14 Stunden mit einem Prompt: Der steilste Trend in der KI-Geschichte

14 Stunden mit einem Prompt: Der steilste Trend in der KI-Geschichte

Es gibt gerade einen Graphen, der in KI-Kreisen intensiver diskutiert wird als jeder andere. Er stammt von METR — einem unabhängigen Non-Profit-Forschungsinstitut in Berkeley, das Frontier-KI-Modelle auf ihre autonomen Fähigkeiten testet. Und was dieser Graph zeigt, ist bemerkenswert: Die Fähigkeit von KI-Agenten, lange Aufgaben autonom zu lösen, wächst exponentiell — und das seit sechs Jahren ohne Pause.

Was der METR-Zeithorizont misst

METR definiert den 50%-Zeithorizont als die Aufgabenlänge (gemessen in menschlicher Expertenzeit), bei der ein KI-Agent in etwa der Hälfte der Versuche erfolgreich ist. Die Aufgaben stammen aus drei Bereichen: Software-Engineering (HCAST, SWAA), ML-Research-Engineering (RE-Bench) und Cybersecurity. Sie sind bewusst realistisch und unordentlich gestaltet — kein Auswendiglernen, kein Pattern-Matching. Ein Agent bekommt eine isolierte Umgebung, ein Ziel und muss sich den Rest selbst erarbeiten.

Für jedes Modell wird eine logistische Kurve gefittet, die die Erfolgswahrscheinlichkeit als Funktion der Aufgabenlänge modelliert. Der Schnittpunkt dieser Kurve mit der 50%-Linie ergibt den Zeithorizont. Der R²-Wert des exponentiellen Trend-Fits über alle Modelle liegt bei 0,93 — das ist kein Zufall, das ist ein robustes Muster.

Die konkrete Entwicklung: Modell für Modell

Hier die gemessenen 50%-Zeithorizonte der wichtigsten Frontier-Modelle aus METRs aktueller TH1.1-Benchmark-Suite:

Die Progression ist beeindruckend: Von ~1 Stunde bei Claude 3.7 Sonnet im Februar 2025 auf 14,5 Stunden bei Claude Opus 4.6 im Februar 2026 — eine Verzehnfachung in zwölf Monaten.

METRs Trendlinie zeigt eine Verdoppelungszeit von ca. 123 Tagen (~4 Monate) basierend auf den Daten seit 2023 — deutlich schneller als die 7 Monate, die über die gesamte Periode 2019–2025 gemessen wurden.

Warum beschleunigt sich der Trend?

Drei unabhängige Skalierungsachsen laufen parallel und verstärken sich:

1. Bessere Basismodelle. Jede neue Modellgeneration bringt substanzielle Verbesserungen in Long-Horizon-Reasoning, Planung über viele Schritte und fehlerresistenter Ausführung. Claude Opus 4.6 und GPT-5-Klasse-Modelle zeigen deutlich robusteres Verhalten bei Aufgaben, die dutzende sequentielle Entscheidungen erfordern.

2. Inference-Time Scaling (Extended Thinking). Claude 3.7 Sonnet war eines der ersten Modelle mit echtem Extended Thinking. Die Möglichkeit, zur Laufzeit mehr Rechenkapazität auf schwierige Teilprobleme zu richten — ohne das Basismodell neu zu trainieren — hat den Zeithorizont sprunghaft verbessert. Das erklärt den Knick im Trend ab früh 2025.

3. Bessere Scaffolding-Werkzeuge. Claude Code, OpenAI Codex CLI und ähnliche Agent-Frameworks haben die Art und Weise, wie Modelle mit ihrer Umgebung interagieren, fundamental verbessert: persistente Bash-Sessions, strukturierte Tool-Use, Fehlerwiederholung, Datei-Kontext. METR nutzt diese Scaffolds direkt in ihren Evaluierungen (ReAct, Triframe, Claude Code). Die Qualität des Scaffoldings beeinflusst die gemessenen Fähigkeiten direkt.

4. Wettbewerbsdruck. Anthropic, OpenAI und Google haben zwischen August 2025 und Februar 2026 mehrere Frontier-Modelle innerhalb weniger Tage voneinander veröffentlicht. Der Rüstungswettlauf beschleunigt die Release-Zyklen und damit die Kurve.

Was der Benchmark misst — und was nicht

Ein wichtiger Vorbehalt: METR testet sauber abgegrenzte Aufgaben mit automatischer Bewertung. Die Agenten haben kein Vorwissen zum Projekt und bekommen exakt dieselben Ressourcen wie die menschlichen Baseline-Probanden. Das ist strukturell sauberer als die meisten anderen Benchmarks, aber auch eingeschränkter als reale Arbeit.

METR selbst weist in ihrem Paper darauf hin, dass die Performance deutlich sinkt, wenn Tasks holistisch statt algorithmisch bewertet werden. In einer Folgestudie fanden sie, dass etwa die Hälfte der test-passing PRs, die aktuelle Agenten auf SWE-Bench Verified produzieren, von echten Maintainern nicht in den Hauptzweig gemergt würden. Die Lücke zwischen "besteht automatisierte Tests" und "ist gute Software" bleibt real.

Ausserdem variieren die Zeithorizonte stark nach Aufgabentyp. Agentic Computer Use liegt laut METRs eigener Analyse rund 50x hinter Software-Engineering-Tasks. Die 14,5 Stunden gelten für den spezifischen Mix aus SE-, ML- und Security-Aufgaben in der TH1.1-Suite — nicht für beliebige Wissensarbeit.

Was das für Software-Entwickler bedeutet

Die Aufgaben im METR-Benchmark — komplexes Debugging, ML-Experimente, Sicherheitsanalysen — sind genau das, womit Senior-Entwickler täglich arbeiten. Und die Modelle, die METR testet, sind dieselben, die über Claude Code, Codex und Cursor täglich im Einsatz sind.

Claude Code verzeichnete laut Anthropic bis Mitte 2025 ein 5,5-faches Umsatzwachstum. METR vermerkt in ihrer Analyse explizit, dass diese Tools heute bereits reale Engineering-Infrastruktur aufbauen — nicht als Proof-of-Concept, sondern als produktive Arbeit.

Die praktische Konsequenz: Der Engpass verschiebt sich. KI kann zunehmend die Implementierungsarbeit übernehmen. Was bleibt — und an Wert gewinnt — ist das, was KI strukturell nicht kann: Systemgrenzen ziehen, Trade-offs bewerten, Kontext aufbauen, Verantwortung übernehmen.

Wohin führt die Kurve?

Wenn der aktuelle Trend (Verdopplung alle 4 Monate) anhält, ergeben sich folgende Extrapolationen:

• Mitte 2026: ~60–80 Stunden (eine Arbeitswoche)
• Ende 2026: ~mehrere Wochen
• 2027–2028: Monatelange autonome Projekte

METR selbst gibt an, dass die 95%-Konfidenzintervalle für diese Extrapolationen sehr weit sind. Und der Trend könnte abflachen. Aber es gibt bisher keinen empirischen Hinweis auf eine Verlangsamung — im Gegenteil, die jüngsten Datenpunkte liegen eher über der Trendlinie.

Besonders erwähnenswert ist ein Feedback-Loop, den die METR-Forscher explizit nennen: Verbesserte KI-Agenten sind zunehmend nützlicher für die Entwicklung noch fähigerer KI-Agenten. Die Werkzeuge, die METR testet, sind dieselben, die Anthropic und OpenAI für ihre eigene Forschung einsetzen. Das könnte zu superexponentiellem Wachstum führen — Agenten, die Agenten bauen, die bessere Agenten bauen.

Fazit

Der METR-Zeithorizont-Graph ist deshalb so bemerkenswert, weil er KI-Fähigkeiten in einer einzigen, intuitiv verständlichen Einheit misst: menschliche Arbeitsstunden. Kein abstraktes Benchmark-Punktesystem, kein Vergleich mit Prüfungsleistungen — sondern die schlichte Frage: Wie viel autonome, echte Ingenieursarbeit kann ein KI-Agent heute leisten?

Die Antwort im März 2026: 14,5 Stunden. Mit einer Verdoppelungszeit von vier Monaten.

Quellen

• METR — Task-Completion Time Horizons of Frontier AI Models (live, laufend aktualisiert): metr.org/time-horizons
• METR — Measuring AI Ability to Complete Long Tasks (Originalpaper, März 2025): metr.org/blog/2025-03-19-measuring-ai-ability-to-complete-long-tasks
• METR — Time Horizon 1.1 (aktualisierte Benchmark-Suite, Januar 2026): metr.org/blog/2026-1-29-time-horizon-1-1
• Kwa et al. (2025) — arXiv-Paper: arxiv.org/abs/2503.14499
• METR — Many SWE-bench-Passing PRs Would Not Be Merged (März 2026): metr.org
• The AI Digest — A new Moore's Law for AI agents: theaidigest.org/time-horizons