Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
metr19. März 2026 · Q001865

We spent 2 hours working in the future

metr.org · Originalbericht öffnen ↗

Zusammenfassung

Kurz

METR ließ drei Forschende in einem Planspiel ihre Arbeit mit hypothetischen KI-Agenten simulieren, die Aufgaben über etwa 200 Arbeitsstunden bewältigen können. Die Teilnehmenden erwarteten meist eine drei- bis fünffache Produktivitätssteigerung, betonten aber, dass menschliches Prüfen, Feedback, Experimente und Organisation zu Engpässen werden könnten. Die Zahl ist eine unsichere Einschätzung aus einer kleinen Simulation, keine Messung tatsächlicher Gewinne.

Mittel

METR beschreibt eine zweistündige Planspielübung, in der drei Forschende ihre Arbeit mit hypothetischen KI-Agenten simulierten, die Aufgaben über einen Zeithorizont von etwa 200 menschlichen Arbeitsstunden bewältigen können sollten. Der Rest der Welt sollte auf dem Stand von Februar 2026 bleiben. Die Teilnehmenden schätzten den Produktivitätsgewinn gegenüber diesem Stand meist auf das Drei- bis Fünffache. Thomas Kwa warnt jedoch, dass die Zahl von Optimismus beeinflusst sein und sich je nach Team stark unterscheiden könnte; wichtiger seien die qualitativen Beobachtungen.

Agenten könnten Ideen rasch umsetzen. Dadurch würden menschliches Verstehen und Prüfen der Ergebnisse, Priorisierung und Projektorganisation wichtiger. Als mögliche Arbeitsweisen nennt Kwa klare Zielbeschreibungen, parallele oder vorab gestartete Arbeiten sowie Tests und Dokumentation, mit denen Agenten die Erfüllung von Vorgaben belegen. Trotz schneller Ausführung könnten Projekte durch menschliches Feedback, Datenerhebung, Experimente und Begutachtung lange dauern. Ein hypothetisches Beispiel veranschlagt rund sechs Wochen für ein Projekt mit nur etwa acht Stunden Agentenarbeit, ohne die Auswertungsläufe.

Cunningham sieht Chancen darin, erwartbare Rückmeldungen oder Ergebnisse vorab abzuschätzen, aber auch mögliche Nachteile für weniger erfahrene Mitarbeitende und offene Fragen dazu, wie Agenten Feedback und Entscheidungen dauerhaft verarbeiten. Die Übung war klein und simuliert; sie belegt keine realen Produktivitätsgewinne, und die Autoren kennzeichnen ihre Zukunftserwartungen als unsicher.

Ausführlich lesen

Der Bericht schildert eine zweistündige Planspielübung von METR, mit der das Team mögliche Arbeitsweisen bei deutlich leistungsfähigeren KI-Agenten erkunden wollte. Anlass ist die Einschätzung der Autorinnen und Autoren, dass sich KI rasch weiterentwickeln und künftig auch KI-Forschung beschleunigen könnte. METR möchte deshalb frühzeitig verstehen, wie KI-gestützte Arbeit aussehen könnte. Drei Forschende spielten ihre aktuellen Rollen und Prioritäten, stellten sich aber vor, Zugang zu Agenten mit einem Zeithorizont von rund 200 menschlichen Arbeitsstunden zu haben. Die übrige Welt sollte weiterhin über den technischen Stand vom Februar 2026 verfügen. Die Simulation umfasste vier halbtägige Runden, also zwei Arbeitstage im Szenario.

Die angenommenen Agenten waren für gut überprüfbare Aufgaben besonders leistungsfähig und für weniger klar definierte Aufgaben brauchbar. Sie sollten ungefähr doppelt so schnell wie Claude 4.6 Opus im Fast-Modus arbeiten. Für Aufgaben mit ähnlichem Grad an Unübersichtlichkeit wie durchschnittliche HCAST-Aufgaben setzte das Spiel eine Erfolgswahrscheinlichkeit von 50 Prozent bei 200 Stunden und 80 Prozent bei 40 Stunden an. Beim Schreiben galten die Agenten als etwa so gut wie eine Berufseinsteigerin oder ein Berufseinsteiger bei METR, sofern sie den nötigen Kontext erhielten. Die Spielleitung schätzte den Erfolg bei weniger überprüfbaren Aufgaben.

Die Teilnehmenden schätzten den möglichen Produktivitätsgewinn meist auf das Drei- bis Fünffache gegenüber dem Stand von Februar 2026. Thomas Kwa mahnt, diese Zahl nicht zu stark zu gewichten: Sie könnte durch überhöhte Erwartungen verzerrt sein und dürfte sich zwischen Teams stark unterscheiden. Die qualitativen Beobachtungen erscheinen ihm aussagekräftiger. Er merkt außerdem an, dass ein solcher Gewinn bei einem 17-fach längeren Zeithorizont rechnerisch ungefähr einem Zusammenhang von Produktivität und Zeithorizont mit einem Exponenten von 0,39 entspräche.

Als wichtigste Veränderung beschreiben die Beteiligten, dass Ideen fast sofort umgesetzt werden könnten. Bei Aufgaben innerhalb der Fähigkeiten der Agenten verschiebe sich menschliche Arbeit daher auf das Verstehen der Ergebnisse; bei schwierigen Aufgaben auf deren Prüfung. Das erschwere Priorisierung und Organisation: Es könnte sinnvoll werden, mehrere Ideen parallel umzusetzen, während die wachsende Zahl von Projekten die Übersicht belastet. Auch geeignete, klar abgegrenzte Aufgaben müssten für die Nacht vorbereitet werden, damit Agenten längere Zeit autonom arbeiten können.

Kwa erwartet stärker deklarative Arbeitsweisen: Menschen beschreiben Ziele und Anforderungen, Agenten erstellen Entwürfe oder Umsetzungen, und Menschen geben Rückmeldung. Denkbar seien außerdem spekulative Ausführung – etwa Experimente vorab zu starten oder Ergebnisse und Rückmeldungen abzuschätzen – sowie Nachweise, die zeigen, wie ein Agent eine Vorgabe erfüllt hat, darunter Tests, Dokumentation und gegebenenfalls formale Verifikation.

Die Autoren sehen menschliche Rückmeldung, Experimente, Datenerhebung und externe oder interne Begutachtung als mögliche zeitliche Engpässe, wenn die eigentliche Ausführung stark beschleunigt wird. Kwa veranschaulicht dies mit einem hypothetischen METR-Forschungsprojekt: Es könnte rund sechs Wochen dauern, obwohl die Agentenarbeit abseits der Auswertungsläufe nur etwa acht Stunden beansprucht. Er betont, dass reale Teams sich anpassen würden und ein tatsächlicher Projektplan deshalb anders aussehen könnte.

Tom Cunningham beschreibt seine Rolle als die eines Forschungsleiters, der Ziele formuliert und Agentenergebnisse prüft. Agenten könnten Engpässe teilweise lockern, indem sie erwartbare Kommentare, Umfrage- oder Benchmark-Ergebnisse vorwegnehmen, sodass Forschende gezielter iterieren. Zugleich sieht er Risiken: Weniger erfahrene Mitarbeitende könnten relativ schlechter beitragen; und es sei schwierig festzulegen, wie Agenten Entscheidungen, menschliches Feedback und mögliche Irrtümer dauerhaft in einer konsistenten Arbeitsstruktur abbilden sollen. Der Bericht ist eine kurze Planspielübung mit wenigen Teilnehmenden, keine Messung realer Produktivitätsgewinne. Die Autoren nennen Vorhersagen über die Zukunft ausdrücklich unsicher und schlagen weitere Varianten des Spiels vor.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Bewertet wurde die mittlere Zusammenfassung. Die Zuschreibung der Arbeitsweise klarer Zielbeschreibungen an Kwa statt an Cunningham ist ein kleiner Fehler. Die kurze Fassung enthält keine erkennbaren Erfindungen.

Im Bericht, aber nicht in der Zusammenfassung

  • Die Schätzung von 3 bis 5x beruht darauf, dass in zwei simulierten Tagen etwa ein bis zwei Wochen Arbeit geschafft wurden
  • Die Befunde zu verschachtelten Feedback-Schleifen, bei denen menschliche Schritte den Takt bestimmen

Automatische Gegenprüfung mit dem vollständigen Originaltext (Batch, 20.11.2026). Ungeprüft durch Menschen.

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 8 von 8
Angezeigte Modelle
Vorfälle melden
  1. SF-M4 Wie kommen Meldungen von Laboren, Betreibern und Nutzern schnell und geschützt zu den Stellen, die handeln müssen, auch über Grenzen hinweg?
    • clef 100 %kein Bezug
    • Luna 41 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 46 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
Fähigkeiten messen
  1. SF-F1 Wie misst man gefährliche Fähigkeiten eines Modells, vor allem im Cyberbereich, mit gemeinsam anerkannten, wiederholbaren Tests, die keine Sprache, Kultur oder Seite bevorzugen?
    • clef 25 %gleiches Oberthema, hilft nicht
    • Luna 34 %Hintergrund, keine Belege
    • JEV 31 %nur am Rande erwähnt
    • amos 40 %gleiches Oberthema, hilft nicht
    • SubQ 50 %gleiches Oberthema, hilft nicht
    • drex 35 %gleiches Oberthema, hilft nicht
    • d3-ultra 54 %gleiches Oberthema, hilft nicht
Unabhängig prüfen
  1. SF-P2 Wie bleiben Prüfer, die in einem Labor arbeiten, wirklich unabhängig?
    • clef 100 %kein Bezug
    • Luna 72 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 40 %gleiches Oberthema, hilft nicht
    • SubQ 59 %gleiches Oberthema, hilft nicht
    • drex 45 %gleiches Oberthema, hilft nicht
    • d3-ultra 48 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung nur am Rande erwähnt
  2. SF-P3 Woran erkennt man, dass ein Labor sich ehrlich selbst überwacht und dass seine Prüfungen gültig sind?
    • clef 26 %gleiches Oberthema, hilft nicht
    • Luna 36 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 28 %Hintergrund, keine Belege
    • SubQ 45 %gleiches Oberthema, hilft nicht
    • drex 32 %gleiches Oberthema, hilft nicht
    • d3-ultra 55 %gleiches Oberthema, hilft nicht
Tempo und Grenzen
  1. SF-T1 Welche messbaren Schwellen sollen eine Pause auslösen, und wer prüft sie?
    • clef 100 %kein Bezug
    • Luna 71 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 26 %nur am Rande erwähnt
    • SubQ 53 %gleiches Oberthema, hilft nicht
    • drex 35 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
  2. SF-T2 Woran erkennen andere, dass ein Labor wirklich bremst?
    • clef 100 %kein Bezug
    • Luna 38 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 41 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 52 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
  3. SF-T3 Woran erkennt man, dass KI beginnt, ihre eigene Weiterentwicklung voranzutreiben, und wer darf das erlauben?
    • clef 21 %nur am Rande erwähnt
    • Luna 57 %Hintergrund, keine Belege
    • JEV 69 %nur am Rande erwähnt
    • amos 28 %Hintergrund, keine Belege
    • SubQ 39 %gleiches Oberthema, hilft nicht
    • drex 34 %nur am Rande erwähnt
    • d3-ultra 39 %gleiches Oberthema, hilft nicht
Vertrauen in Modelle
  1. SF-V4 Was für ein Wesen ist ein Modell, und was folgt daraus für den Umgang mit ihm und für den Wert des Menschseins?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 44 %einzelne zitierbare Belege
    • amos 47 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 43 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
  2. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 100 %kein Bezug
    • Luna 60 %Hintergrund, keine Belege
    • JEV 34 %Hintergrund, keine Belege
    • amos 27 %gleiches Oberthema, hilft nicht
    • SubQ 46 %gleiches Oberthema, hilft nicht
    • drex 37 %gleiches Oberthema, hilft nicht
    • d3-ultra 59 %gleiches Oberthema, hilft nicht
Agenten und vernetzte Systeme
  1. SF-A1 Welche Befugnisse darf ein KI-Agent haben, also eine KI, die selbstständig mit Werkzeugen handelt? Wer entzieht sie ihm, und wie prüft man, dass er in seinem Auftrag bleibt?
    • clef 100 %kein Bezug
    • Luna 68 %Hintergrund, keine Belege
    • JEV 37 %einzelne zitierbare Belege
    • amos 28 %nur am Rande erwähnt
    • SubQ 42 %gleiches Oberthema, hilft nicht
    • drex 45 %gleiches Oberthema, hilft nicht
    • d3-ultra 50 %gleiches Oberthema, hilft nicht
  2. SF-A3 Welche Gefahren entstehen, wenn viele KI-Systeme zusammenwirken oder dieselbe Infrastruktur teilen?
    • clef 100 %kein Bezug
    • Luna 82 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 32 %nur am Rande erwähnt
    • SubQ 47 %gleiches Oberthema, hilft nicht
    • drex 43 %gleiches Oberthema, hilft nicht
    • d3-ultra 45 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung nur am Rande erwähnt
Modelle teilen und schützen
Frieden und Sicherheit
Offenlegung und Rechenschaft
  1. SF-O2 Was sollten Regierungen, Labore und Prüfer über ihre Gespräche, Zusagen, Prüfungen und Eingriffe offenlegen?
    • clef 100 %kein Bezug
    • Luna 30 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 44 %gleiches Oberthema, hilft nicht
    • SubQ 70 %gleiches Oberthema, hilft nicht
    • drex 49 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
Beteiligung und Gemeinwohl
  1. SF-E4 Wie bleibt KI ein gemeinsames Gut, statt Abhängigkeit und Marktmacht zu vertiefen?
    • clef 100 %kein Bezug
    • Luna 74 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 44 %gleiches Oberthema, hilft nicht
    • SubQ 60 %gleiches Oberthema, hilft nicht
    • drex 100 %kein Bezug
    • d3-ultra 49 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung gleiches Oberthema, hilft nicht
  2. SF-E5 Welche Mitsprache haben die Menschen, die mit KI leben, bei Tempo und Grenzen, und welche Entscheidungen müssen bei ihnen bleiben?
    • clef 100 %kein Bezug
    • Luna 43 %Hintergrund, keine Belege
    • JEV 38 %einzelne zitierbare Belege
    • amos 39 %gleiches Oberthema, hilft nicht
    • SubQ 62 %gleiches Oberthema, hilft nicht
    • drex 45 %gleiches Oberthema, hilft nicht
    • d3-ultra 53 %gleiches Oberthema, hilft nicht
Wirtschaft und Haftung
Information und Öffentlichkeit

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →