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
metr22. Januar 2026 · Q002060

Clarifying limitations of time horizon

metr.org · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Der METR-Mitautor beschreibt die Zeithorizont-Werte als ungenaue, auf bestimmte Aufgabenverteilungen begrenzte Schätzungen menschlicher Arbeitslänge bei 50 Prozent KI-Erfolg – nicht als Maß autonomer Arbeitsdauer oder sicherer Delegierbarkeit. Als wichtigste Aussage der Studie verteidigt er den langfristigen Trend einer Verdopplung etwa alle sechs bis sieben Monate und dessen lineare Projektion auf einen Arbeitsmonat im Jahr 2030, weist aber auf eine kleine und zunehmend begrenzte Datengrundlage hin.

Mittel

Der Bericht präzisiert, dass METRs „Zeithorizont“ nicht die Dauer autonomer KI-Arbeit misst, sondern die Länge menschlicher serieller Arbeit, die eine KI mit 50-prozentiger Erfolgswahrscheinlichkeit ersetzen kann. Die Schätzungen sind laut Autor sehr ungenau: Für Claude Opus 4.5 reicht das angegebene 95-Prozent-Konfidenzintervall von etwa 1 Stunde 49 Minuten bis 20 Stunden 25 Minuten. Ergebnisse variieren stark nach Aufgabenbereich und hängen auch von Benchmark-Auswahl, Aufgabengestaltung und menschlichen Vergleichszeiten ab.

Der Autor warnt, dass eine 50-prozentige Erfolgsrate keine verlässliche Delegierbarkeit bedeutet. Hohe Zuverlässigkeit lässt sich mit den vorhandenen Benchmarks kaum messen; Extrapolationen auf Monate oder Jahre seien besonders spekulativ. Auch 20- und 80-Prozent-Werte seien durch das verwendete statistische Modell eingeschränkt. Für Aussagen zu Produktivitätsgewinnen wären Daten über den tatsächlichen menschlichen Aufwand bei der KI-Nutzung erforderlich.

Als wichtigste belastbare Aussage sieht der Autor den langfristigen Trend: Der Zeithorizont für Software- und Forschungsaufgaben habe sich im Mittel etwa alle sechs bis sieben Monate verdoppelt. Eine lineare Fortschreibung deutete auf einen Arbeitsmonat Zeithorizont im Jahr 2030. Die rund 170 Aufgaben umfassende Datengrundlage werde jedoch zunehmend zu klein, besonders für längere Aufgaben.

Ausführlich lesen

Der Bericht erläutert, wie die von METR verwendete „Zeithorizont“-Kennzahl zu verstehen ist und welche Schlüsse sie nach Ansicht eines Mitautors trägt. Sie bezeichnet nicht, wie lange eine KI völlig selbstständig arbeiten kann, sondern die Länge menschlicher serieller Arbeit, die sie mit 50-prozentiger Erfolgswahrscheinlichkeit ersetzen kann. Da KIs Aufgaben gewöhnlich schneller bearbeiten als Menschen, ist das keine direkte Angabe ihrer Arbeitsdauer.

Der Autor betont, dass die Messwerte ungenau sind. Für Claude Opus 4.5 nennt METR etwa 4 Stunden und 49 Minuten, aber mit einem 95-Prozent-Konfidenzintervall von ungefähr 1 Stunde 49 Minuten bis 20 Stunden 25 Minuten. Frühere Unsicherheitsbereiche lägen oft etwa um den Faktor zwei in beide Richtungen; bei Modellen nahe der Benchmark-Sättigung könnten sie größer sein. Vergleiche zwischen Modellen seien etwas robuster, erlaubten aber keine verlässlichen Aussagen über kleine Leistungsabstände.

Die Werte hängen stark von der Aufgabenart und der Aufgabenverteilung ab. Eine Folgestudie habe für Mathematik ähnliche Zeithorizonte wie für die ursprünglich untersuchten Software- und Forschungsaufgaben gefunden, für visuelle Computerbedienung jedoch 40- bis 100-mal niedrigere. Für reale Aufgaben, etwa Kaffeezubereitung, nennt der Beitrag ebenfalls sehr kurze Werte. Außerdem könnten Benchmark-Auswahl, Aufgabenaufbau und menschliche Vergleichszeiten die Ergebnisse beeinflussen. Die Aufgaben seien überwiegend so gestaltet, dass heutige Modelle sie noch nicht, möglicherweise aber in ein bis zwei Jahren bewältigen; das könne Auswahlverzerrungen erzeugen. Benchmarks unterschieden sich zudem von der Praxis etwa bei Kontext, Eindeutigkeit und Unordnung. Entscheidungen zur Ermittlung menschlicher Bearbeitungszeiten könnten die Zeithorizonte um mehr als 25 Prozent verändern.

Eine 50-Prozent-Erfolgsrate zeige laut Autor nicht, dass Aufgaben dieser Länge wirtschaftlich oder zuverlässig delegiert werden können. Manche Anwendungen verlangten mindestens 98 Prozent Zuverlässigkeit; längere Aufgaben könnten zudem mehr menschliche Kontrolle und aufwendigere Fehlerbehebung erfordern. Um daraus Produktivitäts- oder Forschungsgeschwindigkeit abzuleiten, brauche man reichhaltigere Daten zum tatsächlichen Einsatz, etwa Protokolle von Programmierwerkzeugen oder Bildschirmaufnahmen. Die 20- und 80-Prozent-Zeithorizonte seien wegen des verwendeten Zwei-Parameter-Logistikmodells nicht unabhängig geschätzt. Für Zuverlässigkeit von 99 Prozent oder mehr reichten die vorhandenen Benchmarks nach Einschätzung des Autors nicht aus; nötig wären viele vielfältige Aufgaben und sehr geringe Bewertungsfehler. Auch Extrapolationen auf Monate oder Jahre seien spekulativ, da Aufgabenverteilung, Zusammenarbeit und menschliche Rückmeldung nicht ausreichend abgebildet würden.

Trotz dieser Grenzen hält der Autor die Kennzahl für nützlich, um Benchmark-Leistung mithilfe menschlicher Vergleichsdaten anschaulich einzuordnen und langfristige Verbesserungen bei Software- und Forschungsaufgaben zu verfolgen. Die zentrale Aussage der ursprünglichen Arbeit sei für ihn der geschätzte Trend von einer Verdopplung etwa alle sechs bis sieben Monate und eine lineare Projektion auf einen Zeithorizont von einem Arbeitsmonat im Jahr 2030 – nicht der exakte Wert eines einzelnen Modells. Die Datengrundlage sei mit rund 170 Aufgaben bewusst klein und werde zunehmend problematisch, insbesondere weil längere Aufgaben fehlten. Der Autor nennt außerdem mögliche Verzerrungen bei den Schätzungen langer Aufgaben und kündigt eine Erweiterung der Aufgabensuite als Planung an.

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

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Die Einordnung wurde unabhängig von Lunas Stufen vergeben. Der Bericht betrifft Zeithorizonte und keine Cyber-Schwellen, Pausen oder Governance, daher fallen die Stufen insgesamt niedrig aus.

Im Bericht, aber nicht in der Zusammenfassung

  • Die Fehlerbalken liegen historisch etwa bei Faktor 2 nach jeder Richtung, bei Opus 4.5 wegen Sättigung des Benchmarks schlechter
  • Die Domänenunterschiede: Mathematik ähnlich, visuelle Computernutzung 40 bis 100 mal niedriger, Kaffeekochen nur etwa 2 Minuten
  • Die Unsicherheit der Extrapolation auf Monate oder Jahre, einschließlich der Frage eines superexponentiellen Wachstums

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
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 27 %Hintergrund, keine Belege
    • Luna 51 %Hintergrund, keine Belege
    • JEV 29 %Hintergrund, keine Belege
    • amos 44 %gleiches Oberthema, hilft nicht
    • SubQ 29 %gleiches Oberthema, hilft nicht
    • drex 26 %Hintergrund, keine Belege
    • d3-ultra 36 %gleiches Oberthema, hilft nicht

    • SF-F1-T02 Veröffentlichen Labore abgestimmte Cyber-Tests, die zeigen, was jedes Modell mehr leistet als ein Mensch ohne KI-Hilfe? Luna: Stufe 3 · 34 % · Hintergrund, keine Belege · Haiku-Prüfung: Stufe 3 · Hintergrund, keine Belege
    • SF-F1-T04 Welcher gemeinsame, neutrale und offene Maßstab (Aufgaben, Erfolgsrate, abgeschirmte Testumgebung, Belege) zeigt, dass eine Cyber-Schwelle überschritten ist? Würden ein Ministerium und ein Labor in verschiedenen Staaten ihn annehmen, bevor das nächste Modell als Überschreitung eingestuft wird, damit Schwellen gemessen und nicht behauptet werden? Und dient derselbe Maßstab dann sowohl dazu, ein Modell einzustufen, als auch dazu, das Tempo seiner Entwicklung zu steuern? Luna: Stufe 3 · 46 % · Hintergrund, keine Belege · Haiku-Prüfung: Stufe 3 · Hintergrund, keine Belege
  2. SF-F2 Wenn ein Staat ein Modell als Beleg für eine überschrittene Schwelle nennt oder ein Risiko an der Herkunft eines Modells festmacht: Wie wird das überprüfbar?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 24 %einzelne zitierbare Belege
    • amos 29 %Hintergrund, keine Belege
    • SubQ 40 %gleiches Oberthema, hilft nicht
    • drex 38 %gleiches Oberthema, hilft nicht
    • d3-ultra 53 %gleiches Oberthema, hilft nicht
Unabhängig prüfen
  1. SF-P2 Wie bleiben Prüfer, die in einem Labor arbeiten, wirklich unabhängig?
    • clef 100 %kein Bezug
    • Luna 36 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 43 %gleiches Oberthema, hilft nicht
    • SubQ 49 %gleiches Oberthema, hilft nicht
    • drex 36 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
  2. SF-P3 Woran erkennt man, dass ein Labor sich ehrlich selbst überwacht und dass seine Prüfungen gültig sind?
    • clef 22 %Hintergrund, keine Belege
    • Luna 60 %einzelne zitierbare Belege
    • JEV 42 %beantwortet teilweise oder widerspricht
    • amos 30 %Hintergrund, keine Belege
    • SubQ 26 %gleiches Oberthema, hilft nicht
    • drex 28 %einzelne zitierbare Belege
    • d3-ultra 32 %Hintergrund, keine Belege
    • Haiku-Prüfung nur am Rande erwähnt

Tempo und Grenzen
  1. SF-T1 Welche messbaren Schwellen sollen eine Pause auslösen, und wer prüft sie?
    • clef 100 %kein Bezug
    • Luna 61 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 30 %Hintergrund, keine Belege
    • SubQ 43 %gleiches Oberthema, hilft nicht
    • drex 33 %gleiches Oberthema, hilft nicht
    • d3-ultra 56 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung nur am Rande erwähnt

  2. SF-T2 Woran erkennen andere, dass ein Labor wirklich bremst?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 27 %einzelne zitierbare Belege
    • amos 28 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 42 %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 28 %Hintergrund, keine Belege
    • Luna 70 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 30 %Hintergrund, keine Belege
    • SubQ 38 %gleiches Oberthema, hilft nicht
    • drex 31 %gleiches Oberthema, hilft nicht
    • d3-ultra 52 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung nur am Rande erwähnt

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 44 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • 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 32 %gleiches Oberthema, hilft nicht
    • JEV 38 %einzelne zitierbare Belege
    • amos 38 %gleiches Oberthema, hilft nicht
    • SubQ 45 %gleiches Oberthema, hilft nicht
    • drex 50 %gleiches Oberthema, hilft nicht
    • d3-ultra 58 %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 45 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 54 %gleiches Oberthema, hilft nicht
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 31 %Hintergrund, keine Belege
    • JEV 31 %einzelne zitierbare Belege
    • amos 35 %gleiches Oberthema, hilft nicht
    • SubQ 59 %gleiches Oberthema, hilft nicht
    • drex 38 %gleiches Oberthema, hilft nicht
    • d3-ultra 52 %gleiches Oberthema, hilft nicht

Beteiligung und Gemeinwohl
  1. 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 31 %Hintergrund, keine Belege
    • JEV 37 %Hintergrund, keine Belege
    • amos 52 %gleiches Oberthema, hilft nicht
    • SubQ 61 %gleiches Oberthema, hilft nicht
    • drex 44 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug

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 →