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
epoch2. Mai 2025 · Q006899

Where’s my ten minute AGI?

epoch.ai · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Der Autor erklärt die Diskrepanz zwischen wachsenden KI-Zeithorizonten und begrenzter Alltagsautomatisierung mit drei Faktoren: Die Benchmarks sind domänenspezifisch, reale Aufgaben verlangen oft höhere Zuverlässigkeit, und Arbeitsabläufe benötigen persönlichen und organisatorischen Kontext. Wie stark die einzelnen Faktoren wirken, lässt sich laut Beitrag schwer quantifizieren; besonders die Schätzungen für sehr hohe Erfolgsquoten sind unsicher.

Mittel

Anson Ho untersucht, warum Fortschritte bei der Dauer von Aufgaben, die KI bewältigen kann, nicht automatisch zu breiter Alltagsautomatisierung führen. METR zufolge verdoppelt sich diese Dauer etwa alle sieben Monate; für heutige Spitzensysteme nennt die Auswertung ungefähr eine Stunde bei 50 Prozent Erfolg. Ho nennt drei Gründe: Die Messungen beruhen vor allem auf softwarebezogenen Aufgaben und lassen sich nicht ohne Weiteres auf andere Bereiche übertragen. Außerdem verkürzt eine höhere verlangte Zuverlässigkeit den Zeithorizont: Bei 80 Prozent Erfolgsquote sind es laut Beitrag etwa 15 Minuten. Eine Schätzung unter einer Minute bei 99 Prozent beruht allerdings auf unsicherer Extrapolation und unzureichenden Daten. Schließlich sind reale Tätigkeiten oft in Arbeitsabläufe eingebettet und benötigen persönlichen, fachlichen oder organisatorischen Kontext. E-Mails etwa setzen Kenntnisse über Interessen, Termine, frühere Gespräche und interne Abläufe voraus. Das Bereitstellen solcher Informationen kann technische, organisatorische, Datenschutz- und Sicherheitsfragen aufwerfen. Ho sieht alle drei Faktoren als wichtige Erklärungen, betont aber, dass ihr jeweiliger Einfluss schwer zu beziffern ist. Die Schlussfolgerungen sind seine Einschätzung, nicht notwendigerweise die Position von Epoch AI insgesamt.

Ausführlich lesen

Der Beitrag von Anson Ho fragt, warum die zunehmende Fähigkeit von KI-Systemen, längere Aufgaben zu erledigen, bislang nicht zu einer entsprechend breiten Automatisierung im Alltag führt. Ausgangspunkt ist eine von METR veröffentlichte Auswertung, der zufolge sich die Dauer von Aufgaben, die KI-Systeme bewältigen können, etwa alle sieben Monate verdoppelt. Für führende Systeme wird dabei ungefähr eine Stunde Aufgabenzeit bei einer Erfolgsquote von 50 Prozent angegeben. Ho betont, dass daraus nicht unmittelbar folgt, dass alltägliche Tätigkeiten wie das Schreiben von E-Mails bereits zuverlässig automatisiert werden können. Er nennt drei wesentliche Erklärungen.

Erstens hängen die Zeitangaben stark vom Aufgabenbereich ab. Die zugrunde liegenden Datensätze konzentrieren sich überwiegend auf Softwareaufgaben. Als Gegenbeispiel führt der Autor eine rückblickende Schachbetrachtung an: Eine ähnliche Messweise hätte für KI-Systeme der frühen 1990er Jahre unrealistisch lange Zeithorizonte nahegelegt. Auch innerhalb softwarebezogener Aufgaben fallen Ergebnisse unterschiedlich aus: Menschen schneiden bei einfachen Computerbedienungsaufgaben im OSWorld-Benchmark besser ab als aktuelle Spitzensysteme, während KI große Textmengen rasch durchsuchen kann. Der Beitrag folgert, dass die gemessenen Zeithorizonte je nach Aufgabenart stark variieren und nicht ohne Weiteres für die Gesamtwirtschaft stehen. Remote-Arbeit mache nach einer angeführten Schätzung etwa 35 Prozent der US-Aufgaben aus; Softwareaufgaben seien nur ein Teil davon.

Zweitens beeinflusst die verlangte Zuverlässigkeit den ausgewiesenen Zeithorizont. Die METR-Auswertung bestimmt ihn anhand einer angepassten Kurve, die menschliche Bearbeitungszeiten mit Erfolgsquoten von Modellen verknüpft. Bei einer Schwelle von 80 Prozent sinkt der berichtete Zeithorizont laut Beitrag von ungefähr einer Stunde auf etwa 15 Minuten. Eine naive Extrapolation auf 99 Prozent ergäbe weniger als eine Minute. Ho kennzeichnet diese äußerste Schätzung jedoch als unsicher, weil dafür hochwertige Messdaten fehlen. Zudem sinkt auch die Erfolgsquote menschlicher Vergleichspersonen bei längeren Aufgaben. Der Autor hält dagegen, dass menschliche Fehlschläge teilweise durch fehlende Fachkenntnis, Unterbrechungen, Langeweile und Anreize im Versuchsaufbau erklärbar seien. Insgesamt vertritt er die Einschätzung, dass höhere Zuverlässigkeitsanforderungen den praktisch relevanten Zeithorizont deutlich verkürzen können.

Drittens bestehen reale Arbeitsabläufe aus zusammenhängenden Aufgaben und benötigen Kontext. Am Beispiel von E-Mails beschreibt Ho fehlende Informationen über persönliche Interessen und Kalender, frühere Gespräche, fachliche Hintergründe sowie interne Abläufe. Manche Lücken könnten durch zusätzliche Datenzugänge geschlossen werden; andere würden umfangreiche Erfassungsinfrastruktur voraussetzen und Datenschutz-, Sicherheits- und gesellschaftliche Fragen aufwerfen. Solche Kontextabhängigkeiten seien in vielen Wirtschaftsbereichen verbreitet und hätten Automatisierung schon früher mit organisatorischen Veränderungen verbunden.

Der Beitrag liefert vor allem eine qualitative Erklärung, warum kurze oder einstündige Benchmark-Aufgaben nicht automatisch breit automatisiert werden. Ho erklärt ausdrücklich, dass sich der Anteil der drei Faktoren nur schwer quantifizieren lässt. Die besonders hohen Zuverlässigkeitsschwellen sind mangels Daten unsicher; auch das Schachbeispiel beruht auf einer spekulativen Beziehung zwischen Wertung und Zeithorizont. Die Aussagen sind die Einschätzung des Autors und müssen laut Vorspann nicht die Position von Epoch AI insgesamt wiedergeben.

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

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Die Zusammenfassungen sind weitgehend treu; die fehlenden Punkte betreffen vor allem Belege zur Domänenabhängigkeit und zur Zuverlässigkeitsdebatte. Bei der Einordnung weicht die eigene Bewertung deutlich von Lunas Stufe 3 ab, weil der Bericht keine Hintergrundinformationen zu den drei Sammelfragen enthält. Die von Luna angegebenen Anteilswerte (83, 82, 81 Prozent) sind im Bericht nicht belegt und wurden nicht übernommen.

Im Bericht, aber nicht in der Zusammenfassung

  • Der Chess-Vergleich von Tamay Besiroglu, der zeigt, wie stark Zeithorizonte je nach gewählter Aufgabendomäne schwanken
  • Das OSWorld-Beispiel: Menschen erreichen etwa 73 Prozent, Spitzensysteme knapp über 40 Prozent, obwohl die Aufgaben einfach sind
  • Das Gegenargument, dass auch Menschen bei längeren Aufgaben scheitern, und Hos Einwand, dass ein Teil der menschlichen Fehler (fehlende Expertise, Abbrechen aus Langeweile) auf KI nicht übertragbar ist und durch die Bezahlung der Studienteilnehmer verstärkt wurde
  • Die Aufzählung der konkreten E-Mail-Engpässe als Beispiel für fehlenden Kontext
  • Der Hinweis, dass METR eine Messgröße für die „Unordentlichkeit“ realer Aufgaben nutzt

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
Fähigkeiten messen
Unabhängig prüfen
  1. SF-P3 Woran erkennt man, dass ein Labor sich ehrlich selbst überwacht und dass seine Prüfungen gültig sind?
    • clef 100 %kein Bezug
    • Luna 42 %Hintergrund, keine Belege
    • JEV 43 %einzelne zitierbare Belege
    • amos 33 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 39 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
Tempo und Grenzen
  1. SF-T1 Welche messbaren Schwellen sollen eine Pause auslösen, und wer prüft sie?
    • clef 100 %kein Bezug
    • Luna 81 %Hintergrund, keine Belege
    • JEV 36 %gleiches Oberthema, hilft nicht
    • amos 30 %gleiches Oberthema, hilft nicht
    • SubQ 53 %gleiches Oberthema, hilft nicht
    • drex 44 %gleiches Oberthema, hilft nicht
    • d3-ultra 49 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung gleiches Oberthema, hilft nicht
  2. SF-T3 Woran erkennt man, dass KI beginnt, ihre eigene Weiterentwicklung voranzutreiben, und wer darf das erlauben?
    • clef 100 %kein Bezug
    • Luna 48 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 27 %Hintergrund, keine Belege
    • SubQ 50 %gleiches Oberthema, hilft nicht
    • drex 58 %gleiches Oberthema, hilft nicht
    • d3-ultra 65 %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 37 %einzelne zitierbare Belege
    • amos 48 %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 82 %Hintergrund, keine Belege
    • JEV 35 %Hintergrund, keine Belege
    • amos 48 %gleiches Oberthema, hilft nicht
    • SubQ 53 %gleiches Oberthema, hilft nicht
    • drex 57 %gleiches Oberthema, hilft nicht
    • d3-ultra 57 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung 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 27 %Hintergrund, keine Belege
    • JEV 37 %gleiches Oberthema, hilft nicht
    • amos 35 %gleiches Oberthema, hilft nicht
    • 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
Beteiligung und Gemeinwohl
  1. SF-E4 Wie bleibt KI ein gemeinsames Gut, statt Abhängigkeit und Marktmacht zu vertiefen?
    • clef 100 %kein Bezug
    • Luna 83 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 100 %kein Bezug
    • SubQ 51 %gleiches Oberthema, hilft nicht
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung kein Bezug
  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 56 %Hintergrund, keine Belege
    • JEV 31 %Hintergrund, keine Belege
    • amos 46 %gleiches Oberthema, hilft nicht
    • SubQ 48 %gleiches Oberthema, hilft nicht
    • drex 50 %gleiches Oberthema, hilft nicht
    • d3-ultra 55 %gleiches Oberthema, hilft nicht
Wirtschaft und Haftung

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 →