softwarebereich; ob und wie stark sie sich auf Forschungsorganisationen übertragen lässt, hängt von deren konkreten Verfahren ab. [1][3]

OpenAIs Zielmarke ist ein Branchenindikator, keine Bestätigung

Auch OpenAI hat laut dem Bericht einen Zeitplan für automatisierte KI-Forschung formuliert: Das Unternehmen strebt demnach einen automatisierten KI-Forscher bis März 2028 an und verbindet dieses Ziel mit wiederholten Verbesserungen von KI-Systemen unter menschlicher Anleitung. OpenAI berichtet laut derselben Quelle, dass bei mehr als der Hälfte erfolgreicher Aufgaben, die auf vier bis acht Stunden menschlicher Arbeit geschätzt wurden, ein Eingreifen von Menschen erforderlich gewesen sei. [1]

Die Zielmarke von OpenAI und Clarks vorgezogene Prognose sind nicht gleichzusetzen. Ein Unternehmensziel beschreibt eine angestrebte Entwicklung; eine persönliche Prognose ist eine Einschätzung des möglichen Zeitpunkts. Beide Aussagen liefern für sich genommen keinen Beleg, dass die Systeme die dafür erforderlichen Fähigkeiten bereits zuverlässig besitzen. Die berichtete Häufigkeit menschlicher Eingriffe unterstreicht vielmehr, dass selbst leistungsfähige Agenten in der Aufgabenbearbeitung weiterhin Aufsicht benötigen können. [1]

OpenAI räume laut dem Bericht zudem ein, noch nicht zu wissen, wie sich vollständige rekursive Selbstverbesserung sicher erreichen ließe. Damit umfasst die offene Frage nicht nur technische Leistungsfähigkeit, sondern auch die Kontrolle eines Prozesses, in dem Systeme an der Entwicklung ihrer Nachfolger beteiligt sind. [1]

Was Unternehmen aus der Prognose ableiten können

Für Forschungs- und Entwicklungsabteilungen ist TasteVal vor allem als begrenzter Belastungstest interessant: Es zeigt, wie ein Modell innerhalb festgelegter Probleme mit Experimentplanung und Ergebnisinterpretation umgeht. Die berichteten Kostenunterschiede könnten relevant werden, falls vergleichbare Vorteile bei realen Forschungsarbeiten auftreten. Ob sie sich übertragen, ist nach den im Bericht genannten Einschränkungen offen. [1]

Praktisch sollten Unternehmen daher zwischen erzeugtem Output und bestätigtem Fortschritt unterscheiden. Mehr Codeänderungen oder zusätzliche Agentenläufe sagen allein noch nicht, ob ein Ergebnis korrekt, reproduzierbar und für ein Produkt oder eine Forschungsentscheidung brauchbar ist. Diese Schlussfolgerung ist eine Analyse der von Anthropic und P-Zero beschriebenen Messgrenzen: Die Quellen verweisen einerseits auf steigenden Output, andererseits auf leicht überprüfbare Benchmark-Aufgaben, menschliche Eingriffe und weiterhin bestehende Integrationsengpässe. [1][3]

Für die Planung bedeutet das nicht, dass Unternehmen eine konkrete Selbstverbesserung bis 2027 erwarten müssen. Sachgerechter ist es, die Fähigkeiten einzelner Systeme, den nötigen menschlichen Eingriff und die Qualität der validierten Ergebnisse getrennt zu beobachten. Clark selbst hat laut Bericht keine neuen Wahrscheinlichkeiten veröffentlicht; der Termin bleibt daher eine Prognose und kein belastbarer Stichtag für Investitions- oder Personalentscheidungen. [1]

Die zentrale Unsicherheit bleibt das Forschungsurteil

Clarks Neubewertung setzt einen Akzent auf eine Fähigkeit, die sich schwerer messen lässt als Codeproduktion: Forschungsurteil. TasteVal versucht, einen Teil davon über Experimentwahl und Ergebnisinterpretation zu erfassen. Die Aufgaben bleiben aber vorgegeben, und die menschliche Vergleichsgruppe sowie die einfache Überprüfbarkeit der Ergebnisse schränken die Aussagekraft des Tests ein. [1]

Anthropic beschreibt in seiner eigenen Analyse eine ähnliche Lücke. Das Unternehmen berichtet, dass Claude bei der Umsetzung von Experimenten mit klaren Zielen stark sei, während Menschen bei der Frage, welche Probleme überhaupt verfolgt werden sollten, weiterhin einen Vorteil hätten. Zugleich stellt Anthropic seine Befunde als frühe Signale dar und weist auf Grenzen einzelner Tests und Übertragungen hin. [3]

Damit verschiebt Clark den Erwartungshorizont, nicht aber den Beweisstand. Die vorliegenden Quellen dokumentieren Fortschritte bei Programmierung, experimenteller Arbeit und einzelnen Forschungsentscheidungen. Sie zeigen keine bereits realisierte, vollständige Schleife, in der ein KI-System eigenständig die Forschungsagenda festlegt, einen Nachfolger entwickelt und dessen Weiterentwicklung verlässlich steuert. Ob und wann diese Lücke geschlossen wird, bleibt offen. [1][3]